图 书 馆境外开放课程——编辑志愿者
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1Spooky Stuff in Metric Space[公制空间中的怪异物品]
Rich Caruana(微软公司) 决策树是可理解的，但是它们的性能是否足以让您使用它们？是SVM取代了神经网络，还是神经网络最适合回归，而SVM最适合分类？提升可以最大化支持SVM的利润，但是...
热度：59
Rich Caruana(微软公司) 决策树是可理解的，但是它们的性能是否足以让您使用它们？是SVM取代了神经网络，还是神经网络最适合回归，而SVM最适合分类？提升可以最大化支持SVM的利润，但是...
热度：59
2KDD - CUP 2004[KDD-银联2004]
Rich Caruana(微软公司) 决策树是可理解的，但是它们的性能是否足以让您使用它们？是SVM取代了神经网络，还是神经网络最适合回归，而SVM最适合分类？提升可以最大化支持SVM的利润，但是...
热度：39
Rich Caruana(微软公司) 决策树是可理解的，但是它们的性能是否足以让您使用它们？是SVM取代了神经网络，还是神经网络最适合回归，而SVM最适合分类？提升可以最大化支持SVM的利润，但是...
热度：39
3Model Compression[模型压缩]
Rich Caruana(微软公司) 决策树是可理解的，但是它们的性能是否足以让您使用它们？是SVM取代了神经网络，还是神经网络最适合回归，而SVM最适合分类？提升可以最大化支持SVM的利润，但是...
热度：56
Rich Caruana(微软公司) 决策树是可理解的，但是它们的性能是否足以让您使用它们？是SVM取代了神经网络，还是神经网络最适合回归，而SVM最适合分类？提升可以最大化支持SVM的利润，但是...
热度：56
4The Complexity of Learning Verification[学习验证的复杂性]
John Langford(微软公司) 非正式地，学习理论的一个分支侧重于制作“这种学习的分类器至少是X好”形式的陈述。这种形式的许多界限背后的共同直觉是，在所有分类器的集合中必须存在某种形...
热度：63
John Langford(微软公司) 非正式地，学习理论的一个分支侧重于制作“这种学习的分类器至少是X好”形式的陈述。这种形式的许多界限背后的共同直觉是，在所有分类器的集合中必须存在某种形...
热度：63
5Redundant Bit Vectors for Searching High-Dimensional Regions[冗余位向量搜索高维区域]
John Platt(微软公司) 许多多媒体应用程序减少了搜索高维区域的数据库以查看查询点是否有任何重叠的问题。有大量基于树的索引技术的文献，所有这些都在存储区域的足够高的尺寸下被破坏...
热度：56
John Platt(微软公司) 许多多媒体应用程序减少了搜索高维区域的数据库以查看查询点是否有任何重叠的问题。有大量基于树的索引技术的文献，所有这些都在存储区域的足够高的尺寸下被破坏...
热度：56
6Machine Learning Reductions[机器学习减少]
John Langford(微软公司) 在现实世界的应用中经常遇到几种不同的分类问题，例如“重要性加权分类”，“成本敏感分类”，“强化学习”，“回归”等。 这些问题中的许多问题可以通过简单的...
热度：45
John Langford(微软公司) 在现实世界的应用中经常遇到几种不同的分类问题，例如“重要性加权分类”，“成本敏感分类”，“强化学习”，“回归”等。 这些问题中的许多问题可以通过简单的...
热度：45
7Machine Learning for Games[游戏机器学习]
Thore Graepel(微软公司) 本课程介绍了机器学习技术在游戏中的应用。该课程将由两部分组成，第一部分涉及计算机/视频游戏，第二部分涉及传统的棋盘/策略游戏。与此同时，我将介绍必要的背...
热度：89
Thore Graepel(微软公司) 本课程介绍了机器学习技术在游戏中的应用。该课程将由两部分组成，第一部分涉及计算机/视频游戏，第二部分涉及传统的棋盘/策略游戏。与此同时，我将介绍必要的背...
热度：89
8Inferring the structure and scale of modular networks[推断模块化网络的结构和规模]
Jake M. Hofman(微软公司) 我们提出了一种有效的，有原则的，可解释的技术，用于推断模块分配和识别最优基于给定网络的模块数量关于随机变量的变分贝叶斯推断块模型。 我们展示了我们的方...
热度：34
Jake M. Hofman(微软公司) 我们提出了一种有效的，有原则的，可解释的技术，用于推断模块分配和识别最优基于给定网络的模块数量关于随机变量的变分贝叶斯推断块模型。 我们展示了我们的方...
