境外开放课程——按学科专业列表
开放课程→人文社会科学→统计学::

61
Seeking Interpretable Models for High Dimensional Data[寻找高维数据的可解释模型]
  Bin Yu(加州大学伯克利分校) 从高维数据中提取有用信息是当今统计研究和实践的重点。在通过正规化进行预测的统计机器学习取得广泛成功之后，可解释性正在受到关注，稀疏性已被用作其代理。由...
热度：76

62
What Do Unique Games, Structural Biology and the Low-Rank Matrix Completion Problem Have In Common[独特的游戏，结构生物学和低秩矩阵完成问题有什么共同之处]
  Amit Singer(普林斯顿大学) 我们将制定几个数据驱动的应用程序，如MAX2LIN和d-to-1游戏，并展示如何（大致）使用有效的光谱和半定程序放松来解决它们。 在存在无法满足的大量异常值测量的情...
热度：59

63
Statistical Classification and Cluster Processes[统计分类和集群过程]
  Peter McCullagh(芝加哥大学) 在介绍了可交换随机分区的概念之后，我们继续对Ewens流程及其一些前因进行更详细的讨论。 将描述可交换集群过程的概念，主要示例是Gauss-Ewens过程。 将讨论集群...
热度：61

64
Unsupervised Learning for Stereo Vision [立体视觉的无监督学习]
  David McAllester(芝加哥丰田技术学院) 我们考虑学习从立体图像对估计深度的问题。 这可以表述为无监督学习 - 训练对没有标记深度。 我们已经制定了一种算法，该算法在涉及潜在信息（深度）的模型中最...
热度：75

65
MAP Estimation with Perfect Graphs[完美图的MAP估计]
  Tony Jebara(哥伦比亚大学) 有效地找到图形模型的最大后验（MAP）配置是一个重要的问题，其通常使用消息传递算法和线性编程来实现。这种算法的最优性仅适用于单连通图，如树。最近，与其他...
热度：65

66
Cheeger Cuts and p-Spectral Clustering[切痕和P光谱聚类]
  Matthias Hein(马克斯普朗克研究所) 近年来，谱聚类已成为最流行的聚类算法之一。在本次演讲中，我将讨论基于图拉普拉斯算子的第二个特征向量的谱聚类的广义版本，图拉普拉斯算子的非线性推广。聚类...
热度：40

67
Machine Learning Laboratory[机器学习实验室]
  Christfried Webers(澳大利亚ICT卓越研究中心) 第一个实验室还没有被记录下来，但是有一些人参与Elefant的实验，主要集中在安装，使用和开发机器学习算法。 Elefant框架。 作为本教程的一部分，我们将介绍实现...
热度：93

68
Contrast Data Mining: Methods and Applications[对比数据挖掘：方法和应用]
  Rao Kotagiri(墨尔本大学) 区分，区分和区分不同数据集的能力是数据挖掘的关键目标。这种能力可以帮助领域专家了解他们的数据，并可以帮助建立分类模型。他的演讲将介绍对比不同类型数据的...
热度：62

69
Introduction to Statistical Machine Learning[统计机器学习导论]
  Marcus Hutter(IDSIA公司) 他的教程的第一部分简要概述了统计机器学习的基本方法和应用。其他发言者将详细介绍或以此介绍为基础。统计机器学习涉及通过构建可用于进行预测和决策的随机模型...
热度：150

70
Monte Carlo Simulation for Statistical Inference, Model Selection and Decision Making [统计推断、模型选择和决策的蒙特卡罗模拟]
  Nando de Freitas(不列颠哥伦比亚大学) **他课程的第一部分**将包括两个演讲。在第一个演讲中，他将介绍用于统计推断的蒙特卡罗模拟的基本原理，重点是重要性采样，粒子滤波和动态模型平滑，马尔可夫链...
热度：46

71
Inference in Graphical Models[图形模型中的推理]
  Tibério Caetano(澳大利亚信息通信技术研究中心) 这个简短的课程将涵盖图形推理的基础知识楷模。 它将从解释概率图形理论开始模型，包括条件独立和因子分解的概念它们如何在马尔可夫随机场和贝叶斯网络中出现。 ...
热度：90

72
Sequential Monte Carlo methods continued[顺序蒙特卡罗方法继续]
  Manuel Davy(南特传播与网络技术研究院) 本讲座的第1,2和3部分见[[mlss07_doucet_smcm | // Arnaud Doucet的//“％title”]]
热度：34

73
Statistical learning theory[统计学习理论]
  Olivier Bousquet(谷歌公司) - 学习理论：基础和目标\\   - 学习界限：成分和结果\\   - 启示：从界限中得出什么结论\\
热度：102

74
Online Learning and Bregman Divergences[在线学习与布雷格曼分歧]
  Manfred K. Warmuth(加州大学圣克鲁兹分校) L 1：在线学习简介（预测与最佳专家一样好，预测与专家的最佳线性组合，添加剂与乘法更新系列一样好）\\ L 2：Bregman分歧和损失界限（Bregman分歧介绍，线性情...
热度：65

75
Kernel Methods in Computational Biology[计算生物学中的核方法]
  Jean-Philippe Vert(国立巴黎高等矿业学院) 计算生物学和化学中的许多问题可以形式化为经典的统计问题，例如模式识别，回归或降维，但需要注意的是数据通常不是矢量。 实际上，诸如基因序列，小分子，蛋白...
热度：72