การวิเคราะห์เชิงหน้าที่และพื้นที่ฮิลแบร์ตมีประโยชน์ในการเรียนรู้ของเครื่องหรือไม่ ถ้าเป็นเช่นนั้นได้อย่างไร

ฉันสงสัยว่าช่องว่างของฮิลแบร์ตและการวิเคราะห์การทำงานมีประโยชน์ต่อการเรียนรู้ของเครื่องอย่างไร ฉันคิดว่าการเรียนรู้ของเครื่องเป็นการผสมผสานระหว่างสถิติวิทยาการคอมพิวเตอร์และการเพิ่มประสิทธิภาพ การวิเคราะห์การทำงานมีความสัมพันธ์กับสิ่งนั้นอย่างไร

ทฤษฎีทั้งหมดของReproducible Kernel System Spaceอ้างอิงการพัฒนาเครื่องเวกเตอร์สนับสนุนและโครงสร้าง SVM ที่สร้างขึ้นตามทฤษฎีของช่องว่างของฮิลแบร์ต นอกจากนี้การพัฒนาแอพพลิเคชั่นบางตัวของ SVM เช่นการตรวจจับที่ผิดเพี้ยนซึ่งขึ้นอยู่กับแนวคิดของการประเมินการสนับสนุนการแจกแจงความน่าจะเป็นที่ไม่รู้จัก (ดูการประมาณการสนับสนุนการกระจายมิติสูงSchölkopf et al. )

เพียงเพิ่มคำตอบของ @SmallChess ในทางปฏิบัติคุณสามารถทำได้โดยไม่ต้องมีความรู้ที่ดี แต่คุณต้องเข้าใจการใช้งานพีชคณิตที่เกี่ยวข้องและการตีความเชิงเรขาคณิตของการแก้ปัญหาที่กำหนดโดยอัลกอริธึมที่เลือก