图 书 馆境外开放课程——按学科专业列表
开放课程→自然科学→信息科学与系统科学::
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
646Competitive Analysis: Self-organizing[竞争分析：自我组织]
Leiserson Charles E(麻省理工学院) 这将使用我们上次学习的有关摊余分析的一些技术。而且，我们今天要讨论的最有趣的是，它是一种比较算法的方法，即所谓的在线算法。我们将用一个叫做自组织列表的...
热度：42
Leiserson Charles E(麻省理工学院) 这将使用我们上次学习的有关摊余分析的一些技术。而且，我们今天要讨论的最有趣的是，它是一种比较算法的方法，即所谓的在线算法。我们将用一个叫做自组织列表的...
热度：42
647Lecture 13: Amortized Algorithms, Table Doubling, Potential Method[讲座13：摊销算法，表加倍，电位法]
Leiserson Charles E(麻省理工学院) 好的，早上好。所以今天我们要，正如我上周提到的，我们已经开始了课程的一部分，在这里我们要做的更多的事情与设计有关，而不是纯粹的分析。今天，我们实际上要...
热度：52
Leiserson Charles E(麻省理工学院) 好的，早上好。所以今天我们要，正如我上周提到的，我们已经开始了课程的一部分，在这里我们要做的更多的事情与设计有关，而不是纯粹的分析。今天，我们实际上要...
热度：52
648Lecture 11: Augmenting Data Structures, Dynamic Order Statistics, Interval Trees[讲座11：扩充数据结构，动态次序统计，区间树]
Leiserson Charles E(麻省理工学院) 早上好。今天我们将讨论增强数据结构。这是一个——通常情况下，您不需要从头开始设计数据结构，而是倾向于采用现有的数据结构并在其中构建您的功能。这是一个我...
热度：49
Leiserson Charles E(麻省理工学院) 早上好。今天我们将讨论增强数据结构。这是一个——通常情况下，您不需要从头开始设计数据结构，而是倾向于采用现有的数据结构并在其中构建您的功能。这是一个我...
热度：49
649Lecture 8: Efficiency and Order of Growth[讲座8：成长的效率与秩序]
John Guttag(麻省理工学院) 本课程围绕算法效率这一主题展开。介绍了计算的随机存取模型（RAM）和大O符号（big o notation）作为讨论增长顺序的一种方法。最后是二进制搜索。主题包括：效率...
热度：52
John Guttag(麻省理工学院) 本课程围绕算法效率这一主题展开。介绍了计算的随机存取模型（RAM）和大O符号（big o notation）作为讨论增长顺序的一种方法。最后是二进制搜索。主题包括：效率...
热度：52
650Multimodal Processing and Multimedia Understanding: Image Retrieval Using Eye Movements[多模态处理与多媒体理解：眼球运动的图像检索]
Fred Stentiford(伦敦大学学院) 他的演讲描述了在一个包含1000张图片的COREL数据库上执行纯视觉任务时探索眼睛行为的实验。结果表明，使用眼睛跟踪器进行图像识别比使用鼠标进行图像识别要快得...
热度：43
Fred Stentiford(伦敦大学学院) 他的演讲描述了在一个包含1000张图片的COREL数据库上执行纯视觉任务时探索眼睛行为的实验。结果表明，使用眼睛跟踪器进行图像识别比使用鼠标进行图像识别要快得...
热度：43
651Person detection and recognition, tracking and analysis[人的检测与识别，跟踪与分析]
Montse Pardàs(加泰罗尼亚理工大学) 演示文稿描述了E-Team3中进行的工作，重点介绍了多摄像机场景。首先，回顾这些场景的上下文和应用。然后，介绍了去年开发的一种多层次前景检测技术。接下来将介...
热度：61
Montse Pardàs(加泰罗尼亚理工大学) 演示文稿描述了E-Team3中进行的工作，重点介绍了多摄像机场景。首先，回顾这些场景的上下文和应用。然后，介绍了去年开发的一种多层次前景检测技术。接下来将介...
热度：61
652A Fast Active Learning Algorithm for Link Classification[一种用于链接分类的快速主动学习算法]
Giovanni Zappella(米兰大学) 提出了一种有效的有符号网络链路分类主动学习算法。我们的算法是由一个随机模型驱动的，在该模型中，通过与两个节点聚类一致的初始符号分配的扰动获得边缘标签。...
热度：50
Giovanni Zappella(米兰大学) 提出了一种有效的有符号网络链路分类主动学习算法。我们的算法是由一个随机模型驱动的，在该模型中，通过与两个节点聚类一致的初始符号分配的扰动获得边缘标签。...
热度：50
653Kernel Hyperalignment[内核超对齐]
Ramadge Peter J(普林斯顿大学) 我们提供了一个规则化的多集核扩展，正交procrustes问题，或超对齐。我们的新方法称为核超对齐，它扩展了超对齐的范围，包括非线性相似性度量，并使具有大量基本...
