Guardare oltre la linearità: I Kernel Methods

I Kernel Methods permettono di risolvere problemi complessi trasformandoli in una dimensione superiore. Se un set di dati non può essere diviso linearmente in 2D, il "trucco del kernel" lo proietta in 3D, dove una separazione netta diventa possibile.

Support Vector Machines (SVM)

Questi metodi sono il cuore delle SVM, algoritmi che prima del Deep Learning erano lo stato dell'arte per il riconoscimento di immagini e testi per la loro precisione e robustezza matematica.

Applicazioni Attuali

Sebbene meno popolari oggi, rimangono essenziali in ambiti dove i dati sono pochi (small data) e dove serve una giustificazione matematica rigorosa per ogni classificazione effettuata.