MIT OpenCourseWare


» 進階搜尋
 課程首頁
 教學大綱
 教學時程
 相關閱讀資料
 課堂講稿
 作業
 下載課程

9.520-A 2001春季課程:學習網路:回歸與分類(Networks for Learning: Regression and Classification, Spring 2001)


本頁翻譯進度

燈號說明

審定:無
翻譯:蕭玉雪(簡介並寄信)
編輯:侯嘉玨(簡介並寄信)

Diagram showing a method of predicting the type of cancer from DNA chips.
從DNA晶片預測癌症的類型。從案例中學習。(圖片提供:麻省理工學院腦與認知科學系,Poggio實驗室)
Predicting the type of cancer from DNA chips. Learning from example. (Image courtesy of Poggio Laboratory, MIT Department of Brain and Cognitive Sciences.)

課程重點

課程期間我們將檢視數種學習技巧在一些領域上的應用如電腦視覺、電腦繪圖、數據庫搜索和時間數列分析與預測。也將在課程中以帶有稀疏值理論的分類神經網路與回歸的使用來探討監督式學習。我們所列出的相關閱讀資料非常多,這些閱讀資料提供了基本的概念給未來在這範疇內的研究人員。課堂講稿則提供了這次課程中每一個主題的概要。

During this course we will examine applications of several learning techniques in areas such as computer vision, computer graphics, database search and time-series analysis and prediction. Supervised learning with the use of regression and classification networks with sparse data sets will be explored. The extensive reading list grounds the future researcher in the field of learning networks. Lecture notes provide an overview of each topic covered in the class.

課程描述

這個課程的重點將放在與統計學習理論架構中有關的監督式學習問題。課堂一開始將回顧古典統計技術,包括如何用再生核希爾伯特空間理論理論中的正規化理論解釋稀疏值多變量函數估計。接下來會詳細探討Vapnik-Chervonenkis理論及它過去是如何驗證分類與回歸技術,如調控網路和支持向量機原理。另外課程中挑選了一些如提升法、特點選取和多類別分類等概念的相關主題是為了加強這門課的理論部分。我們也將在課程期間分析數種學習技巧在一些領域上的應用如電腦視覺、電腦繪圖、數據庫搜索和時間數列分析與預測。課堂中也將會以物體辨識的神經生物學為重點,簡略地討論腦如何從經驗中學習的學習理論。我們計劃強調同學能夠親自參與應用和練習,以期能靈活的運用課堂中所學的各項主題。

The course focuses on the problem of supervised learning within the framework of Statistical Learning Theory. It starts with a review of classical statistical techniques, including Regularization Theory in RKHS for multivariate function approximation from sparse data. Next, VC theory is discussed in detail and used to justify classification and regression techniques such as Regularization Networks and Support Vector Machines. Selected topics such as boosting, feature selection and multiclass classification will complete the theory part of the course. During the course we will examine applications of several learning techniques in areas such as computer vision, computer graphics, database search and time-series analysis and prediction. We will briefly discuss implications of learning theories for how the brain may learn from experience, focusing on the neurobiology of object recognition. We plan to emphasize hands-on applications and exercises, paralleling the rapidly increasing practical uses of the techniques described in the subject.

師資
講師:
Tomaso Poggio 教授
Alessandro Verri 博士
上課時數
教師授課:
每週2節
每節1.5小時
程度
研究所
回應
告訴我們您對本課程或「開放式課程網頁」的建議。
聲明
麻省理工學院開放式課程認可 開放式課程計畫(OOPS)的翻譯計畫,開放式課程計畫(OOPS)乃是運用其獨立團隊、獨立資源、獨立流程進行翻譯計畫之團隊。

所有麻省理工學院開放式課程之材料皆以麻省理工學院開放式課程創作共享授權發佈,所有之翻譯資料皆由開放式課程計畫(OOPS)所提供,並由其負翻譯品質之責任。

此處麻省理工學院開放式課程之資料乃由 開放式課程計畫(OOPS) 譯為正體中文。麻省理工學院開放式課程在此聲明,不論是否遭遇或發現相關議題,麻省理工學院開放式課程、麻省理工學院教師、麻省理工學院校方並不對翻譯正確度及完整性作保證。上述單位並對翻譯後之資料不作明示或默許對任一特定目的之適合性之保證、非侵權之保證、或永不出錯之保證。麻省理工學院校方、麻省理工學院開放式課程對翻譯上之不正確不負任何責任。由翻譯所引發任何關於此等資料之不正確或其他瑕疵,皆由開放式課程計畫(OOPS)負全責,而非麻省理工學院開放式課程之責。

原文聲明

 
MIT Home
Massachusetts Institute of Technology Terms of Use Privacy