<html>
<head>
</head>
<body>
<br>
<br>
<div class="moz-text-flowed" style="font-family: courier; font-size: 13px; "><br>
    We are glad to announce the publication of a new book <br>
<br>
    ************************************************************************* 
  <br>
<br>
    J.A.K. Suykens, T. Van Gestel, J. De Brabanter, B. De Moor, J. Vandewalle, 
  <br>
    Least Squares Support Vector Machines, <br>
    World Scientific Pub. Co., Singapore, 2002 <br>
<a class="moz-txt-link-freetext" href="http://www.esat.kuleuven.ac.be/sista/lssvmlab/book.html">
    http://www.esat.kuleuven.ac.be/sista/lssvmlab/book.html</a>
<br>
<br>
    ************************************************************************* 
  <br>
<br>
<br>
    This book focuses on Least Squares Support Vector Machines (LS-SVMs)
<br>
    which are reformulations to standard SVMs. LS-SVMs are closely related
 <br>
    to regularization networks and Gaussian processes but additionally <br>
    emphasize and exploit primal-dual interpretations from optimization theory. 
  <br>
    The authors explain the natural links between LS-SVM classifiers and
kernel   <br>
    Fisher discriminant analysis. Bayesian inference of LS-SVM models is
<br>
    discussed, together with methods for imposing sparseness and employing
 <br>
    robust statistics. <br>
<br>
    The framework is further extended towards unsupervised learning by <br>
    considering PCA analysis and its kernel version as a one-class modelling 
 <br>
    problem. This leads to new primal-dual support vector machine formulations 
  <br>
    for kernel PCA and kernel CCA analysis. Furthermore, LS-SVM formulations 
 <br>
    are given for recurrent networks and control. In general, support vector 
 <br>
    machines may pose heavy computational challenges for large data sets. 
<br>
    For this purpose, a method of fixed size LS-SVM is proposed where the 
<br>
    estimation is done in the primal space in relation to a Nystr&ouml;m sampling 
 <br>
    with active selection of support vectors. The methods are illustrated 
<br>
    with several examples. <br>
<br>
<br>
    Contents: <br>
    . Introduction <br>
    . Support vector machines <br>
    . Least squares support vector machines, links with Gaussian <br>
  &nbsp; processes, regularization networks, and kernel FDA <br>
    . Bayesian inference for LS-SVM models <br>
    . Weighted versions and robust statistics <br>
    . Large scale problems: Nystrom sampling, reduced set methods, <br>
  &nbsp; basis formation and Fixed size LS-SVM <br>
    . LS-SVM for unsupervised learning: support vector machines <br>
  &nbsp; formulations for kernel PCA. Related methods of kernel CCA. <br>
    . LS-SVM for recurrent networks and control <br>
    . Illustrations and applications <br>
<br>
<br>
    Readership: <br>
    Graduate students and researchers in neural networks; machine learning; 
 <br>
    data-mining; signal processing; circuit, systems and control theory;
<br>
    pattern recognition; and statistics. <br>
<br>
<br>
    Info: 308pp., Publication date: Nov. 2002, <br>
    ISBN 981-238-151-1 <br>
<br>
    Order information: World Scientific <br>
<a class="moz-txt-link-freetext" href="http://www.wspc.com/books/compsci/5089.html">
    http://www.wspc.com/books/compsci/5089.html</a>
<br>
<a class="moz-txt-link-freetext" href="http://www.esat.kuleuven.ac.be/sista/lssvmlab/book.html">
    http://www.esat.kuleuven.ac.be/sista/lssvmlab/book.html</a>
<br>
<br>
<br>
<br>
 ******************************************************** <br>
<br>
 LS-SVMlab: <br>
 Least Squares - Support Vector Machines Matlab/C Toolbox <br>
<a class="moz-txt-link-freetext" href="http://www.esat.kuleuven.ac.be/sista/lssvmlab/">
 http://www.esat.kuleuven.ac.be/sista/lssvmlab/</a>
<br>
<br>
 ********************************************************   <br>
<br>
 Toolbox: <br>
 . Matlab LS-SVMlab1.4 - Linux and Windows Matlab/C code <br>
 . Basic and advanced versions <br>
 . Functional and object oriented interface <br>
<br>
<br>
 Tutorial User's Guide (100pp.): <br>
 . Examples and demos <br>
 . Matlab functions with help <br>
<br>
<br>
 Solving and handling: <br>
 . Classification, Regression <br>
 . Tuning, cross-validation, fast loo, <br>
 &nbsp;receiver operating characteristic (ROC) curves <br>
 . Small and unbalanced data sets <br>
 . High dimensional input data <br>
 . Bayesian framework with three levels of inference <br>
 . Probabilistic interpretations, error bars <br>
 . hyperparameter selection, automatic relevance determination (ARD) <br>
 &nbsp;input selection, model comparison <br>
 . Multi-class encoding/decoding <br>
 . Sparseness <br>
 . Robustness, robust weighting, robust cross-validation <br>
 . Time series prediction <br>
 . Fixed size LS-SVM, Nystrom method, <br>
 &nbsp;kernel principal component analayis (kPCA), ridge regression <br>
 . Unsupervised learning <br>
 . Large scale problems <br>
<br>
<br>
 Related links, publications, presentations and book: <br>
<a class="moz-txt-link-freetext" href="http://www.esat.kuleuven.ac.be/sista/lssvmlab/">
 http://www.esat.kuleuven.ac.be/sista/lssvmlab/</a>
<br>
<br>
<br>
 Contact: <a class="moz-txt-link-abbreviated" href="mailto:LS-SVMlab@esat.kuleuven.ac.be">
 LS-SVMlab@esat.kuleuven.ac.be</a>
<br>
<br>
<br>
 GNU General Public License: <br>
 The LS-SVMlab software is made available for research purposes only <br>
 under the GNU General Public License. LS-SVMlab software may not be <br>
 used for commercial purposes without explicit written permission after <br>
 contacting <a class="moz-txt-link-abbreviated" href="mailto:LS-SVMlab@esat.kuleuven.ac.be">
 LS-SVMlab@esat.kuleuven.ac.be</a>
 . <br>
<br>
 [we apologize for receiving multiple copies of this message] <br>
<br>
<br>
<br>
</div>
<br>
<br>
<br>
<br>
<br>
<br>
</body>
</html>