图 书 馆2022年度热门境外开放课程排行榜
91
92
93
94
95
96
97
98
99
100
91Scalable Training of Mixture Models via Coresets[基于核心集的混合模型可扩展训练]
Matthew Faulkner(加州理工学院) 我们如何在海量数据集上训练统计混合模型？在本文中，我们将展示如何构建高斯混合和自然概括的核心集。核心集是数据的加权子集，这保证了适合核心集的模型也能够...
2022年热度：54 总热度：117 转化热度：8
Matthew Faulkner(加州理工学院) 我们如何在海量数据集上训练统计混合模型？在本文中，我们将展示如何构建高斯混合和自然概括的核心集。核心集是数据的加权子集，这保证了适合核心集的模型也能够...
2022年热度：54 总热度：117 转化热度：8
92NanoMagnet Logic[纳米磁逻辑]
Wolfgang Porod(圣母大学) 我们介绍了使用物理耦合纳米磁铁阵列实现逻辑的最新结果。比特的二元状态由单个磁畴纳米磁铁元件的磁化状态表示，逻辑是通过它们之间的直接物理相互作用实现的。...
2022年热度：54 总热度：95 转化热度：1
Wolfgang Porod(圣母大学) 我们介绍了使用物理耦合纳米磁铁阵列实现逻辑的最新结果。比特的二元状态由单个磁畴纳米磁铁元件的磁化状态表示，逻辑是通过它们之间的直接物理相互作用实现的。...
2022年热度：54 总热度：95 转化热度：1
93Healthcare Finance[医疗金融]
Andrew Lo(麻省理工学院) 医疗保健金融 (15.482x) 为学生提供影响医疗保健行业的背景、资源和框架。主题包括将投资组合理论、证券化和期权定价等金融技术应用于生物医学环境，以开发更有...
2022年热度：53 总热度：136 转化热度：9
Andrew Lo(麻省理工学院) 医疗保健金融 (15.482x) 为学生提供影响医疗保健行业的背景、资源和框架。主题包括将投资组合理论、证券化和期权定价等金融技术应用于生物医学环境，以开发更有...
2022年热度：53 总热度：136 转化热度：9
94LogMap: Logic-based and Scalable Ontology Matching[LogMap:基于逻辑且可扩展的本体匹配]
Ernesto Jimenez-Ruiz(牛津大学) 在本文中，我们提出了一个高度可扩展的本体匹配系统，它具有内置的推理和诊断功能。据我们所知，logmap是唯一能够处理包含数万（甚至数百）个类的语义丰富的本体...
2022年热度：53 总热度：123 转化热度：13
Ernesto Jimenez-Ruiz(牛津大学) 在本文中，我们提出了一个高度可扩展的本体匹配系统，它具有内置的推理和诊断功能。据我们所知，logmap是唯一能够处理包含数万（甚至数百）个类的语义丰富的本体...
2022年热度：53 总热度：123 转化热度：13
95Bandit Algorithms for Online Linear Optimization[在线线性优化算法]
Nicolò Cesa-Bianchi(米兰大学) 在在线线性优化问题中, 预报员在每个实例中选择一个来自 d 维欧几里得空间的特定子集 s 的向量 x, 并遭受 x 中线性的时间依赖性损失。预报员的目标是实现这一目...
2022年热度：52 总热度：524 转化热度：3
Nicolò Cesa-Bianchi(米兰大学) 在在线线性优化问题中, 预报员在每个实例中选择一个来自 d 维欧几里得空间的特定子集 s 的向量 x, 并遭受 x 中线性的时间依赖性损失。预报员的目标是实现这一目...
2022年热度：52 总热度：524 转化热度：3
96Continuous Relaxations for Discrete Hamiltonian Monte Carlo[离散哈密顿蒙特卡罗的连续松弛]
Yichuan Zhang(爱丁堡大学) 连续松弛在离散优化中起着重要作用，但在近似概率推理中没有多少用处。在这里，我们展示了高斯积分技巧的一般形式使得可以将一大类离散变量无向模型转换为完全连...
2022年热度：52 总热度：184 转化热度：9
Yichuan Zhang(爱丁堡大学) 连续松弛在离散优化中起着重要作用，但在近似概率推理中没有多少用处。在这里，我们展示了高斯积分技巧的一般形式使得可以将一大类离散变量无向模型转换为完全连...
2022年热度：52 总热度：184 转化热度：9
97Privacy-Preserving Reinforcement Learning[隐私保护的强化学习]
Jun Sakuma(东京工业大学 ) 分布式强化学习（DRL）已被研究作为一种学习控制策略的方法，通过分布式代理和环境之间的交互。 DRL的主要重点是通过最少或有限的代理共享感知来学习次优政策。...
2022年热度：52 总热度：165 转化热度：10
Jun Sakuma(东京工业大学 ) 分布式强化学习（DRL）已被研究作为一种学习控制策略的方法，通过分布式代理和环境之间的交互。 DRL的主要重点是通过最少或有限的代理共享感知来学习次优政策。...
2022年热度：52 总热度：165 转化热度：10
98The Born-Oppenheimer approximation[玻恩 - 奥本海默近似]
Robert W. Field(麻省理工学院) 作者: 罗伯特 w. 菲尔德, 未来公民媒体中心记录: 麻省理工学院, 麻省理工学院发表: 2011年4月19日, 记录: 2008年10月, 意见: 145 根据以下条款发布: 知识共享归...
2022年热度：52 总热度：123 转化热度：8
Robert W. Field(麻省理工学院) 作者: 罗伯特 w. 菲尔德, 未来公民媒体中心记录: 麻省理工学院, 麻省理工学院发表: 2011年4月19日, 记录: 2008年10月, 意见: 145 根据以下条款发布: 知识共享归...
2022年热度：52 总热度：123 转化热度：8
99Fat Chance: Probability from the Ground Up[机会渺茫：从头开始的概率]
Benedict Gross;Joseph Harris;Emily Riehl(哈佛大学) Fat Chance专为那些对概率研究不熟悉的人，或是那些在参加大学统计课程之前寻求对核心概念进行平易近人的回顾的人而创建，Fat Chance优先发展数学思维模式，而不...
2022年热度：52 总热度：112 转化热度：9
Benedict Gross;Joseph Harris;Emily Riehl(哈佛大学) Fat Chance专为那些对概率研究不熟悉的人，或是那些在参加大学统计课程之前寻求对核心概念进行平易近人的回顾的人而创建，Fat Chance优先发展数学思维模式，而不...
2022年热度：52 总热度：112 转化热度：9
1006.253 Convex Analysis and Optimization (MIT)[6.253凸分析与优化（麻省理工）]
Prof. Dimitri Bertsekas(麻省理工学院) 本课程将重点介绍凸性，对偶性和凸优化算法的基础主题。目的是利用一些易于可视化和易于理解的统一原则，开发连续优化，二元性和鞍点理论的核心分析和算法问题。
2022年热度：51 总热度：379 转化热度：29
Prof. Dimitri Bertsekas(麻省理工学院) 本课程将重点介绍凸性，对偶性和凸优化算法的基础主题。目的是利用一些易于可视化和易于理解的统一原则，开发连续优化，二元性和鞍点理论的核心分析和算法问题。
2022年热度：51 总热度：379 转化热度：29