图 书 馆境外开放课程——最近更新(30天)
61
62
63
64
65
66
67
68
69
70
61Automated Sorghum Phenotyping and Trait Development Platform[高粱自动表型和性状开发平台]
Mitch Tuinstra(KDD 2016研讨会) 高粱自动表型和性状开发平台
更新时间：2025-03-20 10:06:35
Mitch Tuinstra(KDD 2016研讨会) 高粱自动表型和性状开发平台
更新时间：2025-03-20 10:06:35
62Satellite Image Analytics, Land Change and Food Security[卫星图像分析、土地变化和粮食安全]
Sunandan Chakraborty(KDD 2016研讨会) 卫星图像分析、土地变化和粮食安全
更新时间：2025-03-20 10:06:01
Sunandan Chakraborty(KDD 2016研讨会) 卫星图像分析、土地变化和粮食安全
更新时间：2025-03-20 10:06:01
63Direct-Manipulation Visualization of Deep Networks[深度网络的直接操作可视化]
Daniel Smilkov(KDD 2016研讨会) 深度学习最近的成功引起了非专家的兴趣。然而，要理解这项技术是困难的。虽然该理论很重要，但它也有助于新手对不同超参数和结构变化的影响产生直观的感觉。我们...
更新时间：2025-03-20 10:05:51
Daniel Smilkov(KDD 2016研讨会) 深度学习最近的成功引起了非专家的兴趣。然而，要理解这项技术是困难的。虽然该理论很重要，但它也有助于新手对不同超参数和结构变化的影响产生直观的感觉。我们...
更新时间：2025-03-20 10:05:51
64How Much Water Does Turf Removal Save? Applying Bayesian Structural Time-Series to California Residential Water Demand[贝叶斯结构时间序列在加州居民用水需求中的应用]
Christopher Tull(KDD 2016研讨会) 草皮移除可以节省多少水？贝叶斯结构时间序列在加州居民用水需求中的应用
更新时间：2025-03-20 10:05:38
Christopher Tull(KDD 2016研讨会) 草皮移除可以节省多少水？贝叶斯结构时间序列在加州居民用水需求中的应用
更新时间：2025-03-20 10:05:38
65Opportunities and Challenges for Remote Sensing in Agricultural Applications of Data Science[遥感在数据科学农业应用中的机遇与挑战]
Melba Crawford(KDD 2016研讨会) 全球人口的增长，加上气候变化的挑战，需要开发技术来支持从植物育种到农产品交付的整个供应链中粮食产量的增加。天基、机载和近端传感平台的遥感发展，加上计算...
更新时间：2025-03-19 10:01:18
Melba Crawford(KDD 2016研讨会) 全球人口的增长，加上气候变化的挑战，需要开发技术来支持从植物育种到农产品交付的整个供应链中粮食产量的增加。天基、机载和近端传感平台的遥感发展，加上计算...
更新时间：2025-03-19 10:01:18
66Predictive Phenomics of Plants[植物的预测表型]
Patrick S. Schnable(KDD 2016研讨会) 我们的目标是开发统计模型，预测不同农艺环境下的作物表现。作物的表型，如产量和耐跌性，受基因型、环境（广义上）及其相互作用（GxE）的控制。作为下一代测序...
更新时间：2025-03-19 10:01:10
Patrick S. Schnable(KDD 2016研讨会) 我们的目标是开发统计模型，预测不同农艺环境下的作物表现。作物的表型，如产量和耐跌性，受基因型、环境（广义上）及其相互作用（GxE）的控制。作为下一代测序...
更新时间：2025-03-19 10:01:10
67Clustrophile: A Tool for Visual Clustering Analysis[Clusterhile：可视化聚类分析工具]
Çağatay Demiralp(KDD 2016研讨会) 虽然聚类是数据挖掘中最流行的方法之一，但分析师缺乏足够的工具来进行快速、迭代的聚类分析，而这对于假设生成和数据推理至关重要。我们介绍了Clustrophile，这...
更新时间：2025-03-19 10:01:02
Çağatay Demiralp(KDD 2016研讨会) 虽然聚类是数据挖掘中最流行的方法之一，但分析师缺乏足够的工具来进行快速、迭代的聚类分析，而这对于假设生成和数据推理至关重要。我们介绍了Clustrophile，这...
更新时间：2025-03-19 10:01:02
68Interacting with Predictions: Visual Inspection of Black-box Machine Learning Models[与预测交互：黑盒机器学习模型的视觉检查]
Adam Perer(KDD 2016研讨会) 从解释和识别可操作的见解的角度理解预测模型是一项具有挑战性的任务。通常，一个特征在模型中的重要性只是一个粗略的估计，浓缩成一个数字。然而，我们的研究通...
更新时间：2025-03-19 10:00:54
Adam Perer(KDD 2016研讨会) 从解释和识别可操作的见解的角度理解预测模型是一项具有挑战性的任务。通常，一个特征在模型中的重要性只是一个粗略的估计，浓缩成一个数字。然而，我们的研究通...
更新时间：2025-03-19 10:00:54
69Expressive Query Construction through Direct Manipulation of Nested Relational Results[通过直接操作嵌套关系结果构建表达性查询]
Eirik Bakke(KDD 2016研讨会) 尽管对可视化查询系统进行了广泛的研究，但与关系数据库交互的标准方式仍然是通过SQL查询和定制的表单界面。我们认为三个要求对于成功的替代方案至关重要：（1）...
更新时间：2025-03-19 10:00:46
Eirik Bakke(KDD 2016研讨会) 尽管对可视化查询系统进行了广泛的研究，但与关系数据库交互的标准方式仍然是通过SQL查询和定制的表单界面。我们认为三个要求对于成功的替代方案至关重要：（1）...
更新时间：2025-03-19 10:00:46
70Better Machine Learning Through Data[通过数据实现更好的机器学习]
Saleema Amershi(KDD 2016研讨会) 机器学习是算法和数据的产物。虽然机器学习研究倾向于关注算法进步，将数据视为给定，但机器学习实践却恰恰相反。从业者在使用机器学习构建预测模型方面的大部分...
更新时间：2025-03-18 09:33:28
Saleema Amershi(KDD 2016研讨会) 机器学习是算法和数据的产物。虽然机器学习研究倾向于关注算法进步，将数据视为给定，但机器学习实践却恰恰相反。从业者在使用机器学习构建预测模型方面的大部分...
更新时间：2025-03-18 09:33:28