境外开放课程——按学科专业列表
开放课程→工程与技术科学→工程与技术科学基础学科::工程数学 | 工程控制论 | 工程力学 | 工程物理学 | 工程地质学 | 工程水文学 | 工程仿生学 | 工程心理学 | 标准化科学技术 | 计量学 | 工程图学 | 勘查技术 | 工程通用技术 | 工业工程学
121
Alan Turing: Codebreaker and AI Pioneer[阿兰·图灵:密码破坏者和人工智能先锋]
B. Jack Copeland(坎特伯雷大学) 在布莱切利公园(Bletchley Park)打破拯救英国和纳粹德国的代码,是第二次世界大战中最伟大的故事之一,被误解的天才艾伦·图灵(Alan Turing)站在这个故事的中...
热度:80
B. Jack Copeland(坎特伯雷大学) 在布莱切利公园(Bletchley Park)打破拯救英国和纳粹德国的代码,是第二次世界大战中最伟大的故事之一,被误解的天才艾伦·图灵(Alan Turing)站在这个故事的中...
热度:80
122
Doing R&D Smarter: A More Effective Approach to Industrial R&D[智能化研发:更有效的工业研发方法]
Markus Bayegan(ABB公司) 更加智能地研发:一种更有效的工业研发方法
热度:67
Markus Bayegan(ABB公司) 更加智能地研发:一种更有效的工业研发方法
热度:67
123
Airline Security: Where are We?[航空公司保安:我们在哪里?]
Arnold I. Barnett(麻省理工学院) 9/11事件引发了日常生活各方面的大量安全措施,其中许多旨在避免对飞机的重复攻击。所以你可能会想象飞行的风险大大降低了。阿诺德·巴奈特(Arnold Barnett)说...
热度:112
Arnold I. Barnett(麻省理工学院) 9/11事件引发了日常生活各方面的大量安全措施,其中许多旨在避免对飞机的重复攻击。所以你可能会想象飞行的风险大大降低了。阿诺德·巴奈特(Arnold Barnett)说...
热度:112
124
The Mysterious Field of Engineering Systems[工程系统的神秘领域]
Norman Augustine(洛克希德马丁公司) 这个国家备受尊敬的技术领导者之一在工程系统(或系统工程)的滑动主题上传授轶事和智慧。诺姆奥古斯丁根本无法理解这个学科:“没有人同意它是什么,或者它做了...
热度:50
Norman Augustine(洛克希德马丁公司) 这个国家备受尊敬的技术领导者之一在工程系统(或系统工程)的滑动主题上传授轶事和智慧。诺姆奥古斯丁根本无法理解这个学科:“没有人同意它是什么,或者它做了...
热度:50
125
Putting Bayes to sleep[让贝斯睡觉]
Wouter M. Koolen(中华科技中心公司) 我们考虑从一组模型作为输入给出预测的顺序预测算法。如果数据的性质随着时间的推移而变化,因为不同的模型可以很好地预测数据的不同部分,那么通常通过将每一轮...
热度:60
Wouter M. Koolen(中华科技中心公司) 我们考虑从一组模型作为输入给出预测的顺序预测算法。如果数据的性质随着时间的推移而变化,因为不同的模型可以很好地预测数据的不同部分,那么通常通过将每一轮...
热度:60
126
Selecting Diverse Features via Spectral Regularization[通过光谱正则化选择不同的特征]
Abhimanyu Das(微软公司) 我们研究了线性回归中不同特征选择的问题:选择一小部分可以预测给定目标的不同特征。由于诸如可解释性,对噪声的鲁棒性等几个原因,多样性是有用的。我们提出了...
热度:48
Abhimanyu Das(微软公司) 我们研究了线性回归中不同特征选择的问题:选择一小部分可以预测给定目标的不同特征。由于诸如可解释性,对噪声的鲁棒性等几个原因,多样性是有用的。我们提出了...
热度:48
127
Learning Concurrent Motor Skills in Versatile Solution Spaces[在多功能解决方案空间学习并行运动技能]
Christian Daniel(达姆施塔特工业大学) 未来的智能机器人需要与不确定和不断变化的环境进行互动。允许机器人代理适应这种情况的一个关键方面是使他们能够学习针对一个问题的多种解决方案策略,使得即使...
热度:45
Christian Daniel(达姆施塔特工业大学) 未来的智能机器人需要与不确定和不断变化的环境进行互动。允许机器人代理适应这种情况的一个关键方面是使他们能够学习针对一个问题的多种解决方案策略,使得即使...
热度:45
128
Kernel Learning for Novelty Detection[新颖性检测的核学习 ]
John Shawe-Taylor(伦敦大学学院) 我们考虑一类支持向量机的内核学习。我们考虑单个权重向量范数的2和1范数的混合,允许控制所得到的核组合的稀疏性。可以使用坐标梯度方法有效地解决所得到的优化...
