图 书 馆境外开放课程——最近更新(30天)
81
82
83
84
85
86
87
88
89
90
81Opportunities 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
82Predictive 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
83Clustrophile: 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
84Interacting 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
85Expressive 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
86Better 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
87Predictive Interaction[预测性交互]
Jeffrey Heer(KDD 2016研讨会) 我们如何构建交互式系统，使其对我们试图执行的任务有更好的模型，随着时间的推移学习，帮助细化模糊的用户意图，并扩展到大型或重复的工作负载？在这次演讲中，...
更新时间：2025-03-18 09:33:14
Jeffrey Heer(KDD 2016研讨会) 我们如何构建交互式系统，使其对我们试图执行的任务有更好的模型，随着时间的推移学习，帮助细化模糊的用户意图，并扩展到大型或重复的工作负载？在这次演讲中，...
更新时间：2025-03-18 09:33:14
88Dynamic Processes over Information Networks Representation, Modeling, Learning and Inference[信息网络表示、建模、学习和推理的动态过程]
Le Song(KDD 2016研讨会) 如今，来自推特、脸书、Reddit、Stackoverflow、维基百科和Yelp等在线社交平台的大规模人类活动数据越来越可用，空间和时间分辨率也越来越高。这些数据为理解和...
更新时间：2025-03-18 09:33:05
Le Song(KDD 2016研讨会) 如今，来自推特、脸书、Reddit、Stackoverflow、维基百科和Yelp等在线社交平台的大规模人类活动数据越来越可用，空间和时间分辨率也越来越高。这些数据为理解和...
更新时间：2025-03-18 09:33:05
89Evaluating Improvements to the Shapelet Transform[评估Shapelet变换的改进]
Aaron Bostrom(KDD 2016研讨会) Shapelet树算法于2009年提出，是一种寻找相位无关序列的新方法，可用于时间序列分类。形状集发现算法是O（n2m4），其中n是案例的数量，m是序列的长度。有几种方...
更新时间：2025-03-18 09:32:55
Aaron Bostrom(KDD 2016研讨会) Shapelet树算法于2009年提出，是一种寻找相位无关序列的新方法，可用于时间序列分类。形状集发现算法是O（n2m4），其中n是案例的数量，m是序列的长度。有几种方...
更新时间：2025-03-18 09:32:55
90Recent Results on Lieb-Thirring Inequalities[关于Lieb-Thirring不等式的最新结果]
Rupert Frank() 利布-蒂林不等式是量子力学中不确定性原理和不相容原理的数学表达。自1975年被发现以来，它们在分析和数学物理的几个领域发挥了重要作用。我们提供了一个温和的...
更新时间：2025-03-18 09:32:05
Rupert Frank() 利布-蒂林不等式是量子力学中不确定性原理和不相容原理的数学表达。自1975年被发现以来，它们在分析和数学物理的几个领域发挥了重要作用。我们提供了一个温和的...
更新时间：2025-03-18 09:32:05