境外开放课程——最近更新(30天)
101
102
103
104
105
106
107
108
109
110

Ship Structural Analysis & Design (13.122)[船舶结构分析与设计 (13.122)]
Prof. David Burke(麻省理工学院) 本课程面向对船舶或海上结构设计感兴趣的一年级研究生和高年级本科生。它需要足够的结构力学背景。利用计算机应用程序,重点是分析的基础理论。将产生静水载荷、...
更新时间:2025-03-13 09:54:13
Prof. David Burke(麻省理工学院) 本课程面向对船舶或海上结构设计感兴趣的一年级研究生和高年级本科生。它需要足够的结构力学背景。利用计算机应用程序,重点是分析的基础理论。将产生静水载荷、...
更新时间:2025-03-13 09:54:13

Visual Product Discovery[视觉产品发现]
Phil Long(KDD 2016研讨会) 我们描述了一个名为Sentient Aware的系统,它允许用户通过查看和点击产品图像来交互式地浏览目录。当用户点击一个产品时,她会收到一组新的产品进行浏览,这些产...
更新时间:2025-03-13 09:54:04
Phil Long(KDD 2016研讨会) 我们描述了一个名为Sentient Aware的系统,它允许用户通过查看和点击产品图像来交互式地浏览目录。当用户点击一个产品时,她会收到一组新的产品进行浏览,这些产...
更新时间:2025-03-13 09:54:04

Joint multi-modal representations for e-commerce catalog search driven by visual attributes[视觉属性驱动的电子商务目录搜索的联合多模态表示]
Amrita Saha(KDD 2016研讨会) 在许多视觉领域(如时尚、家具等),在线平台上对产品的搜索在很大程度上是由视觉属性驱动的。传统搜索要求目录中的所有项目都手动标记所有不可扩展的可能属性值...
更新时间:2025-03-13 09:53:00
Amrita Saha(KDD 2016研讨会) 在许多视觉领域(如时尚、家具等),在线平台上对产品的搜索在很大程度上是由视觉属性驱动的。传统搜索要求目录中的所有项目都手动标记所有不可扩展的可能属性值...
更新时间:2025-03-13 09:53:00

Fashion DNA: Merging Content and Sales Data for Recommendation and Article Mapping[时尚DNA:整合内容和销售数据以进行推荐和文章映射]
Christian Bracher(KDD 2016研讨会) 我们提出了一种确定时尚DNA的方法,在抽象空间中定位时尚项目的坐标向量。我们的方法基于深度神经网络架构,该架构接收精心策划的文章信息,如标签和图像,并经...
更新时间:2025-03-13 09:52:52
Christian Bracher(KDD 2016研讨会) 我们提出了一种确定时尚DNA的方法,在抽象空间中定位时尚项目的坐标向量。我们的方法基于深度神经网络架构,该架构接收精心策划的文章信息,如标签和图像,并经...
更新时间:2025-03-13 09:52:52

Recommendation and Opinion Mining with Visual Signals[基于视觉信号的推荐与意见挖掘]
Julian McAuley(KDD 2016研讨会) 由于人们偏好和风格的复杂语义,构建个性化的时尚推荐系统面临着几个挑战。一个挑战就是需要处理稀疏、长尾的数据集,在这些数据集中,新的内容不断被引入,推荐...
更新时间:2025-03-12 09:21:00
Julian McAuley(KDD 2016研讨会) 由于人们偏好和风格的复杂语义,构建个性化的时尚推荐系统面临着几个挑战。一个挑战就是需要处理稀疏、长尾的数据集,在这些数据集中,新的内容不断被引入,推荐...
更新时间:2025-03-12 09:21:00

Making fashion recommendations with human-in-the-loop machine learning[利用人机交互机器学习进行时尚推荐]
Brad Klingenberg(KDD 2016研讨会) 大多数推荐算法在没有人为干预的情况下产生结果。特别是在时尚等难以量化的领域,将算法与专家人工策划相结合可以使推荐更有效。但它也会使训练和评估算法的传统...
更新时间:2025-03-12 09:20:45
Brad Klingenberg(KDD 2016研讨会) 大多数推荐算法在没有人为干预的情况下产生结果。特别是在时尚等难以量化的领域,将算法与专家人工策划相结合可以使推荐更有效。但它也会使训练和评估算法的传统...
更新时间:2025-03-12 09:20:45

Challenges of quantifying fashion data: creativity, art and emotions[量化时尚数据的挑战:创造力、艺术和情感]
Elena Eberhard;Jinah Oh(KDD 2016研讨会) 时尚是一个处于艺术和工业边界的领域,基于各种灵感来源,以意想不到的方式结合了创造性自发的元素。创造一件衣服需要一个人,让它变得时尚需要一个名人。真实的...
更新时间:2025-03-12 09:20:37
Elena Eberhard;Jinah Oh(KDD 2016研讨会) 时尚是一个处于艺术和工业边界的领域,基于各种灵感来源,以意想不到的方式结合了创造性自发的元素。创造一件衣服需要一个人,让它变得时尚需要一个名人。真实的...
更新时间:2025-03-12 09:20:37

Panel on Machine Learning for Large Scale Transportation Systems[大规模交通系统机器学习专家组]
(KDD 2016研讨会) 大规模交通系统机器学习专家组
更新时间:2025-03-12 09:20:30
(KDD 2016研讨会) 大规模交通系统机器学习专家组
更新时间:2025-03-12 09:20:30

Online Traffic Speed Forecasting Considering Multiple Periodicities and Complex Patterns[考虑多周期和复杂模式的在线交通速度预测]
Hsing-Kuo Pao(KDD 2016研讨会) 智能交通系统(ITS)的开发是为了帮助驾驶员和其他道路使用者做出更好的出行决策。近年来,在这一领域进行了许多研究工作。作为一种时间序列数据,我们可以按照...
更新时间:2025-03-12 09:20:10
Hsing-Kuo Pao(KDD 2016研讨会) 智能交通系统(ITS)的开发是为了帮助驾驶员和其他道路使用者做出更好的出行决策。近年来,在这一领域进行了许多研究工作。作为一种时间序列数据,我们可以按照...
更新时间:2025-03-12 09:20:10

A Generative Model of Urban Activities from Cellular Data[基于蜂窝数据的城市活动生成模型]
Mogeng Yin(KDD 2016研讨会) 基于活动的出行模型是在快速变化的出行需求背景下评估交通状况的主要工具。然而,基于活动的模型的数据收集是通过旅行调查进行的,这些调查不频繁、昂贵,并反映...
更新时间:2025-03-12 09:20:02
Mogeng Yin(KDD 2016研讨会) 基于活动的出行模型是在快速变化的出行需求背景下评估交通状况的主要工具。然而,基于活动的模型的数据收集是通过旅行调查进行的,这些调查不频繁、昂贵,并反映...
更新时间:2025-03-12 09:20:02