境外开放课程——按学科专业列表
开放课程→自然科学→数学→数理统计学::
16
Lecture 1: Previous Knowledge Recommended (Matlab)[Lecture 1:推荐的先前知识(Matlab)]
Brad G. Osgood(斯坦福大学) 我们在播音。好的。欢迎大家。正如它在您走进去时在电视上所说的那样,但只是确保每个人都知道,这是EE261,傅立叶变换及其应用,傅立叶变换等,傅立叶。我叫Bra...
热度:59
Brad G. Osgood(斯坦福大学) 我们在播音。好的。欢迎大家。正如它在您走进去时在电视上所说的那样,但只是确保每个人都知道,这是EE261,傅立叶变换及其应用,傅立叶变换等,傅立叶。我叫Bra...
热度:59
17
Multi-Label Learning with Millions of Categories[多标签类别学习]
Manik Varma(微软公司) 我们的目标是构建一种算法,用于在输出空间包含数百万个类别时将数据点分类为一组标签。这是一种相对新颖的监督学习环境,带来了有趣的挑战,例如有效的培训和预...
热度:109
Manik Varma(微软公司) 我们的目标是构建一种算法,用于在输出空间包含数百万个类别时将数据点分类为一组标签。这是一种相对新颖的监督学习环境,带来了有趣的挑战,例如有效的培训和预...
热度:109
18
Steppest descent analysis for unregularized linear prediction with strictly convex penalties
Matus Telgarsky(加州大学圣地亚哥分校) 该手稿提供了一种收敛性分析,该研究从对非均匀化线性预测的推动研究中得出。在这里,经验风险 - 包括由线性项组成的严格凸罚 - 可能不会强烈凸,甚至达不到最小...
热度:35
Matus Telgarsky(加州大学圣地亚哥分校) 该手稿提供了一种收敛性分析,该研究从对非均匀化线性预测的推动研究中得出。在这里,经验风险 - 包括由线性项组成的严格凸罚 - 可能不会强烈凸,甚至达不到最小...
热度:35
19
Multiple Gaussian Process Models[多高斯过程模型]
Cedric Archambeau(伦敦大学学院) 我们考虑了多核学习问题的高斯过程公式。目的是选择核心矩阵的凸组合来实现数据的简化,并通过这样做来改进对看不见的数据的泛化。通过采用分层来获得核权重的稀...
热度:98
Cedric Archambeau(伦敦大学学院) 我们考虑了多核学习问题的高斯过程公式。目的是选择核心矩阵的凸组合来实现数据的简化,并通过这样做来改进对看不见的数据的泛化。通过采用分层来获得核权重的稀...
热度:98
20
Clustering with Prior Information[具有先验信息的聚类 ]
Greg Ver Steeg(加州理工学院 ) 总之,我们已经通过分析证明,任何小的(但是有限的)半监督量都会通过将检测阈值移动到其最低可能值来抑制种植二分模型的聚类可检测性的相变。对于簇内和簇之间...
热度:64
Greg Ver Steeg(加州理工学院 ) 总之,我们已经通过分析证明,任何小的(但是有限的)半监督量都会通过将检测阈值移动到其最低可能值来抑制种植二分模型的聚类可检测性的相变。对于簇内和簇之间...
热度:64
21
Online Learning for Latent Dirichlet Allocation[潜在迪里克莱分配的在线学习]
Matt Hoffman(Adobe公司) 我们开发了一种用于潜在Dirichlet分配(LDA)的在线变分贝叶斯(VB)算法。在线LDA基于具有自然梯度步骤的在线随机优化,我们将其展示收敛到VB目标函数的局部最...
热度:90
Matt Hoffman(Adobe公司) 我们开发了一种用于潜在Dirichlet分配(LDA)的在线变分贝叶斯(VB)算法。在线LDA基于具有自然梯度步骤的在线随机优化,我们将其展示收敛到VB目标函数的局部最...
热度:90
22
Granger Causality and Dynamic Structural Systems[格兰杰因果关系与动态结构系统]
Halbert White(加州大学圣地亚哥分校) 使用一般适用的动态结构方程组,我们给出了适用于结构VAR和表示时间序列自然实验的递归结构的直接和总结构因果关系的自然定义。这些概念使我们能够在格兰杰(G)...
热度:88
Halbert White(加州大学圣地亚哥分校) 使用一般适用的动态结构方程组,我们给出了适用于结构VAR和表示时间序列自然实验的递归结构的直接和总结构因果关系的自然定义。这些概念使我们能够在格兰杰(G)...
热度:88
23
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
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
24
Data stream management and mining [数据流管理与挖掘]
Georges Hebrail(法国高等师范学院) 该课程介绍了数据流管理和挖掘领域。处理以下几点:(1)推动这些新发展的应用(电信,计算机网络,股票市场,安全......),(2)与数据流相关的新概念(流结构...
热度:89
Georges Hebrail(法国高等师范学院) 该课程介绍了数据流管理和挖掘领域。处理以下几点:(1)推动这些新发展的应用(电信,计算机网络,股票市场,安全......),(2)与数据流相关的新概念(流结构...
热度:89
25
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
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
26
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
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
27
Diffusion Maps, Spectral Clustering and Reaction Coordinates of Dynamical Systems[动力系统的扩散映射,谱聚类和反应坐标]
Boaz Nadler(魏茨曼科学研究所) 数据分析的一个核心问题是高维数据的低维表示,以及其基础几何和密度的简明描述。在分析复杂动力系统的大规模模拟时,时间演化的概念发挥作用,重要的问题是慢变...
热度:129
Boaz Nadler(魏茨曼科学研究所) 数据分析的一个核心问题是高维数据的低维表示,以及其基础几何和密度的简明描述。在分析复杂动力系统的大规模模拟时,时间演化的概念发挥作用,重要的问题是慢变...
热度:129
28
Independent Component Analysis[独立成分分析]
Aapo Hyvärinen(赫尔辛基大学) 在独立分量分析(ICA)中,目的是将多维数据向量线性分解为尽可能统计独立的分量。对于非高斯随机向量,这种分解不等同于主成分分析所做的去相关,而是相当复杂...
热度:133
Aapo Hyvärinen(赫尔辛基大学) 在独立分量分析(ICA)中,目的是将多维数据向量线性分解为尽可能统计独立的分量。对于非高斯随机向量,这种分解不等同于主成分分析所做的去相关,而是相当复杂...
热度:133
29
Lecture 23: Dynamic Programming[第23讲:动态规划]
John Guttag(麻省理工学院) 本讲座介绍了动态规划,并讨论了最优子结构和重叠子问题的概念。涵盖的主题:动态规划,最优路径,重叠子问题,加权边缘,规范,限制,效率,伪多项式。
热度:68
John Guttag(麻省理工学院) 本讲座介绍了动态规划,并讨论了最优子结构和重叠子问题的概念。涵盖的主题:动态规划,最优路径,重叠子问题,加权边缘,规范,限制,效率,伪多项式。
热度:68
30
Lecture 20: More Clustering[第20讲:更多聚类]
John Guttag(麻省理工学院) 本讲座涵盖了层次聚类,并介绍了k均值聚类。涵盖的主题:特征向量,缩放,k表示聚类。
热度:27
John Guttag(麻省理工学院) 本讲座涵盖了层次聚类,并介绍了k均值聚类。涵盖的主题:特征向量,缩放,k表示聚类。
热度:27