热度：41
Ramadge Peter J(普林斯顿大学) 我们提供了一个规则化的多集核扩展，正交procrustes问题，或超对齐。我们的新方法称为核超对齐，它扩展了超对齐的范围，包括非线性相似性度量，并使具有大量基本...
热度：41
654Unknown title[未知的标题]
Marta Poblet(巴塞罗那自治大学) author: Marta Poblet, Autonomous University of Barcelona published: Feb. 25, 2007, recorded: November 2004 Categories Top » Co...
热度：39
Marta Poblet(巴塞罗那自治大学) author: Marta Poblet, Autonomous University of Barcelona published: Feb. 25, 2007, recorded: November 2004 Categories Top » Co...
热度：39
655Discovering Frequent Patterns in Sensitive Data[发现敏感数据中的频繁模式]
Abhradeep Guha Thakurta(微软公司) 从数据中发现频繁的模式是数据挖掘中一种流行的探索技术。但是，如果数据是敏感的（例如，患者健康记录、用户行为记录），那么发布有关重要模式或趋势的信息会对...
热度：70
Abhradeep Guha Thakurta(微软公司) 从数据中发现频繁的模式是数据挖掘中一种流行的探索技术。但是，如果数据是敏感的（例如，患者健康记录、用户行为记录），那么发布有关重要模式或趋势的信息会对...
热度：70
656Versatile Publishing For Privacy Preservation[隐私保护的多功能出版]
Xin Jin(乔治华盛顿大学) 由于现有的准标识符/敏感属性（qi-sa）框架对数据发布的真实隐私需求建模不足，我们提出了一种新的通用发布方案，其中隐私需求可以指定为微数据表中属性的任意隐...
热度：46
Xin Jin(乔治华盛顿大学) 由于现有的准标识符/敏感属性（qi-sa）框架对数据发布的真实隐私需求建模不足，我们提出了一种新的通用发布方案，其中隐私需求可以指定为微数据表中属性的任意隐...
热度：46
657Mining Heterogeneous Information Networks[异构信息网络挖掘]
Jiawei Han(伊利诺伊大学) 随着信息网络的普及及其广泛的应用，人们对多学科信息网络的构建、在线分析处理和挖掘进行了大量的研究，其中包括社会网络分析、万维网、数据库系统、数据挖掘、...
热度：53
Jiawei Han(伊利诺伊大学) 随着信息网络的普及及其广泛的应用，人们对多学科信息网络的构建、在线分析处理和挖掘进行了大量的研究，其中包括社会网络分析、万维网、数据库系统、数据挖掘、...
热度：53
658Meme-tracking and the dynamics of the news cycle[文化基因跟踪和消息循环动力学]
Jure Leskovec(斯坦福大学) 在网络上跟踪新的主题、想法和备忘录是一个相当有趣的问题。最近的工作已经开发出跟踪长时间尺度上的主题转移以及特定命名实体外观的突然峰值的方法。然而，这些...
热度：49
Jure Leskovec(斯坦福大学) 在网络上跟踪新的主题、想法和备忘录是一个相当有趣的问题。最近的工作已经开发出跟踪长时间尺度上的主题转移以及特定命名实体外观的突然峰值的方法。然而，这些...
热度：49
659Regret-based Online Ranking for a Growing Digital Library[一个不断发展的数字图书馆的后悔在线排名]
Erick Delage(斯坦福大学) 使用排名的最常见环境采用非常具体的形式。用户在数字图书馆中按顺序生成查询。对于每个查询，排序应用于排序一组相关项目，用户从中选择自己喜欢的项目。这是在...
热度：49
Erick Delage(斯坦福大学) 使用排名的最常见环境采用非常具体的形式。用户在数字图书馆中按顺序生成查询。对于每个查询，排序应用于排序一组相关项目，用户从中选择自己喜欢的项目。这是在...
热度：49
660ANAPSID: An Adaptive Query Processing Engine for SPARQL Endpoints[ANAPSID: 一种适用于SPARQL端点的自适应查询处理引擎]
Maribel Acosta;Maria Esther Vidal(卡尔斯鲁厄理工学院) 按照链接数据的设计规则，支持远程查询处理的可用SPARQL端点的数量正在快速增长；但是，由于缺乏适应性，查询执行可能经常失败。首先，按照传统的“先优化后执行...
热度：28
Maribel Acosta;Maria Esther Vidal(卡尔斯鲁厄理工学院) 按照链接数据的设计规则，支持远程查询处理的可用SPARQL端点的数量正在快速增长；但是，由于缺乏适应性，查询执行可能经常失败。首先，按照传统的“先优化后执行...
热度：28