境外开放课程——按学科专业列表
开放课程→自然科学→数学→概率论::

211
Learning from Distributions via Support Measure Machines[支持测量机的分布学习]
  Krikamol Muandet(马克斯普朗克研究所) 提出了一种基于核的概率测度鉴别学习框架。我们的框架不依赖于大量的向量训练示例，而是使用一组概率分布来学习，这些概率分布被构造成有意义地表示训练数据。通...
热度：95

212
Statistical Consistency of Ranking Methods in A Rank-Differentiable Probability Space[排序方法在秩函数的概率空间中的统计一致性]
  Yanyan Lan(中国科学院) 本文研究了排序方法的统计一致性。近年来，研究证明，许多常用的成对排序方法与加权成对不一致损失（wpdl）不一致，即使在低噪声环境下，也可以看作是真正的排名...
热度：31

213
Reconstructing networks from experimental and natural genetic perturbations[从实验和自然遗传扰动中重建网络]
  Florian Markowetz(剑桥大学) 功能基因组学通过分析细胞对各种干扰的反应，在推断细胞内部工作方面已经取得了相当大的成功。干扰可以采取实验干预的形式，如基因缺失或RNA干扰，或自然干扰，...
热度：25

214
Estimating the contribution of non-genetic factors to gene expression using Gaussian process latent variable models[利用高斯过程潜变量模型估算非遗传因素对基因表达的贡献]
  Nicolò Fusi(曼彻斯特大学) 由于最近可获得的基因图谱数据量的增加以及通过基因表达来表征疾病活动的能力，我们可以更详细地了解与每种疾病相关的多种原因。这是一项具有挑战性的任务，因为...
热度：58

215
A Probabilistic Model for Personalized Tag Prediction[个性化标签预测的概率模型]
  Dawei Yin(雅虎公司) 52002:SYSTEM ERROR
热度：26

216
Cold Start Link Prediction[冷启动链路预测]
  Vincent Leroy(IRISA公司) 在传统的链路预测问题中，以社会网络快照为起点，通过图论方法对未来可能出现的链路进行预测。本文将冷启动链路预测作为一个社会网络结构的预测问题，在网络本身...
热度：87

217
Learning Bayesian Networks[学习贝叶斯网络]
  Neapolitan Richard E(东北伊利诺伊大学) 贝叶斯网络是用来表示大量变量之间的概率关系并用这些变量进行概率推理的图形结构。1990年代出现了从被动数据中学习贝叶斯网络的优秀算法。我将使用一种直观的方...
热度：74

218
Context Sensitivity in Knowledge Rich Systems[知识丰富系统中的上下文敏感度]
  Michael Witbrock(IBM公司) 本教程的主要目标是在与上下文相关的主题方面提供对过去和当前工作的广泛调查。这包括对过去工作的分析：（1）定义“上下文”的概念；（2）目前处理上下文的基于...
热度：33

219
Estimation of the Solution of a Differential Equation: an Inverse Problem[微分方程解的一个逆问题的估计]
  Anne Vanhems(图卢兹商学院)
热度：47

220
STAIR: The STanford Artificial Intelligence Robot Project[楼梯：斯坦福人工智能机器人项目]
  Andrew Ng(斯坦福大学) 本文将介绍楼梯家庭辅助机器人项目，以及导致关键楼梯组件的卫星项目，例如（1）机器人抓取以前未知的物体，（2）从单个静止图像中的深度感知，（3）使用多模态...
热度：185

221
Structured Linear Models[结构线性模型]
  Pereira Fernando C. N(谷歌公司) 在过去的五年中，我们已经能够将线性分类器的理论扩展到结构预测问题，结合区分学习和结构概率模型（如隐马尔可夫模型）的优点。我将回顾这些模型及其学习算法，...
热度：44

222
Parameter Learning for Bayesian Networks with Strict Qualitative Influences[严格定性影响的贝叶斯网络的参数学习]
  Ad Feelders(荷兰乌得勒支大学) 提出了一种新的定性影响贝叶斯网络参数学习方法。该方法的目的是消除由序约束最大似然估计（OCML）产生的不需要的（上下文特定的）独立性。这是通过用一阶逻辑回...
热度：42

223
Entropy Properties of a Decision Rule Class in Connection with machine learning abilities[与机器学习能力相关的决策规则类的熵属性]
  Alexey Chervonenkis(伦敦大学学院) 许多机器学习方法都是基于经验风险最小化的思想。从某一集合中找出最符合训练集合数据的决策规则或模型。这一思想是基于大数定律：如果训练集足够大，经验风险就...
热度：53

224
The strength of evidence versus the power of belief: Are we all Bayesians?[证据与信仰的力量：我们都是独立的?]
  Jessica Utts(加州大学欧文分校) 尽管统计学家有根据数据做出结论的工作，但对于科学和社会中的许多问题，先验信念很强，在人们做出决定时可能优先于数据。对于其他问题，有一些专家可以解释可能...
热度：32

225
Compositional Noisy-Logical Learning[成分嘈杂的逻辑学习]
  Yuille Alan L(加利福尼亚大学) 我们描述了一种从标记训练实例中学习二值变量条件概率分布的新方法。我们提出的复合噪声逻辑学习（CNLL）方法以复合方式学习噪声逻辑分布。CNLL是著名的Adaboost...
热度：37