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::

76
Unifying Divergence Minimization and Statistical Inference via Convex Duality[通过凸二元性统一发散最小化和统计推断]
  Alexander J. Smola(亚马逊公司) 我们通过凸二元性统一分歧最小化和统计推断。 在这样做的过程中，我们证明近似最大熵估计的对偶是最大后验估计。 此外，我们的治疗导致许多统计学习问题的稳定性...
热度：53

77
Splice form prediction using Machine Learning[使用机器学习进行拼接形式预测]
  Gunnar Rätsch(马克斯普朗克研究所) 准确的ab initio基因发现仍然是计算生物学中的主要挑战。 我们采用基于隐藏半马尔可夫SVM的最先进的机器学习技术来分析和提高基因组注释的准确性。 我们在秀丽隐...
热度：57

78
The stability of a good clustering[稳定的聚类很好]
  Marina Meila(华盛顿大学) 如果我们找到了数据集X的“好”聚类C，我们能否证明C与该数据集的（未知）最佳聚类C *相差不远？ 也许令人惊讶的是，这个问题的答案有时是肯定的。 我们可以显示...
热度：55

79
Machine 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

80
Dirichlet Processes and Nonparametric Bayesian Modelling[狄利克雷过程和非参数贝叶斯建模]
  Volker Tresp(西门子公司) 贝叶斯建模是一种原则性的方法，用于在给定先验知识和给出可用证据的情况下更新假设的信念程度。使用贝叶斯规则将先验知识和证据结合起来以获得后验假设。在机器...
热度：98

81
Measures of Statistical Dependence[统计依赖度量]
  Arthur Gretton(伦敦大学学院) 信号处理中的许多重要问题取决于统计依赖性的度量。例如，在瞬时ICA的情况下，这种依赖性被最小化，其中线性混合信号使用它们（假定的）成对彼此独立来分离。已...
热度：118

82
On Optimal Estimators in Learning Theory[论学习理论中的最优估计]
  Vladimir Temlyakov(南卡罗来纳大学) 本讲座讨论了Cucker和Smale制定的监督学习中的一些问题。监督学习或从示例中学习是指基于输入xi和输出yi，i = 1，...，m的可用数据建立的过程，该函数最好地表示...
热度：42

83
Trees for Regression and Classification[回归和分类的树模型]
  Robert Nowak(威斯康星大学) 树模型广泛用于回归和分类问题，可解释性和易于实现是其主要属性。尽管广泛使用树模型，但近年来才开始对其性能进行全面的理论分析。本讲座概述了树木建模理论和...
热度：73

84
Learning on Structured Data[学习结构化数据]
  David McAllester(芝加哥丰田技术学院) 判别学习框架是机器学习领域非常成功的领域之一。这种范例的方法，例如Boosting和支持向量机，通过提高精度和增加机器学习方法的适用性，显着提高了现有技术的分...
热度：63

85
On the Borders of Statistics and Computer Science[论统计与计算机科学的边界]
  Peter J. Bickel(加州大学伯克利分校) 计算机科学中的机器学习和统计学中的预测和分类基本上是等同的领域。我将通过一些例子和结果来试图在这个巨大的领域中说明理论与实践之间的关系。特别是我将尝试...
热度：62

86
Advanced Statistical Learning Theory[高级统计学习理论]
  Olivier Bousquet(谷歌公司) 这套讲座将补充统计学习理论课程，并侧重于分类领域的最新进展。 1- PAC贝叶斯边界：一个简单的推导，与Rademacher平均值的比较。 \\ 2 - 本地Rademacher复杂性...
热度：118

87
Graphical Models and Variational Methods[图形模型和变分方法]
  Christopher Bishop(微软公司) 在本课程中，我将讨论指数族（统计学中的标准工具）如何在机器学习中取得巨大成功，以统一许多现有算法并非常轻松地发明新算法。 特别是，我将展示它们如何在特...
热度：56

88
Statistical Learning Theory[统计学概论]
  Olivier Bousquet(谷歌公司) 本课程将详细介绍学习理论，重点是分类问题。将展示如何获得某些类型算法的泛化误差的（pobabilistic）界限。主题将是：*概率不等式和集中不等式*联合边界，链接...
热度：138

89
Monte Carlo Simulation methods[蒙特卡罗模拟方法]
  Christophe Andrieu(布里托斯大学) 该课程介绍了独立的组件分析和源分离。我们从简单的统计原理开始;检查与信息理论和稀疏编码的联系;我们概述了可用的算法;我们还展示了信息几何如何阐明ICA的几个...
热度：301

90
Boosting statistical network inference by incorporating prior knowledge from multiple sources[做好网络统计建设]
  Paurush Praveen(波恩大学) 统计学习方法，例如贝叶斯网络，已经从高通量实验中推断出细胞网络的高度普及。然而，实验数据中的固有噪声以及典型的低样本量限制了它们的性能，具有高误报率和...
热度：55