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::

46
Reading Tea Leaves: How Humans Interpret Topic Models[阅读茶叶：人类如何解读主题模型 ]
  Jordan Boyd-Graber(马里兰大学) 概率主题模型是用于分析文本数据的常用工具，其中潜在主题表示用于执行模型的定性评估和指导语料库探索。从业者通常认为潜在空间在语义上是有意义的，但这个重要...
热度：54

47
Convergence of MDL and Bayesian Methods[MDL和贝叶斯方法的收敛性]
  Tong Zhang( 新泽西州立罗格斯大学) 我们引入了一种复杂性度量，我们称之为KL复杂度基于这一概念，我们提出了一般信息指数不等式，它测量了一些确定性和随机估计量的统计复杂性。我们表明，从这种方...
热度：89

48
Probabilistic user interfaces[概率用户界面 ]
  Roderick Murray-Smith(格拉斯哥大学) 最近已经应用高斯过程先验来控制问题。全科医生在模型预测不确定性的表示方面具有优势，并且由于高斯过程的导数是高斯过程，它们还可以包含导数信息，并且在分析...
热度：44

49
Machine Learning, Uncertain Information, and the Inevitability of Negative `Probabilities'[机器学习、不确定信息和负“概率”的必然性 ]
  David Lowe(不列颠哥伦比亚大学) //“概率古典世界与量子世界方程之间的唯一区别在于，不知何故，似乎概率必须变为负面......这就是根本问题。我不知道它的答案，但我想解释一下，如果我尽力让方...
热度：47

50
Applications of Bayesian Sensitivity and Uncertainty Analysis to the Statistical Analysis of Computer Simulators for Carbon Dynamics[贝叶斯灵敏度和不确定性分析在碳动力学计算机模拟机统计分析中的应用 ]
  Marc Kennedy(谢菲尔德大学) 关于森林生态系统中碳的动态变化的不确定性对于确定和核实政策具有重大影响，从批准“京都议定书”的困难可以看出这一点。量化和减少这种不确定性需要在统一的统...
热度：31

51
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

52
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

53
Similarity-Based Classifiers: Problems and Solutions [基于相似度的分类器：问题和解决方案]
  Maya Gupta(华盛顿大学) 基于相似性的学习假设一个被给予样本之间的相似性来学习，并且可以被认为是基于图的学习的特殊情况，其中给出了图并且完全连接。 这些问题经常出现在计算机视觉...
热度：95

54
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

55
Introduction to Reinforcement Learning[强化学习简介]
  Csaba Szepesvári(阿尔伯塔大学) 本教程将介绍   强化学习，即学习采取什么行动，何时采取它们，以优化长期性能。 这可能涉及牺牲即时奖励以获得更大的奖励长期或只是为了获得更多有关环境的信...
热度：92

56
Foundations of Machine Learning[机器学习的基础]
  Marcus Hutter(澳大利亚国立大学) 机器学习通常被教导为一堆可以的方法解决了一堆问题（见上文）。本教程的第二部分退后一步，询问有关机器学习的基础，特别是（哲学的）归纳推理问题，（贝叶斯）...
热度：71

57
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

58
Graphical models[图形模型]
  Zoubin Ghahramani(剑桥大学) 定向和无向概率图模型的介绍，包括推理（置信传播和结点树算法），参数学习和结构学习，变分近似和近似推断。  \\   - 图形模型简介:(有向，无向和因子图;条件...
热度：32

59
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

60
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