热度:31
John Shawe-Taylor(伦敦大学学院) 我们考虑一类支持向量机的内核学习。我们考虑单个权重向量范数的2和1范数的混合,允许控制所得到的核组合的稀疏性。可以使用坐标梯度方法有效地解决所得到的优化...
热度:31
129
Parameter estimation in biochemical reaction networks: An observer-based approach[基于观测器的生化反应网络参数估计 ]
Eric Bullinger(斯图加特大学) 生物系统建模的一个重要瓶颈是动力学参数的实验数据稀缺。测量技术的最新进展增加了从时间序列数据推断这些参数的可行性(Anguelova等,2007; Voit和Almeida,20...
热度:50
Eric Bullinger(斯图加特大学) 生物系统建模的一个重要瓶颈是动力学参数的实验数据稀缺。测量技术的最新进展增加了从时间序列数据推断这些参数的可行性(Anguelova等,2007; Voit和Almeida,20...
热度:50
130
Drilling the Ice from the Past to the Future[将冰从过去钻到未来]
Alexey A. Ekaykin(北极和南极研究所) 2012年2月5日,钻井大师的硬化手翻开了南极探险编年史的新篇章。在俄罗斯东方站的雪沙漠中心,一个无聊的机器的头部刺穿了冰川,触及了隐藏在4公里长的冰下数百...
热度:38
Alexey A. Ekaykin(北极和南极研究所) 2012年2月5日,钻井大师的硬化手翻开了南极探险编年史的新篇章。在俄罗斯东方站的雪沙漠中心,一个无聊的机器的头部刺穿了冰川,触及了隐藏在4公里长的冰下数百...
热度:38
131
Temporal Recommendation on Graphs via Long- and Short-term Preference Fusion[通过长期和短期偏好融合对图形的时间建议]
Quan Yuan(IBM公司) 随着时间的推移准确捕获用户偏好是推荐系统中的一个重大实际挑战。随着时间的简单关联通常没有意义,因为用户由于不同的外部事件而改变他们的偏好。用户行为通常...
热度:123
Quan Yuan(IBM公司) 随着时间的推移准确捕获用户偏好是推荐系统中的一个重大实际挑战。随着时间的简单关联通常没有意义,因为用户由于不同的外部事件而改变他们的偏好。用户行为通常...
热度:123
132
Mass Estimation and Its Applications[质量估计及其应用]
Kai Ming Ting(澳大利亚联邦大学) 本文介绍了质量估计 - 数据挖掘中的基础建模机制。它为质量提供了理论基础,也是估算质量的有效方法。我们证明它在信息检索,回归和异常检测等任务中非常有效地...
热度:56
Kai Ming Ting(澳大利亚联邦大学) 本文介绍了质量估计 - 数据挖掘中的基础建模机制。它为质量提供了理论基础,也是估算质量的有效方法。我们证明它在信息检索,回归和异常检测等任务中非常有效地...
热度:56
133
Finding Effectors in Social Networks[在社交网络中寻找效应器]
Evimaria Terzi(波士顿大学) 假设网络(V,E),其中V中的节点的子集是活动的。我们考虑在给定的信息传播模型下选择一组k个活动节点以最好地解释观察到的激活状态的问题。我们将这些节点称为...
热度:61
Evimaria Terzi(波士顿大学) 假设网络(V,E),其中V中的节点的子集是活动的。我们考虑在给定的信息传播模型下选择一组k个活动节点以最好地解释观察到的激活状态的问题。我们将这些节点称为...
热度:61
134
Learning through Exploration[探索性学习]
John Langford, Alina Beygelzimer(IBM公司) 本教程是关于通过探索学习的。目标是学习如何在部分反馈设置中做出决策,其中代理反复观察某些信息,选择一个动作,然后了解这个动作是如何得到回报的(但是没有...
热度:49
John Langford, Alina Beygelzimer(IBM公司) 本教程是关于通过探索学习的。目标是学习如何在部分反馈设置中做出决策,其中代理反复观察某些信息,选择一个动作,然后了解这个动作是如何得到回报的(但是没有...
热度:49
135
Recommender Problems for Web Applications[Web应用程序的推荐程序问题]
Bee-Chung Chen, Deepak Agarwal(领英公司) 在这个为期半天的教程中,我们深入介绍了在Web应用程序的推荐问题中出现的数据挖掘挑战。自Netflix发布大型电影评级数据集以来,推荐人问题受到了相当多的关注。...
热度:61
Bee-Chung Chen, Deepak Agarwal(领英公司) 在这个为期半天的教程中,我们深入介绍了在Web应用程序的推荐问题中出现的数据挖掘挑战。自Netflix发布大型电影评级数据集以来,推荐人问题受到了相当多的关注。...
热度:61