境外开放课程——编辑志愿者

136
A Polynomial-time Metric for Outerplanar Graphs (Extended Abstract)[外平面图的一个多项式时间度量（扩展摘要）]
  Leander Schietgat(鲁汶大学) 在化学信息学的背景下，图已经成为分子表示的非常流行的。然而，许多处理图形的算法计算起来非常昂贵。本文主要研究外平面图，这是一类能代表大多数分子的图。我...
热度：61

137
Learning and Charting Chemical Space with Strings and Graphs: Challenges and Opportunities for AI and Machine Learning[用字符串和图表学习图表化学空间：人工智能和机器学习的挑战和机遇]
  Pierre Baldi(加利福尼亚大学) 信息学方法和计算机尚未像物理和生物学那样普及到化学中。从生物信息学中提取类比，化学信息学进展的关键要素是可获得大的、注释的化合物和反应数据库、有效搜索...
热度：34

138
Automated detection of chaotic and oscillatory regimes[混沌和振荡机制的自动检测]
  Daniel Silk(伦敦帝国学院) 定性参数估计算法是一类有前途但不发达的推理方法[1]。当只知道或需要指定系统的定性特征时，它们提供了推断参数的能力。在这里，我们采用无气味卡尔曼滤波器来...
热度：49

139
Multilabel prediction of drug activity[药物活性的多标签预测]
  Juho Rousu(赫尔辛基大学) 机器学习在药物发现中变得越来越重要，在药物发现中寻找或设计可行的分子结构以达到治疗效果。特别是，昂贵的临床前体外和体内药物候选测试可以集中到最有前景的...
热度：42

140
Automatic quantification of subtle cellular phenotypes in microscopy-based high-throughput experiments[基于显微镜的高通量实验中的微妙细胞表型的自动定量]
  Vebjorn Ljosa(麻省理工学院) 基于显微镜的高通量实验可以观察单个细胞的生物反应和状态。Cellprofiler，我们的开源图像分析软件，已经被生物学家广泛用于设计复杂的高通量分析的自定义分析管...
热度：96

141
Theory, Methods and Applications of Active Learning[主动学习的理论,方法与应用]
  Rui Castro;Robert Nowak(威斯康星大学) 传统的机器学习和统计推断方法都是被动的，因为所有的数据都是在分析之前以一种非自适应的方式收集的。人们可以预见，然而更积极的策略是，从以前收集的数据中收...
热度：52

142
Sparse Representations from Inverse Problems to Pattern Recognition[从逆问题到模式识别的稀疏表示]
  Stéphane Mallat(洛桑联邦高等工业学院) 稀疏表示是许多低阶信号处理过程的核心，大多数模式识别算法都采用稀疏表示来减小搜索空间的维数。为模式识别应用程序构造稀疏表示需要考虑相对于物理变形（如旋...
热度：22

143
Bounding Excess Risk in Machine Learning[机器学习中的边界超额风险]
  Vladimir Koltchinskii(佐治亚理工学院) 我们将讨论基于经验风险最小化（可能受到惩罚）的学习算法的超额风险限制问题的一般方法。这一方法是近年来由几位作者（其中包括：马萨特、巴特利特、布斯克和门...
热度：305

144
Cut Locus and Topology from Point Data[点数据的切割轨迹和拓扑]
  Tamal Dey(俄亥俄州立大学) 紧致黎曼流形M中点P的切割轨迹定义为点集，其中从点P发出的测地线最小化是最小化的。已知切割轨迹包含M的大部分拓扑信息，我们的目标是利用切割轨迹的这一性质从...
热度：86

145
Tutorial on Machine Learning Reductions[关于减少机器学习的教程]
  John Langford(芝加哥丰田技术学院) 在实际应用中，常见的分类问题有“重要性加权分类”、“成本敏感分类”、“强化学习”、“回归”等。这些问题中的许多可以通过简单的机器（约简）相互联系，将一...
热度：38

146
In search of Non-Gaussian Components of a High-Dimensional Distribution[高维分布的非高斯分布]
  Motoaki Kawanabe(ATR脑信息交流研究实验室组) 在高维数据分析中，寻找非高斯分量是实现高效信息处理的重要预处理步骤。本文提出了一种新的线性方法来识别一个非常通用的半参数框架内的非高斯子空间。我们提出...
热度：43

147
Welcome and opening remarks[欢迎和开放的评论]
  Matej Potokar(微软公司)
热度：26

148
How to predict with Bayes, MDL, and Experts[如何使用贝叶斯法则,方法检出最低限值法和专家预测法]
  Marcus Hutter(澳大利亚国立大学) 大多数被动机器学习任务可以（重新）描述为序列预测问题。这包括模式识别、分类、时间序列预测和其他。此外，对被动智能的理解也是主动学习和决策的基础。近几年...
热度：46

149
MarkusSparse Grid Methods[马库斯稀疏网格法]
  Markus Hegland(澳大利亚国立大学) 寻找有趣的变星、发现地貌特征、卫星观测和矿物浓度之间的关系以及分析生物网络都需要用大量数据解决大量复杂的学习问题。在这些研究中面临的一个主要的计算挑战...
热度：85

150
Reinforcement Learning Theory[强化学习理论]
  John Langford(微软公司) 本教程介绍了近7年来发展起来的几种新的强化学习理论。这包括：\\ 1。基于样本的RL分析，包括E3和稀疏采样。基于归纳的RL分析，包括保守策略迭代和RL到分类缩减...
热度：65