境外开放课程——按学科专业列表
开放课程→自然科学→数学→应用统计数学::

76
Reinforcement Learning Theory[强化学习理论]
  John Langford(微软公司) 本教程介绍了近7年来发展起来的几种新的强化学习理论。这包括：\\ 1。基于样本的RL分析，包括E3和稀疏采样。基于归纳的RL分析，包括保守策略迭代和RL到分类缩减...
热度：65

77
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

78
Tutorial on Machine Learning Reductions[关于减少机器学习的教程]
  John Langford(芝加哥丰田技术学院) 在实际应用中，常见的分类问题有“重要性加权分类”、“成本敏感分类”、“强化学习”、“回归”等。这些问题中的许多可以通过简单的机器（约简）相互联系，将一...
热度：38

79
Exponential Families in Feature Space[特征空间中的指数族]
  Smola Alexander J(亚马逊公司) 在本课程中，我将讨论指数族（统计学中的一种标准工具）如何在机器学习方面取得巨大成功，从而统一许多现有的算法，并轻而易举地发明新的算法。特别是，我将展示...
热度：28

80
An integrated generative and discriminative Bayesian model for binary classification[一种二元分类的集成生成和判别贝叶斯模型]
  Keith James Harris(格拉斯哥大学) 样本数量要少得多。分析这些数据在统计学上具有挑战性，因为协变量之间高度相关，导致参数估计不稳定和预测不准确。为了解决这个问题，我们开发了一个统计模型，...
热度：70

81
Opening - The 5th International Workshop on Mining and Learning with Graphs[开幕式-第五届国际图形学习与学习研讨会]
  () 近年来，已经举办了几次关于挖掘和从图形中学习的研讨会，例如去年的MLG及其先驱MGTS关于挖掘图形、树和序列的研讨会系列。这是成功的，但与一个研究团体的会议...
热度：38

82
Lecture 13: Amortized Algorithms, Table Doubling, Potential Method[讲座13：摊销算法，表加倍，电位法]
  Leiserson Charles E(麻省理工学院) 好的，早上好。所以今天我们要，正如我上周提到的，我们已经开始了课程的一部分，在这里我们要做的更多的事情与设计有关，而不是纯粹的分析。今天，我们实际上要...
热度：54

83
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

84
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

85
Fast Resampling Weighted v-Statistics[快速采样加权v统计]
  Chunxiao Zhou(美国国立卫生研究院) 本文提出了一种新的单变量和多变量数据重采样加权V统计量计算快速替代算法。为了避免任何真正的重采样，我们将此问题与有限群作用联系起来，并将其转换为轨道枚...
热度：41

86
Mixture Models for Learning Low-dimensional Roles in High-dimensional Data[学习高维数据中低维角色的混合模式]
  Manas Somaiya(佛罗里达大学) 存档数据通常描述参与多个角色的实体。这些角色中的每一个都可能影响数据的各个方面。例如，在零售店收集的登记交易可能是由女性、母亲、狂热的读者和动作片迷发...
热度：30

87
Efficiently Learning the Accuracy of Labeling Sources for Selective Sampling[高效学习选择抽样的标记源准确性]
  Pinar Donmez(卡内基梅隆大学) 许多可扩展的数据挖掘任务依赖于主动学习来提供最有用的、准确标记的实例。但是，如果有多个具有不同但未知可靠性的标记源（“oracle”或“专家”），该怎么办？...
热度：38

88
Seven Pitfalls to Avoid when Running Controlled Experiments on the Web[在网络上运行控制实验时要避免的七个陷阱]
  Thomas Crook(认知实验室) 52002:SYSTEM ERROR
热度：40

89
An empirical study of instance-based ontology matching[基于实例的本体匹配的实证研究]
  Stefan Schlobach(阿姆斯特丹自由大学) 基于实例的本体映射是一类有前途的本体对齐问题的解决方案。至关重要的是，它依赖于测量注释实例集之间的相似性。本文研究了共现测度的选择对基于实例的映射性能...
热度：50

90
Multiresolution Methods for Inverse Problems[逆问题的多分辨率方法]
  Dominique Picard(丹尼斯·狄德罗大学) 逆问题的多分辨率方法
热度：42