本课程在统计学习理论框架下，集中讨论有指导学习问题。首先，回顾一下传统的统计技术，例如应用于稀疏数据多元函数逼近的 RKHS 中的正则化理论。然后，详细讨论 VC 理论，并将其用于验证正则化网络和支持向量机等分类和回归技术。本课程理论内容的最后一部分包括 boosting、特征选择和多类分类等主题。本课程将讨论出现在计算机视觉、计算机图形学、数据库搜索以及时间序列分析和预测等领域中的几种学习技术的应用，简要讨论学习理论的内涵，即大脑如何从经验中学习，集中于目标识别的神经生物学原理。我们计划着重强调应用和动手实践，同时也强调本课程中涉及到的技术正有着越来越多的实际应用。

• 出席情况
• 作业情况
• 学期论文(期末项目)
• 兴趣
• 努力程度

基于如下非线性函数进行评分:

f = f(课后作业1，课后作业2，课后作业3, 期末项目，出席情况， 兴趣，努力程度)

在评分完成后，我们可能会公布上述函数的基于数据的回归结果。 例如，最终评分可能由下式近似：

f ~ 0.3 课后作业 1 + 0.3 课后作业 2 + max [(期末项目), (期末项目 + 课后作业 3)]。但是，在本研究生课程中，努力程度、兴趣和出席情况也会被考虑。