*** empty log message ***
authorWebmaster <www@csclub.uwaterloo.ca>
Tue, 3 Apr 2007 14:46:17 +0000 (14:46 +0000)
committerWebmaster <www@csclub.uwaterloo.ca>
Tue, 3 Apr 2007 14:46:17 +0000 (14:46 +0000)
events.xml

index 6b9402e..abc9d39 100755 (executable)
@@ -26,6 +26,23 @@ Richard Stallman has cancelled his trip to Canada.
         </abstract>
   </eventitem>
 
+  <eventitem date="2007-04-01" time="4:30 PM" room="MC 3036" title="Surprise
+    Bill Gates Visit">
+   <abstract>
+   <p>
+   While reading Slashdot, Bill came across the recently digitized audio
+   recording of his 1989 talk at the Computer Science Club. As Bill has always
+   had a soft-spot for the Computer Science Club, he has decided to pay us a
+   surprise visit.
+   <br/><br/>
+   Bill promises to give away free copies of Windows Vista Ultimate, because
+   frankly, nobody here (except j2simpso) wants to pay for a frisbee. Be sure
+   to bring your resumes kids, because Bill will be recruiting for some 
+   exciting new positions at Microsoft, including Mindless Drone, Junior Code
+   Monkey, and Assistant Human Cannonball.
+   </p>
+   </abstract>
+ </eventitem>
 
   <eventitem date="2007-03-28" time="5:30 PM"
    room="MC 1056" title="Computational Physics Simulations">
@@ -58,12 +75,20 @@ along with a brief discussion of some of the technology behind it.
   </eventitem>
 
 
-  <eventitem date="2007-03-30" time="4:30 PM"
-   room="MC 1056" title="TBA">
+  <eventitem date="2007-04-03" time="4:30 PM"
+   room="MC 1056" title="Data Analysis with Kernels: [an introduction]">
    <short>A talk by Michael Biggs</short>
    <abstract>
    <p>
-       To be announced
+I am going to take an intuitive, CS-style approach to a discussion about the
+use of kernels in modern data analysis.  This approach often lends us
+efficient ways to consider a dataset under various choices of inner product,
+which is roughly comparable to a measure of "similarity".  Many new tools in
+AI arise from kernel methods, such as the infamous Support Vector Machines for
+classification, and kernel-PCA for nonlinear dimensionality reduction.  I will
+attempt to highlight, and provide visualization for some of the math involved
+in these methods while keeping the material at an accessible, undergraduate
+level.
     </p>
     </abstract>
   </eventitem>