境外开放课程——按学科专业列表
开放课程→工程与技术科学→计算机科学技术→人工智能::

346
Functional Network Reorganization In Motor Cortex Can Be Explained by Reward-Modulated Hebbian Learning[运动皮层的功能网络重组可以用奖赏调制Hebbian学习来解释]
  Robert Legenstein(格拉茨理工大学) 从运动皮层神经元的活动控制神经假体装置受益于学习效应，其中这些神经元的功能适应于控制任务。最近显示，猴子运动皮层中神经元的调谐特性被选择性地调整，以便...
热度：59

347
Deep Learning with Multiplicative Interactions[深度学习与乘法互动]
  Geoffrey E. Hinton(多伦多大学) 可以从未标记的数据中有效地学习深度网络。使用仅具有一层潜在变量的简单学习模块一次一个地学习表示层。一个模块的潜在变量的值形成用于训练下一个模块的数据。...
热度：46

348
Data Mining Based User Modeling Systems for Web Personalization Applied to People with Disabilities[基于数据挖掘的残疾人网络个性化用户建模系统 ]
  Olatz Arbelaitz(巴斯克国家大学) 该立场文件解决了使用机器学习技术对用户行为进行建模的自动Web个性化问题。目标人群是具有身体，感觉或认知限制的人。在本文中，我们提出了研究使用从Web导航日...
热度：21

349
Learning in Computer Vision[在计算机视觉中学习]
  Simon Lucey(卡内基梅隆大学) 本教程将介绍视觉中的一些核心基础知识，并演示如何根据机器学习基础进行解释。 机器学习领域的大多数研究人员都不为人知，机器人注册和跟踪的基本原理，如光流...
热度：103

350
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

351
Learning on Structured Data[学习结构化数据]
  David McAllester(芝加哥丰田技术学院) 判别学习框架是机器学习领域非常成功的领域之一。这种范例的方法，例如Boosting和支持向量机，通过提高精度和增加机器学习方法的适用性，显着提高了现有技术的分...
热度：63

352
On the Borders of Statistics and Computer Science[论统计与计算机科学的边界]
  Peter J. Bickel(加州大学伯克利分校) 计算机科学中的机器学习和统计学中的预测和分类基本上是等同的领域。我将通过一些例子和结果来试图在这个巨大的领域中说明理论与实践之间的关系。特别是我将尝试...
热度：62

353
Learning on Structured Data[学习结构化数据]
  Yasemin Altun(芝加哥丰田技术学院) 判别学习框架是机器学习领域非常成功的领域之一。这种范例的方法，例如Boosting和支持向量机，通过提高精度和增加机器学习方法的适用性，显着提高了现有技术的分...
热度：23

354
Visual Lexicons: The Quest for Data - Driven Decision Making[视觉词典：寻求数据驱动的决策]
  Charles H. House(英特尔公司) 永恒的人工智能任务 - 机器能和人一样思考吗？ - 与机器如何帮助人们思考的问题相比，今天看起来很古怪。 诚然，Deep Blue可以击败世界上最好的国际象棋选手，...
热度：43

355
Towards Computer Understanding of Human Interactions[走向计算机理解人际交往]
  Iain Mccowan(达尔莫尔感知人工智能研究所) 人们相遇是为了互动 - 传播信息，做出决策和创造新想法。 因此，从两个角度来看，会议的自动分析非常重要：提取它们包含的信息，以及理解人类交互过程。 基于此...
热度：27

356
Computers with Commonsense: Artificial Intelligence at the MIT Round Table[具有常识的计算机：麻省理工学院圆桌会议上的人工智能]
  Patrick Henry Winston(麻省理工学院) 参观圣地亚哥动物园的猩猩和黑猩猩激发了帕特里克亨利温斯顿思考是什么让人类与我们的灵长类动物不同。他的人工智能领域将这个问题延伸到思考人类与计算机的不同...
热度：39

357
Transforming the Next Century[改变未来]
  Jeffrey H. Shapiro, Tomas Lozano-Perez, Rafael Reif(麻省理工学院) 这个小组是EECS 100周年庆典的最后一个结局，重点是电子工程和计算向生物学的转变，以及近乎难以想象的物理学.Tomas Lozano Perez描述了自然的设计如何服务作为...
热度：16

358
Emotion Machine: Commonsense Thinking, Artificial Intelligence, and the Future of the Human Mind[情绪机器：常识思维，人工智能和人类思维的未来]
  Marvin Minsky(麻省理工学院) 当代人工智能研究人员（以及神经学家和Karl Jung）被世界上最杰出的人工智能学者之一接受了这次演讲的任务.Marvin Minsky担心，在婴儿期取得巨大进步后，AI已经...
热度：43

359
Human Augmentation[人类增强]
  John Hockenberry, Hugh Herr(麻省理工学院) 麻省理工学院的这两位博物馆发言人希望你能够从一个好的增强嫉妒案例中脱离他们的谈话 - 或者至少是对技术可以为人体和灵魂做些什么的健康尊重。 约翰霍肯伯里...
热度：9

360
Democratizing Innovation[民主化创新]
  Eric von Hippel(麻省理工学院) 如果你曾经为一款balky产品做过一次解决或改进，却发现它的性能比原版好，那么你并不孤单。 Eric von Hippel提供了多个例子，普通用户，沮丧甚至绝望，通过创新...
热度：25