境外开放课程——按学科专业列表
开放课程→工程与技术科学::

9076
Compact Coding for Hyperplane Classifiers in Heterogeneous Environment[超平面分类器在异构环境下的压缩编码]
  Hao Shao(九州大学) 转移学习技术在实际应用中取得了重大进展, 需要从以前的任务中获得知识, 以降低查询目标任务的标记信息的高昂成本。然而, 如何避免因异构环境中任务分布不同而发...
热度：45

9077
Fast Support Vector Machines for Structural Kernels[快速的支持结构核向量机]
  Aliaksei Severyn(特伦托大学) 在本文中，我们提出了近似切割平面算法（CPA）的三个重要增强，以训练具有结构核的支持向量机：（i）我们利用有向无环图来利用切割平面模型的紧凑而精确的表示来...
热度：49

9078
Kernels for Link Prediction with Latent Feature Models[与潜在特征模型的链路预测核]
  Canh Hao Nguyen(日本科学技术高等研究院) 预测网络中的新链接是许多应用领域中感兴趣的问题。大多数预测方法利用网络上的实体（如节点）的信息来构建链接模型。除了具有相似性或相关性语义的网络之外，通...
热度：155

9079
Common Substructure Learning of Multiple Graphical Gaussian Models[常见的子结构的多个图形高斯模型学习]
  Satoshi Hara(大阪大学) 学习数据生成的潜在机制在科学和工程领域中具有重要意义。在数据中查找变量之间的依赖关系结构是一种可行的方法，并且是数据挖掘中的一项重要任务。在本文中，我...
热度：51

9080
Building Sparse Support Vector Machines for Multi-Instance Classification[建筑的稀疏支持向量机的多实例的分类]
  Zhouyu Fu(莫纳什大学) 我们提出了一种直接方法来学习用于多实例（MI）分类的稀疏支持向量机（SVM）预测模型。所提出的稀疏SVM基于“标签均值”。 MI分类的制定，其取出用于袋级预测的...
热度：65

9081
PerTurbo: a new classification algorithm based on the spectrum perturbations of the Laplace-Beltrami operator[perturbo：一种新的基于拉普拉斯Beltrami算子谱的扰动分类算法]
  Thomas Burger(法国南布列塔尼大学) PerTurbo，一个原始的，非参数的和有效的分类方法在这里提出。在我们的框架中，每一类的歧管的特征在于，其拉普拉斯-Beltrami算，这是评价与涉及图形拉普拉斯经...
热度：117

9082
Regularized Sparse Kernel Slow Feature Analysis[正则稀疏核慢特征分析]
  Wendelin Böhmer(第六电气工程学院) 本文开发了一种核心化慢特征分析（SFA）算法。 SFA是一种无监督学习方法，用于从时间序列中提取编码潜在变量的特征。生成关系通常很复杂，而且当前的算法要么不...
热度：111

9083
A Spectral Learning Algorithm for Finite State Transducers[有限状态传感器的光谱学习算法]
  Borja Balle(加泰罗尼亚技术大学) 有限状态传感器（FSTS）是成对的投入产出序列建模常用的工具，并且在现实世界中的问题，许多应用程序。大多数学习FSTS训练算法依靠基于梯度或EM优化，可以计算昂...
热度：69

9084
Intelligent Interaction with the Real World [与现实世界的智能交互]
  Leslie Pack Kaelbling(麻省理工学院) 自人工智能领域开始以来，人工智能的一个愿景就是强大，智能，通用的机器人，它们与现实世界相互作用。我们在这方面取得了有益进展，但仍有很长的路要走。我将描...
热度：66

9085
Preference Learning[偏好学习]
  Johannes Fürnkranz, Eyke Hullermeier(达姆施塔特工业大学) “偏好”主题最近在人工智能和机器学习中引起了相当多的关注，其中偏好学习的主题已经成为一个新的跨学科研究领域，与运筹学，社会选择和决策理论等相关领域有着...
热度：165

9086
Structure is Informative: On Mining Structured Information Networks[结构：结构化信息网络信息挖掘]
  Jiawei Han(伊利诺伊大学) 现实世界中的很多物体相互连接，形成复杂的信息网络。有一个大量的挖掘信息网络中的对象和链接均被视为同一类型的研究，如朋友与朋友，或治疗indiscriminatively...
热度：39

9087
Mining Billion-node Graphs: Patterns, Generators and Tools[挖掘亿节点图：模式，发电机和工具]
  Christos Faloutsos(卡内基梅隆大学) 图表是什么样的？它们如何随着时间的推移而发展？如何处理具有十亿个节点的图形？我们提出了静态和时间定律的综合列表，以及最近对实际图的观察（例如，“eigenS...
热度：69

9088
Flexible QSAR: functional machine learning in computational chemistry[灵活的定量构效关系：功能机计算化学学习]
  Ignasi Belda(智能制药公司) QSAR（定量构效关系）建模是药物发现中的常见步骤。 QSAR方法使用统计学和机器学习工具来绘制候选药物（分子）的分子结构与其生物学特征之间的重要关系。为了实...
热度：63

9089
Debt Detection in Social Security by Sequence Classification Using Both Positive and Negative Patterns[通过使用正面和负面的模式序列分类在社会保障债务检测]
  Yanchang Zhao(悉尼科技大学) 债务检测对于提高社会保障的支付准确性非常重要。由于来自客户交易数据的债务检测通常可以被建模为欺诈检测问题，因此直接的解决方案是从交易序列中提取特征并构...
热度：36

9090
Identifying the Components[确定组件]
  Matthijs van Leeuwen(乌得勒支大学) 大多数，如果不是所有的，数据库的不同分布的样本混合物。然而在许多情况下，没有什么是对的，这些混合源成分特征。因此，许多的方法诱导模型将数据库从一个单一...
热度：42