境外开放课程——按学科专业列表
开放课程工程与技术科学计算机科学技术人工智能::

1
Introduction To Deep Learning[深度学习简介]
  Alexander Amini;Ava Soleimany(麻省理工学院) 这是麻省理工学院关于深度学习方法的入门课程,可应用于计算机视觉、自然语言处理、生物学等!学生将获得深度学习算法的基础知识,并获得在 TensorFlow 中构建神...
热度:3

2
Social And Ethical Responsibilities Of Computing (SERC)[计算的社会和伦理责任 (SERC)]
  Prof. Julie Shah;Prof. David Kaiser(麻省理工学院) 该网站是为麻省理工学院课程开发的 SERC 教学材料的资源。SERC 汇集了由教师、研究人员和学生组成的跨学科团队,开发原创教学材料,以满足我们的目标,即通过结...
热度:5

3
Day Of AI[人工智能日]
  MIT RAISE(麻省理工学院) 该资源旨在通过课程包和教师培训,支持教师和教育工作者在课堂上开展人工智能日活动,所有这些都免费提供给参与者。 该课程由麻省理工学院RAISE的领先教师和...
热度:3

4
Brains, Minds And Machines Summer Course[大脑、思想和机器暑期课程]
  Prof. Tomaso Poggio;Prof. Gabriel Kreiman(麻省理工学院) 本课程探讨了智能的问题——它的本质、它是如何由大脑产生的,以及它如何在机器中复制——使用一种整合认知科学的方法,研究心灵;神经科学,研究大脑;以及计算机...
热度:9

5
WP4: Advanced Image Processing and Deep Learning[WP4:高级图像处理和深度学习]
  Franz Rottensteiner(德国汉诺威大学) WP4:高级图像处理和深度学习
热度:7

6
Patients-centered care plan based on Big Data and AI technologies[基于大数据和人工智能技术的以患者为中心的护理计划]
  Izidor Mlakar(马里博尔大学) 基于大数据和人工智能技术的以患者为中心的护理计划
热度:9

7
Addressing global challenges related to SDGs with AI[利用人工智能应对与可持续发展目标相关的全球挑战]
  Mitja Jermol(Jožef Stefan研究所信息技术知识转移中心) 利用人工智能应对与可持续发展目标相关的全球挑战
热度:7

8
EEG data analysis and AI/ML methods for brain conditions[脑电数据分析和脑状况的AI/ML方法]
  Katerina Tzimourta(西马其顿大学) 脑电数据分析和脑状况的AI/ML方法
热度:9

9
AI/ML in healthcare[医疗保健领域的人工智能/机器学习]
  Aleksander Sadikov(卢布尔雅那大学) 医疗保健领域的人工智能/机器学习
热度:5

10
Graph-based Semi-supervised Learning[基于图的半监督学习]
  Zoubin Ghahramani(剑桥大学) 基于图的半监督学习
热度:17

11
Escaping From Saddle Points --- Online Stochastic Gradient for Tensor Decomposition[逃离鞍点——张量分解的在线随机梯度]
  Furong Huang(加州大学欧文分校) 我们分析了优化非凸函数的随机梯度下降。对于非凸函数,通常可以找到一个合理的局部最小值,主要担心的是梯度更新被困在鞍点中。在本文中,我们确定了允许有效优...
热度:8

12
Subspace Learning[子空间学习]
  Alessandro Rudi(意大利理工学院) 这项工作处理了在一般希尔伯特空间设置中的线性子空间估计问题。在相同的假设下,我们提供了比现有边界清晰得多的边界。这些边界也与允许做出强有力的进一步假设...
热度:8

13
An Infinite Restricted Boltzmann Machine[无限受限玻尔兹曼机]
  Marc-Alexandre Côté(舍布鲁克大学) 无限受限玻尔兹曼机
热度:10

14
Robust Near-Separable Nonnegative Matrix Factorization Using Linear Optimization[基于线性优化的鲁棒近可分非负矩阵分解]
  Nicolas Gillis(卢万天主教大学) 最近,非负矩阵因子分解(NMF)已被证明在可分性假设下是可处理的,这相当于输入数据矩阵的列属于由少量列生成的凸锥。Bittorf、Recht、R´e和Tropp(“用线性规...
热度:10

15
Approval Voting and Incentives in Crowdsourcing[众包中的审批投票和激励措施]
   Nihar B. Shah(加州大学伯克利分校) 对标记训练数据的需求日益增长,使得众包成为机器学习的重要组成部分。然而,众包标签的质量受到三个因素的不利影响:(1)工人不是专家;(2) 工人的激励措施...
热度:7