境外开放课程——编辑志愿者
123>>> 1/3

1
Metric Anomaly Detection Via Asymmetric Risk Minimization[非对称风险最小化度量异常检测]
  Eitan Menahem(内盖夫本-古里安大学) 我们提出了似乎是第一个只从正面例子中学习的异常检测框架，并且对正常点和异常点的表现和惩罚的实质性差异非常敏感。我们的框架引入了一种新型的不对称性，即错...
热度：43

2
Lecture 25: Defining a Social Network for Our Purposes[讲座25：为我们的目的定义一个社交网络]
  Mehran Sahami(斯坦福大学) 欢迎回到另一个充满乐趣、令人兴奋的CS106A之日。在我们开始之前，请快速发布几个公告。第一个公告是两份讲义。其中一份讲义，我们今天将花一些时间讨论，是你最...
热度：44

3
Lecture 6 - Multinomial Event Model[讲座6 -多项事件模型 ]
  Andrew Ng(斯坦福大学) 多项式事件模型、非线性分类器、神经网络、神经网络的应用、支持向量机的直觉、支持向量机的符号、函数和几何边界
热度：75

4
Lecture 5 - Discriminative Algorithms[讲座5 - 判别算法]
  Andrew Ng(斯坦福大学) 判别算法、生成算法、高斯判别分析（GDA）、GDA和逻辑回归、朴素贝叶斯、拉普拉斯平滑
热度：90

5
Lecture 20: GUI[讲座20：图形用户界面]
  Mehran Sahami(斯坦福大学) 所以为了给你一个适当的激励，我们要做的是，当你交给他们的时候，本和我会仔细检查他们。我们将进行一次第一次传球，然后再进行一次我们认为最好的传球。然后我...
热度：31

6
Lecture 18: A Wrap Up of Multi-dimensional Arrays[讲座18：多维数组的总结]
  Mehran Sahami(斯坦福大学) 您的讲义之一也是期中解决方案，因此，如果您有任何问题，可以将答案与解决方案进行比较。还有一件事要记住，我们正在寻找的实际解决方案比我提供给您的解决方案...
热度：60

7
Lecture 13: String Processing[讲座13:字符串处理 ]
  Mehran Sahami(斯坦福大学) 现在，由于我们即将进入本季度中期，中期计划即将到来。所以，实际上，中期是下周。从周二起一周。我知道。季度过得太快了。如果你和中期有冲突，我指的是不可改...
热度：44

8
Lecture 12: Enumeration[讲座12:枚举]
  Mehran Sahami(斯坦福大学) 欢迎再次来到CS106A充满乐趣、令人兴奋的一天。在我们开始之前，请快速发布几个公告。事实上，今天没有讲义，你就像今天没有讲义一样，为什么后面有两个讲义？如...
热度：42

9
Lecture 7: The Loop and a Half Problem[讲座7:半循环的问题 ]
  Mehran Sahami(斯坦福大学) 好的。因此，在我们深入讨论讲座的主要内容之前，有一点非常快，那就是我们上次所做的关于演员阵容的澄清。记得上一次我们有一个强制转换的时候，就是这个东西让...
热度：52

10
Concentration Inequalities[集中不等式]
  Gabor Lugosi(蓬佩法布拉大学) 在这篇关于集中不等式的讨论中，我们指的是约束独立随机变量函数偏离其平均值的不等式。由于它们的通用性和优雅性，许多这样的结果已经在许多领域作为标准工具，...
热度：56

11
Education 173: Cognition & Learning in Educational Settings[教育173：认知与学习的教育设置]
  Michael Martinez(加州大学) 与教学有关的认知过程的研究文献浩如烟海，引人入胜。本课程旨在介绍许多学习理论和相关主题中的一些，这些理论对教学设计和教学实践都有帮助。
热度：49

12
Turing´s Pilot ACE: Why Not Important?[Turing's试点ACE：为什么不重要？]
  Frederick P. Brooks, Jr.(北卡罗来纳大学) Alan Turing对计算理论的贡献无与伦比。在这里，我们不仅要看看他的计算机——国家物理实验室的试点工程——的体系结构和实现。从架构上讲，ace是“不干净”机器...
热度：64

13
Fundamentals Of Metalogic[基本面元]
  John K. Slaney(澳大利亚国立大学) 本课程介绍基本逻辑的元理论。在复习符号基础和将经典逻辑用作表示语言之后，我们将重点放在模型和证明的两个概念上。介绍了标准语义学的一阶逻辑公理化系统，并...
热度：51

14
Which Supervised Learning Method Works Best for What? An Empirical Comparison of Learning Methods and Metrics[哪一种监督学习方法效果最好？学习方法和指标的实证比较]
  Rich Caruana(康奈尔大学) 决策树是可理解的，但是它们的性能是否足够好，您应该使用它们？支持向量机取代了神经网络，还是神经网络仍然是回归的最佳选择，支持向量机是分类的最佳选择？提...
热度：37

15
Testing and estimation in a sparse normal means model, with connections to shape restricted inference[一个稀疏的正规均值模型的测试和估计，与形状约束推理的连接]
  Jon Wellner(华盛顿大学) Donoho和Jin（2004）根据Inster（1999）的工作，研究了稀疏正态均值模型中任何信号的测试问题，发现存在一个“检测边界”，在该边界上可以检测到信号，在该边界...
热度：37
123>>> 1/3