V
主页
自助法发明者、因提出自举重采样技术而闻名【自助法 Bootstrap】——布拉德利·埃夫隆(Bradley Efron)
发布人
YouTube 自助法发明者、因提出自举重采样技术而闻名【自助法 Bootstrap】——布拉德利·埃夫隆(Bradley Efron)(美国统计学家,曾担任美国统计协会和数学统计研究所的主席。他是《美国统计协会刊物》的前任编辑,也是《应用统计年鉴》的创始编辑。Efron因提出自举重采样技术而闻名,该技术在统计领域以及几乎每个统计应用领域都产生了重大影响。) @徐芝兰
打开封面
下载高清视频
观看高清视频
视频下载器
【贝叶斯数据分析全打通(1)】——宋心远(香港中文大学统计系教授)
【后现代贝叶斯机器学习(Post-Bayesian Machine Learning)】
想了解顶级统计学家都在做什么,各大统计方向的板块关系吗? 这个视频为你揭晓.【统计学三角The statistics triangle】——CMU教授金家顺
(国外超火博主)变分推断 | 证据下界 | 直觉和可视化
【斯坦福教授教你压缩估计、经验贝叶斯和错误发现率控制】——布拉德利·埃夫隆(Bradley Efron)
【二维和三维中的随机游走本质上是不同的(马尔可夫链方法)】
斯坦福大学【生存分析入门(1) Introduction to Survival Data and Censoring】
统计最高奖"考普斯会长奖"得主【用于预测的回归模型Regression Models for Prediction】—Andrew Gelman
哈佛大学【在发展因果推断历程中的艰难Obstacles in the development of causal inference】—James Robins
麻省理工大学【通过基于置换的算法进行因果推断Causal inference through permutation-based algorithms】
机器学习-第三篇-交叉验证-自助法(Bootstrap)
【贝叶斯优化 Bayesian Optimization】
【高维统计推断】
【因果推断概论 Introduction to Causal Inference】
【方差缩减法 Variance reduction methods】——米歇尔·比尔莱尔(Michel Bierlaire)
统计【经验分布和经验过程简史】
统计最高奖得主/高维统计大佬【高维统计入门2 High-Dimensional Statistics】—加州伯克利大学教授Martin Wainwright
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
多伦多大学统计系和计算机科学系教授【贝叶斯神经网络的马可夫链蒙特卡罗训练】——Radford M. Neal
统计最高奖得主、华盛顿大学教授【图模型结构的学习 Learning the Structure of a Graphical Model】——丹妮拉·威滕
美国三院院士/机器学习超级大佬【贝叶斯学派还是频率学派,只能选一边吗?Bayesian or Frequentist, Which Are You? 】
【从任意概率分布中采样】
【一次带你学会100+统计学概念】
谷歌大脑高级研究科学家【任何人可用的可解释性Interpretability For Everyone 】—Been Kim
统计 | 麻省理工学院【非参数贝叶斯方法:模型、算法和应用】——Tamara Ann Broderick(从事机器学习和贝叶斯推断)
曾是苹果公司特别项目组机器学习负责人、Google Brain的研究科学家【生成对抗网络(GAN)】——Ian Goodfellow
【概率史上的高光时刻】——尤瓦尔·佩雷斯 Yuval Peres
【解密贝叶斯深度学习】
杜克大学【岭回归有闭式解Ridge Regression has a closed form solution】—Cynthia Rudin
曾担任美国统计协会和数学统计研究所的主席,因提出自举重采样技术而闻名【贝叶斯估计的频率派准确性】——Bradley Efron
【变分贝叶斯及其他-大规模的贝叶斯推断(ICML 2018)】
美国科学院院士、IMS前主席【因果推断Causal Inference】——郁彬(加州大学伯克利分校统计系主任)
【多重检验Multiple Testing】——亚利桑那大学教授 Joseph C. Watkins
【统计】统计的危机和如何匍匐前进The Statistical Crisis in Science and How to Move Forward
美国三院院士/机器学习超级大佬【机器学习的隐患The pitfalls of Machine Learning】—Michael I. Jordan
统计 | 麻省理工学院【次模性的理论和应用】——Stefanie Jegelka (斯蒂芬妮·耶格尔卡)
统计最高奖得主【高维回归的推断 Inference for High-Dimensional Regression】—Larry Wasserman
【期望最大化算法(EM)背后的深层框架(2) Majorize-Minimization (MM) framework】——杨宇红
【概率图模型的一切】—常虹(中国科学院大学)
英属哥伦比亚大学UBC教授【你想知道的各种优化方法(1)】——Mark Schmidt(马克·施密特)