報告題目：A magic cross validation theory for large margin classifiers
報告時間：2018年6月28號（周四）10:00－11:30
報告地點：北辰校區理學院（西教五）416
報告嘉賓：Professor Hui Zou（University of Minnesota）
Abstract:
Cross validation is the most commonly used technique in machine learning for tuning the learning algorithm in order to achieve better generalization error rate. In this talk we present a magic CV theory which can allow users to very efficiently tune the support vector machine and related algorithms. The theory also provides a straightforward way to prove the Bayes consistency of these algorithms. We demonstrate our method on extensive simulations and benchmark data studies.
嘉賓簡介：
Zou Hui教授是明尼蘇達大學統計系教授，國際數理統計學會會士(IMS Fellow)。Zou Hui 教授于2011年獲得IMS Tweedie Award以及2013年獲得COGS Outstanding Faculty Award。Zou Hui 教授曾任或現任統計學頂級期刊Journal of the Royal Statistical Society， Series B、Annals of Statistics以及Journal of the American Statistical Association（與Biometrika合稱統計學四大天王期刊）的Associate Editor，并任機器學習頂級期刊Journal of Machine Learning Research的Action Editor。
Zou Hui教授自2005年至今已在統計學四大天王期刊發表近30篇論文。Zou Hui教授的工作當選2006年“Fast Breaking Paper in Mathematics”以及2008年“New Hot Paper in Mathematics”；Zou Hui教授于2014-2017年均被評為ISI高被引科學家（ISI Highly Cited Researcher）。截至目前，Zou Hui教授所發表的論文合計被引用次數高達19154次；特別，Zou Hui教授和Hastie教授2005年合作提出的Elastic Net，2006年Zou Hui教授提出的Adaptive LASSO方法，和Hastie教授、Tibshirani教授合作提出的稀疏主成分分析方法被引用次數分別高達7633次、4045次和1966次。Zou Hui教授也是最早在國內參與提出統計優化學科的專家之一。
