В классическом машинном обучении линейные классификаторы (такие как логистическая регрессия или перцептрон) пытаются разделить данные с помощью прямой линии или плоской гиперплоскости. Однако реальные данные редко бывают линейно разделимыми: чаще всего они образуют сложнейшие переплетенные кластеры. Чтобы решить эту проблему, инженеры применяют хитрость: они проецируют данные в пространство гораздо большей размерности, где они «распутываются» и легко разделяются плоскостью. Вычисление координат в новых пространствах потребовало бы невозможных вычислительных мощностей, если бы не «ядровой трюк» (Kernel Trick). Этот математический прием, опирающийся на теорию билинейных форм и матриц Грама, позволяет обучать мощнейшие нелинейные модели с вычислительной стоимостью обычных линейных систем.