|
|
 |
|
|
课程特点
支持向量机已经被证明了在分类网络中是非常有用的。现在这些SVM正被司机用来避让行人。这是该技术最初的真正大众化应用之一。
该课程为那些希望从事计算神经科学研究的高年级研究生设置。 作业 聚焦于一些对计算机系统需要使问题求解更加有效的功能。学生可选择的项目主题基于当今领域中尚未解决的问题。 在该课程结束时，学生应该能够解决一到两个这些问题，并且应该能够设计出对于其他问题的方法。
课程简介
从对稀疏数据的多元函数逼近理论出发，利用当代统计学习理论的观点，重点研究有监督的学习问题。开发一些基本工具，例如正则化（包括用于回归和分类的支持向量机）。同时利用稳定性和VC理论推导泛化界。讨论某些主题，如提升和特征选择。介绍几个领域中的应用，如：计算机视觉，计算机图形学，文本分类以及生物信息学。规划了与该课程所介绍技术同步发展的最终课程项目、实践应用及练习。
|
|
|
| 师资 |
|
授课教师：
Tomaso Poggio教授
Sayan Mukherjee博士
Ryan Rifkin博士
Alex Rakhlin
|
| 课程安排 |
|
讲座：
2节/星期
1.5小时/节
|
| 课程级别 |
|
研究生
|
| 翻译 |
|
谭营 博士 教授 计算机应用技术
阮光尘 学士 研究生 计算机应用技术
杨健 学士 研究生 计算机应用技术
北京大学
|
| 审校 |
|
邓超 博士 计算机科学
北京大学
谭营 博士 教授 计算机应用技术
北京大学信息科学技术学院
|
| 反馈意见 |
| 请把您关于OCW或本课的反馈意见发给我们 |
|
|
|
|
|
 |
|