热度：34
9Machine Learning in Microsoft's Online Services: TrueSkill, AdPredictor, and Matchbox[微软在线服务中的三个机器学习系统：TrueSkill，AdPredictor和Matchbox]
Thore Graepel(微软公司) 机器学习在微软的在线服务中起着至关重要的作用。在本次演讲中，我将介绍机器学习的三个强大应用。 TrueSkill是Xbox Live的排名和对接系统，可确保在线游戏玩...
热度：114
Thore Graepel(微软公司) 机器学习在微软的在线服务中起着至关重要的作用。在本次演讲中，我将介绍机器学习的三个强大应用。 TrueSkill是Xbox Live的排名和对接系统，可确保在线游戏玩...
热度：114
10Adaptive Crowdsourcing Algorithms for the Bandit Survey Problem [用于强盗调查问题的自适应众包算法]
Aleksandrs Slivkins(微软公司) 最近，众包已经成为分发和收集人类计算的事实上的平台，用于广泛的任务和应用，例如信息检索，自然语言处理和机器学习。目前的众包平台在质量控制领域存在一些局...
热度：119
Aleksandrs Slivkins(微软公司) 最近，众包已经成为分发和收集人类计算的事实上的平台，用于广泛的任务和应用，例如信息检索，自然语言处理和机器学习。目前的众包平台在质量控制领域存在一些局...
热度：119
11Differentially Private Feature Selection via Stability Arguments, and the Robustness of the Lasso[通过稳定性论证选择差分私有特征，以及套索的鲁棒性]
Abhradeep Guha Thakurta(微软公司) 我们为统计模型选择设计了差异私有算法。给定一个数据集和一个大的，离散的“模型”集合，每个模型都是一个概率分布族，目标是确定最适合数据的模型。这是统计和...
热度：80
Abhradeep Guha Thakurta(微软公司) 我们为统计模型选择设计了差异私有算法。给定一个数据集和一个大的，离散的“模型”集合，每个模型都是一个概率分布族，目标是确定最适合数据的模型。这是统计和...
热度：80
12Monotone multi-armed bandit allocations[单调的多武器强盗分配]
Aleksandrs Slivkins(微软公司) 我们提出了一个针对多武装匪徒的新视角(以下简称MAB)，该视角来自于最近关于MAB机制的研究(Devanur and Kakade, 2009, Babaio et al.， 2009, 2010)。新的问题本...
热度：49
Aleksandrs Slivkins(微软公司) 我们提出了一个针对多武装匪徒的新视角(以下简称MAB)，该视角来自于最近关于MAB机制的研究(Devanur and Kakade, 2009, Babaio et al.， 2009, 2010)。新的问题本...
热度：49
13Greetings and Introduction and Summary of Topics and Themes[问候，介绍,主题和主题总结]
Gabriella Kazai, Nataša Milić-Frayling(微软公司) 本次研讨会旨在汇集研究人员和行业从业人员，包括信息检索，数字图书馆，电子书，人机交互，出版业和在线图书服务，以制定数字图书研究议程，为下一5年阶段制定...
热度：40
Gabriella Kazai, Nataša Milić-Frayling(微软公司) 本次研讨会旨在汇集研究人员和行业从业人员，包括信息检索，数字图书馆，电子书，人机交互，出版业和在线图书服务，以制定数字图书研究议程，为下一5年阶段制定...
热度：40
14Can Computers Understand Their Own Programs?[计算机能理解他们自己的程序吗?]
Charles Antony Richard Hoare(微软公司) 答案取决于哲学思想、逻辑、程序证明和自我应用。这些兴趣可以追溯到古代哲学家亚里士多德和欧几里得。即使在今天，他们的教导也为一般的理解提供了极好的基础。...
热度：49
Charles Antony Richard Hoare(微软公司) 答案取决于哲学思想、逻辑、程序证明和自我应用。这些兴趣可以追溯到古代哲学家亚里士多德和欧几里得。即使在今天，他们的教导也为一般的理解提供了极好的基础。...
热度：49
15Online Search and Advertising, Future and Present[在线搜索与广告，未来与现在]
Chris Burges(微软公司) 搜索引擎公司正在收集用户生成的海量数据。已经证明，这些数据可以直接改善用户的在线体验。根据我们现有的算法和数据，我将讨论几年后在线搜索和广告可能会是什...
热度：53
Chris Burges(微软公司) 搜索引擎公司正在收集用户生成的海量数据。已经证明，这些数据可以直接改善用户的在线体验。根据我们现有的算法和数据，我将讨论几年后在线搜索和广告可能会是什...
热度：53