我阅读了有关 SVM 的信息并了解到它们正在解决优化问题，并且最大边距的想法非常合理。

现在，使用内核，他们甚至可以找到非常棒的非线性分离边界。

到目前为止，我真的不知道 SVM（一种特殊的内核机器）和内核机器是如何与神经网络相关的？

考虑一下Yann Lecun的评论=>这里：

kernel methods were a form of glorified template matching

这里也是：

例如，有些人对内核方法感到眼花缭乱，因为它伴随着可爱的数学。但是，正如我过去所说，最终，内核机器是执行“美化模板匹配”的浅层网络。这并没有错（SVM 是一种很好的方法），但它有我们都应该意识到的可怕的局限性。

所以我的问题是：

1. SVM 与神经网络有什么关系？浅层网络如何？
2. SVM 解决了具有明确定义的目标函数的优化问题，它是如何进行模板匹配的？这里输入匹配的模板是什么？

我想这些评论需要对高维空间、神经网络和内核机器有一个透彻的理解，但到目前为止我一直在尝试并且无法掌握其背后的逻辑。但是注意到两种非常不同的机器学习技术之间的联系肯定很有趣。

编辑：我认为从神经的角度理解 SVM 会很棒。我正在寻找对上述两个问题的全面的数学支持答案，以便真正理解支持向量机和神经网络之间的联系，无论是在线性支持向量机和带有内核技巧的支持向量机的情况下。