“机器学习理论及其在医学数据分析中的应用” 短期课程班（I）
点击次数：1868 发布时间：2019-12-16 08:10:00
为了进一步探索机器学习理论与算法及其在医学数据分析中的应用，数学学院医学大数据中心特邀请来自美国哈佛大学医学院及麻省总医院（MGH）博士后孙毫棋、新加坡南洋理工大学研究员经津、加拿大卡尔加里大学终身教授王欣、美国新墨西哥州立大学教授王通会、美国麻省大学阿姆赫斯特分校访问教授魏征五位专家来我校开展为期两周短期课程班，并就相关内容与我校教师和学生展开研讨。
课程题目：Understanding machine learning from the Bayesian perspective
(从贝叶斯角度理解机器学习)
主 讲 人：Haoqi Sun (孙毫棋)
Nanyang Technological University, Singapore (新加坡南洋理工大学)
Harvard Medical School/ Massachusetts General Hospital(美国哈佛医学院/麻省总医院)
主讲人简介：
孙毫棋，男，2013年获同济大学生物信息专业学士学位，2017年获新加坡南洋理工大学跨学科研究生学院博士学位，博士导师为新加坡南洋理工大学电子电气工程学院黄广斌教授和Fraunhofer IDM@NTU人机交互实验室带头人Olga Sourina博士。现为美国哈佛大学医学院与麻省总医院神经内科博士后。攻读博士学位期间参与了德国宝马集团和南洋理工大学联合研究实验室（BMW-NTU Future Mobility Research Laboratory）的脑机交互项目(2013-2017)。目前的研究方向主要包括：机器学习及其方法应用、脑电波分析与检测、计算神经学。
在脑电波方向，主要研究使用机器学习方法来识别注意力（attention），包括选择性注意力（selective attention）和持续性注意力（sustained attention，也称警觉度vigilance）。并提出警觉度阶段模型（vigilance stage model），用于驾驶员注意力检测。在计算神经学方向，提出联合神经可塑性（joint spike-timing dependent plasticity）用于检测多重同步神经集团（polychronous neuronal group），从而实现神经脉冲的解码。目前正在参与哈佛医学院的基于大数据脑电波的睡眠分类（sleep staging）项目，探讨在大数据背景下，睡眠分类的效果和训练样本数量、测试样本数量以及分类器复杂度之间的关系。
课程摘要：
本课程基于贝叶斯分析的角度，从最简单的线性回归（linear regression）入手，依次展开线性分类（linear classification）、核方法（kernel methods）、图模型（graphical models）、变分推断（variational inference）、蒙特卡洛采样（Monte Carlo sampling）等机器学习中几类典型方法的讲解，并梳理各方法之间的关系。
主讲人简介：
孙毫棋，男，2013年获同济大学生物信息专业学士学位，2017年获新加坡南洋理工大学跨学科研究生学院博士学位，博士导师为新加坡南洋理工大学电子电气工程学院黄广斌教授和Fraunhofer IDM@NTU人机交互实验室带头人Olga Sourina博士。现为美国哈佛大学医学院与麻省总医院神经内科博士后。攻读博士学位期间参与了德国宝马集团和南洋理工大学联合研究实验室（BMW-NTU Future Mobility Research Laboratory）的脑机交互项目(2013-2017)。目前的研究方向主要包括：机器学习及其方法应用、脑电波分析与检测、计算神经学。
在脑电波方向，主要研究使用机器学习方法来识别注意力（attention），包括选择性注意力（selective attention）和持续性注意力（sustained attention，也称警觉度vigilance）。并提出警觉度阶段模型（vigilance stage model），用于驾驶员注意力检测。在计算神经学方向，提出联合神经可塑性（joint spike-timing dependent plasticity）用于检测多重同步神经集团（polychronous neuronal group），从而实现神经脉冲的解码。目前正在参与哈佛医学院的基于大数据脑电波的睡眠分类（sleep staging）项目，探讨在大数据背景下，睡眠分类的效果和训练样本数量、测试样本数量以及分类器复杂度之间的关系。
课程摘要：
本课程基于贝叶斯分析的角度，从最简单的线性回归（linear regression）入手，依次展开线性分类（linear classification）、核方法（kernel methods）、图模型（graphical models）、变分推断（variational inference）、蒙特卡洛采样（Monte Carlo sampling）等机器学习中几类典型方法的讲解，并梳理各方法之间的关系。
医学大数据研究中心
数学学院
2017年5月30日