1月2日，人工智能系列读书班活动继续开展，张晓亮博士主持了“降维与度量学习”内容，先介绍了K近邻学习、低维嵌入中的多维缩放MDS算法；然后着重介绍了常用的降维算法中的主成分分析PCA、核化线性降维中的核主成分分析KPCA，流形学习的等度量映射Isomap、局部线性嵌入LLE以及度量学习中的近邻成分分析NCA等：
图1 张晓亮博士主持“降维与度量学习”讨论会
自由讨论环节，大家集中讨论了同胚（拓扑空间之间的连续性与开闭集的保持；是研究流形性质的重要工具）与同构（结构之间的代数性质的完全一致性）的区别；大家又分析了常用的几种核函数（线性核、多项式核、高斯核、径向基核、Sigmoid核、复合核等），指出预先定义核函数的局限性，着重讨论了从数据中学习到核函数的可能性。
（会议总结：沈来信）