应002资讯网孙杰宝邀请，美国普渡大学林光教授将于近日来访公司，做机器学习和数据科学在科学和工程研究中的应用的有关报告，以下是报告信息，欢迎感兴趣的师生参加。

时间：2019年6月10日 14:00开始

地点：格物楼503

题目：Uncertainty Quantification and Machine Learning of the Physical Laws Hidden Behind the Noisy Data

摘要：In this talk, I will present a new data-driven paradigm on how to quantify the structural uncertainty (model-form uncertainty) and learn the physical laws hidden behind the noisy data in the complex systems governed by partial differential equations. The key idea is to identify the terms in the underlying equations and to approximate the coefficients of the terms with error bars using Bayesian machine learning algorithms on the available noisy measurement. In particular, Bayesian sparse feature selection and parameter estimation are performed. Numerical experiments show the robustness of the learning algorithms with respect to noisy data and size, and its ability to learn various candidate equations with error bars to represent the quantified uncertainty.

报告人简介：林光教授是普渡大学普渡大学数据科学咨询服务中心主任、数学，统计系和机械工程学院副教授。他于1997年在浙江大学获得本科学位，并于2004年和2007年分别获得布朗大学应用数学硕士学位和博士学位。2016年，他获得了美国自然科学基金会教师早期职业发展奖，以表彰他在智能电网系统不确定性量化和大数据分析方面的工作。林光还在2015年获得了数员工物科学研究所早期职业奖。他开发了先进的优化算法来校准复杂的全球和区域气候模型。为了这项工作，他在2012年获得了能源部太平洋西北国家实验室颁发的Ronald L. Brodzinski早期职业杰出成就奖。他还获得了2010年美国能源部的领导并行计算挑战奖，以表彰他在使用高级超级计算机分析大气候数据方面所做的工作。他曾担任SIAM多重建模和模拟的副主编，并在许多国际期刊的编辑委员会中任职。2019年他还获得了普渡大学的大学学者奖和中级职业生涯Sigma Xi成就奖。

林光教授个人主页：https://www.math.purdue.edu/~lin491/