V
主页
统计最高奖得主【贝叶斯因果推理出了什么问题?Problems With Bayesian Causal Inference】—Larry Wasserman
发布人
统计最高奖得主【贝叶斯因果推理出了什么问题?Problems With Bayesian Causal Inference】——Larry Wasserman(卡内基梅隆大学统计与数据科学系系主任、 All of Statistics作者) 大家都同意Larry这个观点吗? 我感觉他这个Talk跟他All of Statistics书里的missing data example来说明Bayesian statistics不适合推广到高维问题挺类似的 :( 欢迎各位来留言. 参考文献: 1. https://normaldeviate.wordpress.com/2012/09/02/robins-and-wasserman-respond-to-a-nobel-prize-winner-continued-a-counterexample-to-bayesian-inference/(Larry's blog) 2. https://statmodeling.stat.columbia.edu/2014/01/16/22571/ (Gelman's blog) 3. https://stats.stackexchange.com/questions/38420/are-bayesians-slaves-of-the-likelihood-function (Are bayesians slaves of the likelihood function?)
打开封面
下载高清视频
观看高清视频
视频下载器
麻省理工博士:为什么我说贝叶斯定理是理性思考的底层逻辑?
【概率论】讲的最好的贝叶斯公式
DeepBayes|深度贝叶斯暑期六天速成班2019版
【贝叶斯统计】因果推断(causal inference)
【因果推断入门】第1季第1集 课程简介 【Introduction to Causal Inference】 #统计机器学习课程
北京大学因果推断课公开课(第一讲):什么是因果推断
【MILA】因果推断-中英字幕可自选(宠粉稿件)
贝叶斯因果推断 A tutorial on Bayesian causal inference
真正的高手,都是贝叶斯主义者 不断修正排除主观判断对概率的影响
这些年来,第一次理解“贝叶斯公式”
贝叶斯的博弈:数学、思维与人工智能 黄黎原
麻省理工博士:为什么我说人人都要懂一点贝叶斯思维?
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? 】
[概率论沉思录][01]我推的贝叶斯:从零开始的贝叶斯推导
【贝叶斯公式】主观推理与客观世界间交互的完美法则
卡方检验就这么简单?这20分钟让我豁然开朗_轻松理解医学统计27
我们对统计学不够重视!任正非:人工智能就是统计学,大学专业需要重视统计学!
统计 | 曾是谷歌高级研究科学家,将于2024年1月加入华盛顿大学计算机系任助理教授【麻省理工MIT博士答辩】——Natasha Jaques
《因果推理导论》课程(2020) by Brady Neal
【横扫学术界 】加州伯克利大学《因果推断基础教程》,因果推断第一课,机器学习AI初学者务必收藏下!
【错过必后悔!】这个网站是本年度最伟大的发现!所有学术研究人员以及大学生、研究生都不要错过!—AI/文献/论文/人工智能
美国三院院士/机器学习超级大佬【共形预测Conformal Prediction】—加州大学伯克利分校教授Michael I. Jordan
【自监督学习 Self-supervised learning】——马腾宇(斯坦福大学计算机科学与统计学的助理教授)
华裔AI学者斯坦福教授李飞飞最新看法:AI现在的能力是能买苹果但还没写出相对论的爱因斯坦 #AI #人工智能 #ChatGPT #李飞飞
统计最高奖得主【非参数方法的缺陷Pitfall of Nonparametric Methods 】—Larry Wasserman
生活就是一个泊松过程!
【统计】统计的危机和如何匍匐前进The Statistical Crisis in Science and How to Move Forward
【官方双语】贝叶斯定理,使概率论直觉化
贝叶斯超级大佬【针对复杂的大数据的大规模贝叶斯推断】—杜克大学杰出教授David Dunson
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)
麻省理工【针对因果效应和处理效应的双重机器学习Double Machine Learning for Causal and Treatment Effects】
【机器学习我到底在学什么】哲学角度聊聊贝叶斯派和频率派,数学角度看看极大似然估计和最大后验估计
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
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
【强烈推荐】计算机体系结构 - 卡内基梅隆大学 (18-447)
【统计学中最奇怪的悖论——斯坦因悖论 The weirdest paradox in statistics - Stein's Paradox】
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
【因果推断】关于因果推断的一百个故事 100 Stories of Causal Inference——哥伦比亚大学教授Andrew Gelman
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】
建立对数据科学深刻的统计思考Building Deep Statistical Thinking for Data Science—哈佛大学教授孟晓犁