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::

61
Effects of Stress and Genotype on Exploration-Exploitation Dynamics in Reinforcement Learning[压力和基因型对强化学习中勘探开发动态的影响]
  Gedi Lukšys(洛桑联邦理工学院) 压力和遗传背景通过压力激素和神经调节剂的作用调节行为学习的不同方面。同样，在强化学习（RL）模型中，开发探索因子和其他元参数控制学习动态和性能。我们发现...
热度：79

62
Unified survey-belief propagation approach for satisfiability[统一调查信仰可满足性的传播方式]
  Marco Pretti(都灵理工大学) 在这篇文章中，我将讨论一个改进的消息传递BP（信念传播）程序，它通常可以用来最小化统计物理中自由能的变分。通过一个简单的映射，该算法可以很容易地应用于组...
热度：53

63
Cluster Variation Method: from statistical mechanics to message passing algorithms[集团变分法:从统计力学到消息传递算法]
  Alessandro Pelizzola(都灵理工大学) 簇变分法（cvm）是平衡统计力学中离散（ising）模型的近似变分技术的一个层次，改进了平均场近似和贝斯-皮尔斯近似，可以认为是cvm的最低层次。简要回顾了CVM的...
热度：38

64
A path integral approach to stochastic optimal control[一种随机最优控制的路径积分方法]
  Bert Kappen(奈梅亨拉德布德大学) 机器学习中的许多问题都使用概率描述。例如模式识别方法和图形模型。由于这种统一描述，我们可以应用一般的近似方法，如平均场理论和抽样方法。另一类重要的机器...
热度：216

65
Efficient max-margin Markov learning via conditional gradient and probabilistic inference[基于条件梯度和概率推理的马尔可夫学习效率最大化]
  Juho Rousu(赫尔辛基大学) 我们提出了一种适用于最大利润率结构分类任务的通用和有效的优化方法。该方法的有效性取决于多种技术的相互作用：结构化支持向量机对偶的边缘化，或最大边缘马尔...
热度：35

66
Single and Multiple Index Models[单一和多个指数模型]
  Pradeep Ravikumar(德克萨斯大学) 高维环境下的统计估计，变量多于样本，在过去十年中一直是大量研究的焦点。现在我们很清楚，如果我们对模型空间施加适当的约束，在这种高维设置下，一致估计仍然...
热度：68

67
A Personal Journey: From Signals and Systems to Graphical Models[个人之旅：从信号和系统到图形化模型]
  Alan Willsky(麻省理工学院) 这篇演讲概述了一条曲折的研究路线，始于1988年，从一些信号处理器和控制理论家开始，他们试图对新兴的小波分析领域进行统计分析，令演讲者惊讶的是，他们进入了...
热度：39

68
Classification with Deep Invariant Scattering Networks[深不变散射网络的分类]
  Stéphane Mallat(法国理工学院) 与统计决策理论相比，高维数据表示尚处于混乱的初期。如何优化内核或所谓的特征向量？它们应该增加还是减少维度？令人惊讶的是，深度神经网络已经成功地构建了积...
热度：81

69
Variational Inference over Combinatorial Spaces[组合空间上的变分推理]
  Alexandre Bouchard-Côté(不列颠哥伦比亚大学) 自从发现了一系列复杂的完全多项式随机算法（Karzanov等人，1991年；Jerrum等人，2001年；Wilson，2004年），关于组合空间中近似推理的理论研究集中在马尔可夫链...
热度：44

70
Anti-Learning[反学习]
  Adam Kowalczyk(澳大利亚信息通信技术研究中心) 生物领域对统计学习提出了新的挑战。在谈话中，我们将分析并从理论上解释一些反直觉的实验和理论发现，当从训练转向独立的测试数据（反学习现象）时，分类器决策...
热度：74

71
Information Geometry[信息几何]
  Sanjoy Dasgupta(加州大学圣地亚哥分校) 本教程将重点介绍熵、指数族和信息投影。我们将从熵是唯一合理定义随机性的意义开始。然后，我们将使用熵来激励分布的指数族，包括普遍存在的高斯分布、泊松分布...
热度：263

72
Lecture 24: Avoiding Statistical Fallacies[讲座24：避免统计错误]
  John Guttag(麻省理工学院) 这节课讨论了人们使用统计数据得出无效或误导性结论的一些常见方法。主题涵盖：统计，绘图，相关性，因果关系，偏见，逻辑谬误，数据增强，德州神枪手谬误。
热度：37

73
Lecture 15: Statistical Thinking[阅读15：统计思维]
  John Guttag(麻省理工学院) 本课程介绍了如何确定从样本中提取的信息有多可靠。它包括标准偏差、变异系数和标准误差。它还演示了如何使用pylab生成柱状图。主题包括：方差，标准差，标准差...
热度：43

74
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

75
An Introduction to Instrumental Variables[有帮助的可变因素介绍]
  Jean-Pierre Florens(图卢兹大学I)  统计数学中有帮助的可变因素的介绍
热度：39