Ml新课-《机器学习核方法》课程(2021) 视频及ppt分享

主要观点总结

这篇文章主要介绍了机器学习中的核方法，包括其应用场景、数学基础、主要方法以及应用领域。文章指出，核方法能够将许多最初为向量设计的统计方法的适用性扩展到几乎任何类型的数据，而不需要数据的显式矢量化。文章还提供了课程视频及ppt下载地址和相关资源推荐。

关键观点总结

关键观点1: 核方法的适用性

核方法能够将许多最初为向量设计的统计方法的适用性扩展到几乎任何类型的数据，适用于处理具有特定结构的数据，如蛋白质序列和结构、文本和XML文档、分割图片、时间序列等。

关键观点2: 核方法的数学基础

核方法基于正定核和再生核希尔伯特空间的理论，允许介绍几种核方法，包括核主成分分析和支持向量机。

关键观点3: 课程内容和资源

文章提供了课程视频及ppt下载地址，介绍了课程大纲，包括内核设计的数学问题、Mercer核和半群核的主要结果，以及字符串和图形的核的应用等。同时，还推荐了其他相关的机器学习课程资源。

文章预览

课程描述     机器学习在现实应用中可以形式化为经典的统计问题，例如模式识别、回归或降维，但需要注意的是数据通常不是数字的向量。例如，计算生物学中的蛋白质序列和结构，网络挖掘中的文本和XML文档，图像处理中的分割图片，或者语音识别和金融中的时间序列，都具有特定的结构，这些结构包含统计问题的相关信息，但是很难被编码成有限维向量表示。     核方法是一类非常适合这类问题的算法。事实上，它们将许多最初为向量设计的统计方法的适用性扩展到几乎任何类型的数据，而不需要数据的显式矢量化。这种向非向量扩展的代价是需要在对象之间定义一个所谓的正定核函数，形式上相当于数据的隐式矢量化。近年来，各种对象的内核设计“艺术”取得了重要进展，产生了许多最先进的算法和在许多领域的成功应用。      ………………………………