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::

106
On the Quantitative Analysis of Deep Belief Networks[论深层信念网络的定量分析]
  Ruslan Salakhutdinov(卡内基梅隆大学) Deep Belief Networks（DBN）是包含许多隐藏变量层的生成模型。用于学习和近似推理的高效贪心算法使这些模型能够在许多应用领域中成功应用。 DBN的主要构建块是...
热度：58

107
Bayesian Probabilistic Matrix Factorization using Markov Chain Monte Carlo[马尔可夫链蒙特卡罗的贝叶斯概率矩阵分解]
  Ruslan Salakhutdinov(卡内基梅隆大学) 低秩矩阵近似方法提供了协作过滤的最简单和最有效的方法之一。这些模型通常通过查找模型参数的MAP估计来拟合数据，即使在非常大的数据集上也可以有效地执行该过...
热度：97

108
Bayesian Multiple Instance Learning: Automatic Feature Selection and Inductive Transfer[贝叶斯多实例学习：自动特征选择和归纳传递]
  Vikas Raykar(马里兰大学) 我们提出了一种新颖的贝叶斯多实例学习算法。该算法自动识别相关的特征子集，并在学习多个（概念上相关的）分类器时利用归纳传递。实验结果表明，所提出的基线MI...
热度：68

109
Hierarchical Kernel Stick-Breaking Process for Multi-Task Image Analysis[多任务图像分析的分层核破坏过程]
  Lawrence Carin(杜克大学) 内核棒破坏过程（KSBP）用于分割一般图像，强加条件是空间邻近的块（小块像素）更可能与同一簇（段）相关联。簇的数量不是先验设置的，而是从分层贝叶斯模型推断...
热度：73

110
An Efficient Parameter - Free Method for Large Scale Offline Learning[一种有效的无参数大规模离线学习方法]
  Marc Boulle(法国电信研究院) 随着计算机存储容量的快速增长，可用数据和对评分模型的需求都呈现出增长趋势，比处理能力更加尖锐。然而，广泛的数据挖掘解决方案的主要限制是熟练数据分析师的...
热度：46

111
Nonparametric Bayesian Density Modeling with Gaussian Processes[高斯过程的非参数贝叶斯密度建模]
  Ryan Prescott Adams(多伦多大学) 我们提出了高斯过程密度采样器（GPDS），一种可交换的生成模型，用于非参数贝叶斯密度估计。从GPDS中提取的样本与来自固定密度函数的精确，独立样本一致，该函数...
热度：112

112
Introduction to Reinforcement Learning and Bayesian learning[强化学习和贝叶斯学习简介]
  Mohammad Ghavamzadeh(阿尔伯塔大学) 虽然贝叶斯强化学习方法可以追溯到20世纪60年代（霍华德在运筹学中的工作），贝叶斯方法只是在现代强化学习中偶尔使用。这部分是因为非贝叶斯方法往往更容易使用...
热度：163

113
Gaussian Process Temporal Difference[高斯过程时间差异]
  Yaakov Engel(阿尔伯塔大学) 虽然贝叶斯强化学习方法可以追溯到20世纪60年代（霍华德在运筹学中的工作），贝叶斯方法只是在现代强化学习中偶尔使用。这部分是因为非贝叶斯方法往往更容易使用...
热度：104

114
A Polynomial All Outcome Determinization for Probabilistic Planning[概率规划的多项式全结果确定]
  Thomas Keller(弗赖堡大学) 概率规划中最主要的方法通过确定手头的问题，利用来自更彻底调查的经典规划领域的技术。在本文中，我们提出了一种方法，将概率运算符映射到一个新的正规形式的等...
热度：35

115
Unifying Subspace and Distance Metric Learning with Bhattacharyya Coefficient for Image Classification[用Bhattacharyya系数统一子空间和距离度量学习进行图像分类]
  Dimitris N. Metaxas(新泽西州立大学) 在本次演讲中，我们提出了贝叶斯框架下用于图像分类的子空间和距离度量学习的统一方案。根据数据的局部分布，我们将每个样本的k个最近邻分为内类集和类间集，并...
热度：94

116
Predicting the Understandability of OWL Inferences[预测OWL推论的可理解性]
  Richard Power(英国开放大学) 在本文中，我们描述了一种预测OWL推理的可理解性水平的方法。具体而言，我们提出了一种概率模型，用于基于对个体推理步骤的可理解性的测量来测量多步推理的可理...
热度：75

117
Leibniz, Complexity and Incompleteness[莱布尼茨，复杂性和不完整性]
  Gregory Chaitin(奥克兰大学) 我将讨论莱布尼茨关于复杂性的观点（Discours de metaphysique，1686），导致关于程序大小复杂性，停止概率和不完整性的现代工作。莱布尼茨充分理性的原则断言，...
热度：63

118
Efficient Machine Learning using Random Projections[使用随机投影进行高效的机器学习]
  Mark A. Davenport(莱斯大学) 作为用于降低维数的繁琐的非线性方案的替代方案，随机线性投影技术最近已成为用于存储和高维数据的基本处理的可行替代方案。我们引用新理论来激发以下主张：随机...
热度：139

119
Comparing Probabilistic Models for Melodic Sequences[比较旋律序列的概率模型]
  Athina Spiliopoulou(爱丁堡大学) 模拟现实世界的音乐复杂性是机器学习的挑战。我们解决了从同一音乐类型中对旋律序列进行建模的任务。我们对两个概率模型进行了比较分析; Dirichlet可变长度马尔...
热度：80

120
Aspects of Semi-Supervised and Active Learning in Conditional Random Fields[条件随机场中半监督主动学习的几个方面]
  Nataliya Sokolovska(麦考瑞大学) 条件随机场是结构化输出预测的现有技术方法之一，并且该模型已被用于各种现实世界问题。监督分类是昂贵的，因为生产标记数据通常是昂贵的。未标记的数据相对便宜...
热度：91