V
主页
京东 11.11 红包
杜克大学【是否存在更简单的模型以及我们如何找到它们?KDD 2019 - 主题演讲】
发布人
杜克大学【是否存在更简单的模型以及我们如何找到它们?KDD 2019 - 主题演讲 Do Simpler Models Exist and How Can We Find Them? 】——Cynthia Rudin(以可解释的机器学习工作而闻名、杜克大学可解释机器学习实验室主任) @徐芝兰
打开封面
下载高清视频
观看高清视频
视频下载器
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
统计最高奖得主【高维回归的推断 Inference for High-Dimensional Regression】—Larry Wasserman
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
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
哈佛大学【高斯混合模型的最大期望算法(1) EM for the Gaussian mixture model 】——Jeff Miller
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
哥伦比亚大学天文学教授【蒙特卡洛马尔可夫链MCMC分析初学者指南】—David Kipping
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
杜克大学【核密度估计Kernel Density Estimation】—Cynthia Rudin
统计最高奖得主【非参数方法的缺陷Pitfall of Nonparametric Methods 】—Larry Wasserman
杜克大学(知识要点编成歌)【多臂老虎机之歌The Song of the Multi-Armed Bandit】—Cynthia Rudin
统计最高奖得主【稀疏估计中令人不愉快的性质Unpleasant Properties of Sparse Estimators(e.g. Lasso)】
加州大学计算遗传学教授,美国科学院院士【Majorization-Minimization Algorithm】——Kenneth L Lange
斯坦福大学【为什么马尔可夫发明马尔可夫链?Why did Markov invent Markov Chains?】—Persi Diaconis
【变分贝叶斯及其他-大规模的贝叶斯推断(ICML 2018)】
【贝叶斯网络 Bayesian Network】
【5个简单步骤解决任何递归问题 5 Simple Steps for Solving Any Recursive Problem】
斯坦福大学【交叉验证的正确打开方式 Cross Validation the wrong and right way】
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
斯坦福大学【生存分析入门(1) Introduction to Survival Data and Censoring】
正则化Regularization II(一次带你打通关Lasso, Elastic Net, Adaptive Lasso, SCAD, MCP)
哥伦比亚大学统计和计算机科学系教授【深度指数族 Deep exponential families NIPS 2016】——David Meir Blei
杜克大学【岭回归有闭式解Ridge Regression has a closed form solution】—Cynthia Rudin
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? 】
芝加哥大学教授【贝叶斯生成式人工智能 Generative AI for Bayes】——维罗妮卡·罗科娃 Veronika Rockova
差分隐私发明者之一【差分隐私的定义The Definition of Differential Privacy 】—哈佛大学教授Cynthia Dwork
【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)】
【偏序和哈斯图—离散数学 Partial Orders and Hasse Diagrams】
【后现代贝叶斯机器学习(Post-Bayesian Machine Learning)】
【谁更疯狂:贝叶斯还是费雪 (Who is Crazier: Bayes or Fisher?)】——孟晓犁(哈佛大学)
【顶级计量经济学家带你手搓lasso, elastic net和SCAD(1)】——亚历山大-贝洛尼(Alexandre Belloni)
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】
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)
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
普渡博士答辩【图聚类的优化框架 Optimization Frameworks for Graph Clustering】
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
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
《模式识别与机器学习– PRML》作者,【图模型(1) Graphical Models】—Christopher Michael Bishop
【隐变量模型可识别性的半程标准】—Mathias Drton(德国慕尼黑工业大学教授)
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