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→计算机工程::

91
Scenarios and Technologies for Event-based Media Search[基于事件的媒体搜索场景与技术 ]
  Francesco Denatale(特兰托大学 ) 由于存在许多问题，媒体检索仍然是一个悬而未决的问题：语义差距，根据媒体档案的维度和多样性进行缩放的难度，计算负担。上下文信息的使用被认为是解决此类问题...
热度：43

92
Model Reduction for Parameter Estimation[参数估计的模型简化]
  Eric Mjolsness(加利福尼亚大学) 估算生化网络模型中的参数是一个中心但通常很难的问题。可能值得进一步发展的一般方法是首先寻找具有较少动态自由度的简化或“简化”模型，估计简化模型的参数，...
热度：53

93
Identifiability of Delay Parameters for Nonlinear Time-delay Systems with Applications in Systems Biology[非线性时滞系统时滞参数的可辨识性及其在系统生物学中的应用]
  Milena Anguelova(查尔姆斯理工大学 ) 将简要介绍参数可识别性的概念，然后简要描述如何通过等级计算对ODE系统测试该属性。然后，这个分析扩展到延迟系统，最近由Xia等人开发。 [1]和张等人。 [2]将进...
热度：50

94
Two Related Lexico-Syntactic Approaches to Entailment[蕴涵的两种相关词汇句法分析方法]
  Vasile Rus(孟菲斯大学 ) 提出了两种文本蕴涵方法。他们都依赖于词汇句法信息。这两种方法的不同主要在于语法关系的派生方式。在一种方法中，句法关系是从基于短语的解析树中提取的。另一...
热度：84

95
Learning to Distinguish Valid Textual Entailments[学习区分有效的语篇蕴涵]
  Marie-Catherine de Marneffe(斯坦福大学) 本文提出了一种新的文本推理架构，其中找到一个良好的对齐与评估蕴涵是分开的。在问题回答和文本蕴涵中的当前语义推理方法已经将蕴涵问题近似为使用可局部可分解...
热度：60

96
Morfessor in the Morpho Challenge[morpho挑战中的morfessor ]
  Krista Lagus(阿尔托大学) 在这项工作中，Morfessor是由Morpho Challenege的组织者开发的语素分割模型和算法，概述并参考了早期的工作。虽然Morfessor没有参加官方挑战赛，但我们会报告英...
热度：95

97
Tree Edit Distance for Recognizing Textual Entailment: Estimating the Cost of Insertion[识别文本蕴涵的树编辑距离：估计插入成本]
  Milen Kouylekov(特兰托大学 ) 我们参与PASCAL RTE2的重点是估计文本中缺少的假设信息的成本，并且不能与蕴涵规则相匹配。我们测试了不同的系统设置来计算假设词的重要性，并研究了将它们与机...
热度：36

98
Using Maximal Embedded Syntatic Subtrees for Textual Entailment Recognition[最大嵌入句法子树在文本蕴涵识别中的应用 ]
  Sophia Katrenko(阿姆斯特丹大学 ) 在本文中，我们通过使用树挖掘和匹配技术来解决文本蕴涵任务。我们的结果表明，当使用词汇蕴涵与句法匹配相结合时，可以提高准确性。我们通过组合两个组件获得的...
热度：32

99
Coping with Semantic Uncertainty with VENSES[用VENSES应对语义不确定性]
  Rodolfo Delmonte(加州大学 ) 与之前的RTE挑战一样，我们提出了一种基于语言的语义推理方法，该方法围绕两个主要组件之间的整洁分工构建：一个语法驱动的子系统，它负责谓词参数的良好形成并...
热度：52

100
Optimization in Machine Learning: Recent Developments and Current Challenges[机器学习中的优化：最新进展和当前挑战 ]
  Stephen J. Wright(威斯康星大学) 近年来，使用优化作为制定机器学习问题的框架已变得更加普遍。在某些情况下，机器学习问题的需求超出了传统优化范例的范围。虽然现有的优化配方和算法是解决方案...
热度：79

101
Scalable Tensor Decompositions for Learning Hidden Variable Models[用于学习隐藏变量模型的可扩展张量分解]
  Sham M. Kakade(微软公司) 在许多应用程序中，我们面临着对多个之间的交互进行建模的挑战观察结果。机器学习和人工智能的一种流行和成功的方法是假设某些潜在（或隐藏）原因的存在有助于解...
热度：38

102
Bayesian Online Event Detection[贝叶斯在线事件检测]
  David Barber(伦敦大学学院) 蒸馏感应是一种多阶段主动学习过程，用于检测分散在各个站点的事件。我们假设在每个阶段，可以测量的站点数量是固定的，并专注于跨站点的最佳测量分布问题。 通...
热度：80

103
Sparse Algorithms are Not Stable: A No-free-lunch Theorem[稀疏算法不稳定：一个没有免费午餐的定理 ]
  Huan Xu(新加坡国立大学 ) 我们考虑机器学习中两个广泛使用的概念，即：稀疏性和稳定性。这两种观念都被认为是可取的，并且被认为可以带来良好的泛化能力。我们证明这两个概念相互矛盾：稀...
热度：28

104
Anatomy of a Learning Problem[学习问题剖析 ]
  Mark Reid(澳大利亚国立大学) 为了解决机器学习问题，我们认为我们需要能够清楚地表达单个机器学习问题的含义。通过尝试命名学习问题的各个方面，我们希望澄清学习问题可能彼此相关的方式。我...
热度：40

105
Lock-Free Approaches to Parallelizing Stochastic Gradient Descent[随机梯度下降并行化的无锁方法 ]
  Benjamin Recht(加州大学伯克利分校 ) 随机梯度下降（SGD）是一种非常流行的优化算法，用于解决数据驱动的机器学习问题。由于其抗噪声，快速收敛速度和可预测的内存占用，SGD非常适合处理大量数据。然...
热度：103