PhD course: "Regularization Methods for High Dimensional Learning"
Francesca Odone
[Perdonate eventuali copie multiple] [We apologize if you receive multiple copies]
------------------------------------------------------------------------------------
We announce a graduate student summer course on
"Regularization Methods for High Dimensional Learning",
within the PhD program in Computer Science and Information Technology of the University of Genova.
Instructors :
Francesca Odone (DISI- Universita' di Genova) od...@disi.unige.it
Lorenzo Rosasco (DISI-Universita' di Genova e CBCL - MIT) lros...@mit.edu
When: July, 5-9
Where: Department of Computer Science (DISI), University of Genova (http://www.disi.unige.it)
Web: http://slipguru.disi.unige.it/Teaching/odone_rosasco/
Registration: registration is free and requires sending an e-mail to one of the instructors before 15/05/2010.
The course will be held upon attainment of a minimum number of 20 participants.
Course Description:
The course is designed to provide a self contained introduction to state of the art statistical learning techniques for the analysis of complex high dimensional data. It is designed to be accessible to graduate students in computational sciences.
The subject of the course is motivated by the observation that in many modern applications, such as computational vision or bioinformatics, data are represented by hundreds or thousands of variables. In this high dimensional setting small samples become a major concern and classical statistical tools fall short at
providing satisfactory solutions.
Starting from the classical notion of smoothness underlying many kernel methods, we present several principles for high dimensional learning. In particular we discuss algorithms motivated by geometry of the data (manifold learning), sparsity and multi-output learning.
The emphasis of the course will be on algorithmic issues and matlab sessions will provide students with hands on experience. Applications to computer vision and bioinformatics will be discussed. Fundamental concepts from the theory, such as the notion of generalization and regularization, will be described.
------------------------------------------------------------------------------
Segnaliamo il corso di Dottorato, organizzato nell'ambito della Scuola di Dottorato di Scienze e Tecnologie della Conoscenza dell'Universita' degli Studi di Genova,
"Regularization Methods for High Dimensional Learning"
tenuto dalla Dott. Francesca Odone (DISI- Universita' di Genova) e dal Dott. Lorenzo Rosasco (DISI-Universita' di Genova e CBCL - MIT).
Contatti: od...@disi.unige.it lros...@mit.edu
Il corso si svolgera', previo il raggiungimento del numero minimo di 20 iscritti, nella settimana 5-9 Luglio 2010 presso il DISI (http://www.disi.unige.it).
Vista la sua organizzazione in formato compresso il corso puo' essere di interesse anche per studenti di dottorato di altre sedi.
Il corso e' gratuito ma l'iscrizione, da effettuarsi mandando una email ai docenti, e' obbligatoria e si chiudera' il 15/05/2010.
Per maggiori informazioni: http://slipguru.disi.unige.it/Teaching/odone_rosasco/
Descrizione del Corso:
Lo scopo del corso e' quello di fornire un'introduzione ai piu' recenti metodi di apprendimento automatico per il trattamento di dati in alta dimensione.
Tale argomento e' di interesse in numerose branche delle scienze applicate, quali la visione computazionale e la bioinformatica, dove i dati sono descritti da migliaia di attributi. In questi scenari, il problema della bassa cardinalita' dei campioni diventa rilevante e, nella maggior parte dei casi, gli strumenti della statistica classica non consentono di ottenere risultati soddisfacenti.
Oltre a presentare tecniche di apprendimento ormai consolidate, quali i metodi di kernel, il corso prevede una descrizione dettagliata di diverse principi ed algoritmi per la modellazione di dati in alta dimensione. In particolare verrano discussi algoritmi recentemente proposti basati sulla geometria intrinseca dei dati (apprendimento da varieta'), sull'analisi di segnali sparsi e sull'apprendimento congiunto di molteplici problemi.
Il corso pone particolare enfasi agli aspetti algoritmici e prevede sessioni di laboratorio (svolte in ambiente matlab) durante le quali gli studenti possono sperimentare con le tecniche di apprendimento presentate.
Saranno inoltre oggetto del corso:
- applicazioni tratte dalla visione computazione e dalla bioinformatica,
- discussione dei principali concetti della teoria quali le proprieta' di generalizzazione e la regolarizzazione.