支持向量机（SVM）是90 年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。算法的详细介绍可以参考wiki。
SVM是一种分类算法，首先，它是一种监督式学习，也就是说，先得给出一部分的训练数据。通过对训练数据训练后得到一个边界线，然后将数据导入，看他们会处于这个边界线的哪一边，实现分类。对于一个2维点的集合，我们的目标就是用一个1维的面（线）来划分开。
假如在一个直角坐标系中，有若干个点，怎么把这些点划分开呢，我们假定有一个直线f(x)=ax+b，如果f(x)>0，是一类，<0则是另一类，这样就分开了。问题转变成，对于这些点，求这个直线的函数，也就是求a和b的值。
在阿里云中，实现的算法是线性支持向量机，仅支持二分类。它不是采用核函数方式实现的，具体实现理论详见：http://www.csie.ntu.edu.tw/~cjlin/papers/logistic.pdf 中的6. Trust Region Method for L2-SVM；本算法仅支持二分类。
在这篇《程序员训练机器学习SVM算法分享》的文章（原文网址）里，有一些基于Python的SVM代码。
《支持向量机通俗导论（理解SVM的三层境界）》，文章的PDF版为：支持向量机通俗导论（理解SVM的三层境界）Latex版