境外开放课程——最近更新(30天)

1
Convex transduction with the normalized cut[归一化切口的凸转导]
  Tijl De Bie(布里斯托尔大学) 我们讨论了基于图切割成本函数的转换方法。更具体地说,我们关注归一化切割,这是许多聚类应用中的成本函数选择,特别是在图像分割中。由于优化归一化切割成本是...
更新时间:2019-07-23 11:32:59

2
Kernel Methods[核方法]
  Bernhard Schölkopf(马克斯普朗克研究所) 本课程将介绍学习理论的一些基本思想,再生核Hilbert空间理论的要素,以及一些基于此的机器学习算法。
更新时间:2019-07-23 11:24:47

3
Convex Optimization[凸优化]
  Lieven Vandenberghe(加州大学洛杉矶分校) 这些讲座将介绍凸优化的理论和应用,并概述算法的最新发展。第一讲将介绍凸分析的基础知识,重点关注对凸建模最有用的结果,即识别和制定应用中的凸优化问题。我...
更新时间:2019-07-23 11:18:03

4
Bayesian Nonparametrics[贝叶斯非参数]
  Yee Whye Teh(牛津大学) 机器学习研究人员经常不得不在大型复杂模型和稀疏数据的背景下应对模型选择和模型拟合的问题。我在这个项目中推动的想法是,使用贝叶斯技术可以很好地处理这些。...
更新时间:2019-07-23 11:13:27

5
Learning Theory: statistical and game-theoretic approaches[学习理论:统计和博弈论方法]
  Nicolò Cesa-Bianchi(米兰大学) 机器学习的理论基础具有双重性:统计学和博弈论。在本课程中,我们利用这两种范式来介绍和研究一些基本主题,包括错误界限和风险界限,经验风险最小化,在线线性...
更新时间:2019-07-23 11:09:11

6
Kernel Methods[核方法]
  Bernhard Schölkopf(马克斯普朗克研究所) 本课程将从机器学习的基本思想开始,然后是学习理论的一些要素。它还将引入正定内核及其相关的特征空间,并展示如何将它们用于内核均值嵌入,SVM和内核PCA。
更新时间:2019-07-23 11:02:42

7
Bayesian Inference[贝叶斯推理]
  Peter Green(布里斯托尔大学) 推断是从数据中发现可能已经导致或生成该数据的机制,或者至少解释它的过程。目标的变化可能只是简单地预测未来的数据,或者更加雄心勃勃地得出有关科学或社会真...
更新时间:2019-07-23 10:58:14

8
Early language bootstrapping[早期语言引导]
  Emmanuel Dupoux(高等师范学院) 尽管任务非常复杂,但人类婴儿可以自然而轻松地学习其环境中使用的语言。在过去的30年里,婴儿出生后头两年语言成就的实证调查取得了巨大进展。在他们短暂的生命...
更新时间:2019-07-23 10:54:56

9
Monte Carlo Methods[蒙特卡罗方法]
  Arnaud Doucet(牛津大学) 我们将首先回顾蒙特卡罗原理和标准蒙特卡罗方法,包括拒绝采样,重要性采样和标准马尔可夫链蒙特卡罗(MCMC)方法。然后,我们将讨论更先进的MCMC方法,如自适应...
更新时间:2019-07-23 10:50:48

10
Low-rank modeling[低阶建模]
  Emmanuel Candes(斯坦福大学) 受压缩传感成功的启发,过去三年中低等级建模理论的研究爆炸式增长。到目前为止,我们得到的结果表明,可以通过易处理的凸优化从最小数量的条目或线性函数中恢复...
更新时间:2019-07-23 10:47:29

11
Seeking Interpretable Models for High Dimensional Data[寻找高维数据的可解释模型]
  Bin Yu(加州大学伯克利分校) 从高维数据中提取有用信息是当今统计研究和实践的重点。在通过正规化进行预测的统计机器学习取得广泛成功之后,可解释性正在受到关注,稀疏性已被用作其代理。由...
更新时间:2019-07-23 10:43:30

12
Introduction to kernel methods[内核方法简介]
  Alexander J. Smola(澳大利亚国立大学) Smola先生的讲座与Bernhard Schoelkopf先生合并,并将完成整个讲座的第1部分,第5部分。这个讲座的第2,3和4部分可以在这里找到[[mlss07_scholkopf_intkmet | //...
更新时间:2019-07-23 10:43:03

13
Learning Deformable Models[学习变形模型]
  Yali Amit(芝加哥大学) 众所周知,高级计算机视觉中的基本构建块是可变形模板,其表示图像中对象类的实现,作为底层模型的嘈杂几何实例。实例化通常来自以身份为中心的某个组的子集,其...
更新时间:2019-07-23 10:37:44

14
Introduction to Statistical Machine Learning[统计机器学习导论]
  Marcus Hutter( 人工智能研究所) 他的教程的第一部分简要概述了统计机器学习的基本方法和应用。其他发言者将详细介绍或以此介绍为基础。统计机器学习涉及通过构建可用于进行预测和决策的随机模型...
更新时间:2019-07-23 10:34:21

15
Contrast Data Mining: Methods and Applications[对比数据挖掘:方法和应用]
  Rao Kotagiri(墨尔本大学) 区分,区分和区分不同数据集的能力是数据挖掘的关键目标。这种能力可以帮助领域专家了解他们的数据,并可以帮助建立分类模型。他的演讲将介绍对比不同类型数据的...
更新时间:2019-07-23 10:31:11