<div dir="ltr"><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small"><div class="gmail_default" style="color:rgb(0,0,0)">Prezados(as):</div><div class="gmail_default" style="color:rgb(0,0,0)"><br></div><div class="gmail_default" style="color:rgb(0,0,0);font-size:16px"><div class="gmail_default" style="font-size:small">Dando  sequência de Seminários em: </div><div class="gmail_default"><font color="#131313" style="font-family:serif"><font face="Lucida Grande"><b>Kernel-based learning methods: </b>Applications toward </font></font><font face="Lucida Grande">Inference for Large Scale Text Classification</font>​.</div><div class="gmail_default" style="font-size:small"><br></div><div class="gmail_default" style="font-size:small">Horário: 19/04 13 as 14hs.</div><div class="gmail_default" style="font-size:small"><b>Novo Local:</b> Sala 321 IMECC. para os dias 19 e 24/4</div><div class="gmail_default" style="font-size:small"><br></div><div class="gmail_default" style="font-size:small">Em 12/04 vimos que: o que é costumeiramente chamado de SVM, é de fato <i>Maximal Margin classifiers</i> e <i>Support vector classifiers</i> (casos particulares de SVM). Observamos que o problema dual de otimização envolve produtos internos e assim pode-se criar kernels usando <i>high dimension maps</i> sem necessariamente termos que calcular os produtos internos destas aplicações. O que nos levou a compreensão de como <i>High dimension</i> é útil para encontrar o plano separador e a compreensão do conceito <i>VC dimension. </i>Esta semana discutiremos <i>probabilistic approach to SVM. </i>Vamos mostrar como o problema dual de otimização pode ser visto como um problema de máxima verossimilhança penalizada. E a solução herda todas as boas propriedades do estimadores de máxima verossimilhança.</div></div></div><br clear="all"><div><br></div>-- <br><div class="gmail_signature"><div dir="ltr"><div><div>Ronaldo Dias</div>Professor<div>Dept. of Statistics-IMECC, UNICAMP</div><div><a href="http://www.ime.unicamp.br/~dias" target="_blank">www.ime.unicamp.br/~dias</a></div><div><br></div></div></div></div>
</div>