境外开放课程——按学科专业列表
开放课程→自然科学→数学→数学分析::

166
Gaussian Process Product Models for Nonparametric Nonstationarity[非参数非平稳性的高斯过程产品模型]
  Oliver Stegle(马克斯普朗克研究所) 对于高斯过程回归，平稳性通常是不现实的先验假设。一种解决方案是预定义明确的非平稳协方差函数，但是这种协方差函数可能难以指定并且需要详细的非平稳性的先验...
热度：69

167
Detecting Statistical Interactions with Additive Groves of Trees[用树的附加树枝检测统计相互作用]
  Daria Sorokina(康奈尔大学) 发现附加结构是理解复杂多维函数的重要步骤，因为它允许函数表示为较低维度分量的总和。然而，当变量相互作用时，它们的效果不是相加的，必须同时建模和解释。我...
热度：79

168
Efficiently Learning Linear-Linear Exponential Family Prof Stateedictive Representations[有效学习状态的线性线性指数族预测表示]
  Satinder Singh(密歇根大学) 指数族PSR（EFPSR）模型通过将状态表示为未来观察的短期窗口上的指数族分布的参数来捕获随机动力系统。它们从学习的角度来看具有吸引力，因为它们被完全观察到（...
热度：81

169
Sequential and factorized NML models[顺序和分解的NML模型]
  Tomi Silander(赫尔辛基学校) 目前，用于学习贝叶斯网络的最流行的模型选择标准是具有共轭先验的贝叶斯混合。最近报道了该方法对先前超参数的选择非常敏感。另一方面，一般模型选择标准AIC和B...
热度：68

170
A Generalization of Haussler's Convolution Kernel - Mapping Kernel[Haussler卷积核映射核的推广]
  Kilho Shin(卡内基梅隆大学) Haussler的卷积内核为工程新的半正定内核提供了一个成功的框架，并已应用于各种数据类型和应用程序。在框架中，每个数据对象代表一组有限的细粒度组件。然后，Ha...
热度：73

171
Learning to Classify with Missing and Corrupted Features[学习使用缺失和损坏的功能进行分类]
  Ohad Shamir(魏茨曼科学研究所) 在使用机器学习算法训练分类器并在现实世界系统中使用之后，它经常面对未出现在训练数据中的噪声。特别是，某些功能子集可能丢失或可能已损坏。我们提出了两种新...
热度：60

172
Multi-Classification by Categorical Features via Clustering[通过聚类按分类特征进行多重分类]
  Yevgeny Seldin(哥本哈根大学) 我们推导出基于分类参数乘积空间中的网格聚类的多分类方案的泛化界。网格聚类以每个参数的分区的笛卡尔积的形式对参数空间进行分区。派生边界提供了一种根据内置...
热度：76

173
Accurate Max-margin Training for Structured Output Spaces[结构化输出空间的精确最大边际训练]
  Sunita Sarawagi(印度马德拉斯技术学院) Tsochantaridis等人2005提出了两种用于结构化空间最大边缘训练的公式：边缘缩放和松弛缩放。虽然边缘缩放已被广泛使用，因为它需要与正常结构化预测相同类型的MA...
热度：65

174
Bayesian Probabilistic Matrix Factorization using Markov Chain Monte Carlo[马尔可夫链蒙特卡罗的贝叶斯概率矩阵分解]
  Ruslan Salakhutdinov(卡内基梅隆大学) 低秩矩阵近似方法提供了协作过滤的最简单和最有效的方法之一。这些模型通常通过查找模型参数的MAP估计来拟合数据，即使在非常大的数据集上也可以有效地执行该过...
热度：97

175
Bi-Level Path Following for Cross Validated Solution of Kernel Quantile Regression[内核分位数回归的交叉验证解的双层路径跟踪]
  Saharon Rosset(特拉维夫大学) 条件分位数的建模需要对被估计的分位数进行指定，因此可以将其视为参数化预测建模问题。通常使用分位数损失，并且确实通过分位数参数来参数化。在本文中，我们展...
热度：75

176
An RKHS for Multi-View Learning and Manifold Co-Regularization[用于多视图学习和流形协调的RKHS]
  David S. Rosenberg(加州大学伯克利分校) 受co训练的启发，许多多视图半监督核方法实现了以下思想：在多个再生核Hilbert空间（RKHS）的每一个中找到一个函数，使得（a）所选择的函数对未标记的示例做出类...
热度：42

177
Bayesian Multiple Instance Learning: Automatic Feature Selection and Inductive Transfer[贝叶斯多实例学习：自动特征选择和归纳传递]
  Vikas Raykar(马里兰大学) 我们提出了一种新颖的贝叶斯多实例学习算法。该算法自动识别相关的特征子集，并在学习多个（概念上相关的）分类器时利用归纳传递。实验结果表明，所提出的基线MI...
热度：68

178
Deep Learning via Semi-Supervised Embedding[通过半监督嵌入深度学习]
  Frederic Ratle(洛桑大学) 我们展示了非常适用于浅半监督学习技术（如内核方法）的非线性嵌入算法如何应用于深层多层体系结构，既可以作为输出层的正则化器，也可以应用于体系结构的每一层...
热度：120

179
Stability of Transductive Regression Algorithms[转导回归算法的稳定性]
  Ashish Rastogi(纽约大学) 本文利用算法稳定性的概念，通过使用凸性和闭式解，推导出几类转导回归算法的新推广边界。我们的分析有助于比较这些算法的稳定性。它表明现有的几种算法可能不稳...
热度：77

180
An Analysis of Linear Models, Linear Value-Function Approximation, and Feature Selection for Reinforcement Learning[强化学习的线性模型，线性值 - 函数逼近和特征选择分析]
  Ronald Parr(杜克大学 ) 我们证明线性值函数逼近等价于线性模型近似的一种形式。我们推导出模型逼近误差与Bellman误差之间的关系，并展示了这种关系如何指导特征选择以进行模型改进和/或...
热度：102