哥大教授Vladimir Vapnik讲解《关于学习的全面统计理论》，59页PPT

• 概述：关于学习的全面统计理论
• 第 1 部分：VC 泛化理论
• 第 2 部分：最小化的目标函数
• 第 3 部分：选择可接受的函数集
• 第 4 部分：再现内核希尔伯特空间 (RKHS) 的完整解决方案
• 第 5 部分：神经网络中的 LUSI 方法
• 第 6 部分：谓词示例

作者简介：
Vapnik 教授，哥伦比亚大学计算机科学教授，在计算机科学、理论和应用统计学方面教学和研究超过 30 年。出版专着6部，研究论文百余篇。他的主要成就是发展了一种利用经验数据最小化预期风险的一般理论，以及一种称为支持向量机的新型学习机，它具有高水平的泛化能力。这些技术已用于解决许多模式识别和回归估计问题，并已应用于依赖估计、预测和构建智能机器的问题。