V
主页
大样本的乌托邦
发布人
Y 【大样本的乌托邦Asymptopia (= asymptotics + utopia)】——谢敏革(罗格斯大学统计杰出教授) @徐芝兰 @BuddyBG @AI深度学渣 @R与统计
打开封面
下载高清视频
观看高清视频
视频下载器
【高维统计推断】
【后现代贝叶斯机器学习(Post-Bayesian Machine Learning)】
【概率图模型的一切】—常虹(中国科学院大学)
【贝叶斯数据分析全打通(2)】——宋心远(香港中文大学统计系教授)
【贪婪算法与压缩感知理论】—张颢(清华大学)
【加州理工学院机器学习报告课】
【因果推断概论 Introduction to Causal Inference】
【模特姐姐教你数据库管理系统导论 Introduction to Database Management Systems】——林郁珊(Yusan Lin)
加州大学洛杉矶分校统计系教授【V 统计量和 U 统计量入门 Introduction to V and U Statistics】——李婧翌
【一阶二阶优化与次梯度】——张颢(清华大学)
【期望最大化算法(EM)背后的深层框架(1) Majorize-Minimization (MM) framework】——杨宇红
【数据科学-使用tidyverse实现数据可视化 Data Science-Data visualisation with the tidyverse】
加州大学计算遗传学教授,美国科学院院士【Majorization-Minimization Algorithm】——Kenneth L Lange
【贝叶斯数据分析全打通(3)】——宋心远(香港中文大学统计系教授)
普渡大学【生成对抗网络和统计的关联】——王啸
【计量经济学:工具变量 (instrumental variables)】
【方差缩减法 Variance reduction methods】——米歇尔·比尔莱尔(Michel Bierlaire)
【剖面似然(profile likelihood)和积分似然(integrated likelihood)孰优孰劣?】
【因果推理的必要概念: 非凡的历史】——唐纳德·布鲁斯·鲁宾 Donald Bruce Rubin (哈佛大学)
【参数估计及习题讲解(1)】—何书元(首都师范大学)
【一次带你打通关统计推断基础(2)】——威尔·菲西安(Will Fithian, 加州大学伯克利分校统计系教授)
【变分贝叶斯及其他-大规模的贝叶斯推断(ICML 2018)】
统计【经验分布和经验过程简史】
【考研概率统计题串讲(1)】
【孟晓犁 | 范剑青 对谈统计学】——(哈佛大学 | 普林斯顿大学)
【我不敢相信贝叶斯深度学习没有更好】——塞巴斯蒂安-诺沃津(Sebastian Nowozin)
考研必考【假设检验】
《模式识别与机器学习– PRML》作者,【图模型(2) Graphical Models】—Christopher Michael Bishop
【贝叶斯数据分析全打通(4)】——宋心远(香港中文大学统计系教授)
【马尔可夫链蒙特卡罗方法(1) (Markov chain Monte Carlo,MCMC) 】——张颢(清华大学)
【图深度学习】——马克斯·韦林 Max Welling(阿姆斯特丹大学)
新加坡国立大学【贝叶斯近似计算(1) Approximate Bayesian Computation i.e. ABC】——大卫·诺特
统计最高奖得主/高维统计大佬【高维统计入门1 High-Dimensional Statistics】—加州伯克利大学教授Martin Wainwright
【fused lasso和加性模型 fused lasso and additive model】——丹妮拉·威滕(Daniela Witten)
【当统计遇上计算: 一些有意思的问题和挑战】——蔡天文 T. Tony Cai(宾夕法尼亚大学)
【错误发现率平滑(FDR smoothing)方法】——詹姆斯·斯科特 James Scott
【MCMC vs. Variational Inference】——Yi an Ma (加州大学圣地亚哥分校计算机系教授)
【支持向量机和核方法 SVM and Kernel】——张颢(清华大学)
【非参数回归】——瑞恩·J·提布希拉尼 Ryan Tibshirani(卡内基梅隆大学)
【时间序列预测】——罗布-海德曼(Rob J Hyndman)