為了進一步探索機器學習理論與算法及其在醫學數據分析中的應用，數學學院醫學大數據中心特邀請來自美國哈佛大學醫學院及麻省總醫院（MGH）博士后孫毫棋、新加坡南洋理工大學研究員經津、加拿大卡爾加里大學終身教授王欣、美國新墨西哥州立大學教授王通會、美國麻省大學阿姆赫斯特分校訪問教授魏征五位專家來我校開展為期兩周短期課程班，并就相關內容與我校教師和學生展開研討。 課程題目：Understanding machine learning from the Bayesian perspective (從貝葉斯角度理解機器學習) 主 講 人：Haoqi?Sun?(孫毫棋) Nanyang Technological University, Singapore?(新加坡南洋理工大學) Harvard Medical School/ Massachusetts?General Hospital(美國哈佛醫學院/麻省總醫院) ? 主講人簡介： 孫毫棋，男，2013年獲同濟大學生物信息專業學士學位，2017年獲新加坡南洋理工大學跨學科研究生學院博士學位，博士導師為新加坡南洋理工大學電子電氣工程學院黃廣斌教授和Fraunhofer IDM@NTU人機交互實驗室帶頭人Olga Sourina博士。現為美國哈佛大學醫學院與麻省總醫院神經內科博士后。攻讀博士學位期間參與了德國寶馬集團和南洋理工大學聯合研究實驗室（BMW-NTU Future Mobility Research Laboratory）的腦機交互項目(2013-2017)。目前的研究方向主要包括：機器學習及其方法應用、腦電波分析與檢測、計算神經學。 在腦電波方向，主要研究使用機器學習方法來識別注意力（attention），包括選擇性注意力（selective attention）和持續性注意力（sustained attention，也稱警覺度vigilance）。并提出警覺度階段模型（vigilance stage model），用于駕駛員注意力檢測。在計算神經學方向，提出聯合神經可塑性（joint spike-timing dependent plasticity）用于檢測多重同步神經集團（polychronous neuronal group），從而實現神經脈沖的解碼。目前正在參與哈佛醫學院的基于大數據腦電波的睡眠分類（sleep staging）項目，探討在大數據背景下，睡眠分類的效果和訓練樣本數量、測試樣本數量以及分類器復雜度之間的關系。 課程摘要： 本課程基于貝葉斯分析的角度，從最簡單的線性回歸（linear regression）入手，依次展開線性分類（linear classification）、核方法（kernel methods）、圖模型（graphical models）、變分推斷（variational inference）、蒙特卡洛采樣（Monte Carlo sampling）等機器學習中幾類典型方法的講解，并梳理各方法之間的關系。

醫學大數據研究中心

數學學院

2017年5月30日