MIT OpenCourseWare

9.520 2003春季課程:統計學習理論及應用(Statistical Learning Theory and Applications, Spring 2003)


本頁翻譯進度

燈號說明

審定:無
翻譯:周科(簡介並寄信)
編輯:馬景文(簡介並寄信)
(編註:輔助教室
編輯所設置自學書院網站設有本課程的輔助教室,內容包括部份閱讀文章的翻譯本,中文文獻連結,和自學者論壇。)


Design of a system that will function the same way as a human visual system.
設計並建立一個與人類視覺系統有相同功能的系統,但不會沒有耐性,而且更為精確。(圖片由麻省理工學院大腦與認知科學系Poggio實驗室提供。)
Designing and building a system that will function the same way as a human visual system, but without getting bored, and with a greater degree of accuracy. (Image courtesy of Poggio Laboratory, MIT Department of Brain and Cognitive Sciences.)

課程重點

支持向量機(Support vector machines)已被證明是十分有用的分類網路。司機利用支持向量機來避開行人,是這項技術在全球範圍首先被廣泛應用的領域之一。

Support vector machines have proven to be very useful in classification networks. These SVMs are now being used by drivers for pedestrian avoidance. This is one of the first truly universal applications of this technology.

本課程是為了計畫在計算神經科學領域工作的高年級研究生開設。作業集中在一些使電腦更有效解決問題的功能。可供學生選擇的專題題目是基於這領域仍未解決的問題。課程結束後,學生應當可以解決這些問題的一二,也能對其他問題架構解決方法。

This course is for upper-level graduate students who are planning careers in computational neuroscience. The assignments focus on some of the functions needed to make problem-solving more efficient for computer systems. The project topics students can choose from are based on unsolved problems in the field today. By the conclusion of this course, students should be able to solve one or two of these problems, and should be able to frame an approach to the rest of them.

課程描述

由基於稀疏資料的多變數函數逼近理論入手,從現代統計學習理論的觀點關注有指導學習的問題。導出一些基本工具,如正則化包括用於回歸和分類的支持向量機。用穩定性理論和VC理論推導泛化邊界。討論增強(boosting)和特徵提取(feature selection)等相關問題。檢視在一些領域的應用:電腦視覺、電腦圖形學、文本分類和生物資訊學。課程計劃包括期末專題和實作應用和練習,與課程主題描述技術的實際應用快速增長並行。

Focuses on the problem of supervised learning from the perspective of modern statistical learning theory starting with the theory of multivariate function approximation from sparse data. Develops basic tools such as Regularization including Support Vector Machines for regression and classification. Derives generalization bounds using both stability and VC theory. Discusses topics such as boosting and feature selection. Examines applications in several areas: computer vision, computer graphics, text classification and bioinformatics. Final projects and hands-on applications and exercises are planned, paralleling the rapidly increasing practical uses of the techniques described in the subject.

師資

講師:
Tomaso Poggio 教授
Sayan Mukherjee 博士
Ryan Rifkin 博士
Alex Rakhlin

上課時數

教師授課:
每週2節
每節1.5小時

程度

研究所

其他資源

下載課程

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