V
主页
英属哥伦比亚大学UBC教授【你想知道的各种优化方法(2)】——Mark Schmidt(马克·施密特)
发布人
YouTube 英属哥伦比亚大学UBC教授【你想知道的各种优化方法(2)】——Mark Schmidt(马克·施密特) @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、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
【因果推断概论 Introduction to Causal Inference】
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】
【贝叶斯优化 Bayesian Optimization】
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
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】
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)
【变分贝叶斯及其他-大规模的贝叶斯推断(ICML 2018)】
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)
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
【拥有统计学博士学位后可能的职业生涯】——伦敦政治经济学院校友座谈会
正则化Regularization II(一次带你打通关Lasso, Elastic Net, Adaptive Lasso, SCAD, MCP)
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)
【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)
美国科学院院士/IMS前主席郁彬【利用lasso方法的特征选择Feature Selection Through Lasso】
加州大学洛杉矶分校统计系教授【U 统计量完结和自助法理论入门 U Statistic and Bootstrap】——李婧翌
【孟晓犁 | 范剑青 对谈统计学】——(哈佛大学 | 普林斯顿大学)
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
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)
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
加拿大数据科学研究主席【函数型数据分析入门Introduction for Functional Data Analysis】—Jiguo Cao
【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)】
【MCMC vs. Variational Inference】——Yi an Ma (加州大学圣地亚哥分校计算机系教授)
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
斯坦福大学统计系和计算机科学系教授【针对独立和相关数据的随机梯度MCMC】——Emily Fox
加州大学洛杉矶分校统计系教授【U 统计量的渐近分布 Asymptotic Distribution of U Statistic】——李婧翌
统计最高奖“考普斯会长奖”得主、宾夕法尼亚大学教授【高维协方差结构的统计推断(1) 】—T. Tony Cai
【统计学中最奇怪的悖论——斯坦因悖论 The weirdest paradox in statistics - Stein's Paradox】
【偏序和哈斯图—离散数学 Partial Orders and Hasse Diagrams】
【多重检验Multiple Testing】——亚利桑那大学教授 Joseph C. Watkins
ASA:NSF:BLS Fellow【贝叶斯分层建模 JAGS的MCMC模拟第 1 部分】——Jingchen Hu
【图论导论:计算机科学视角 Introduction to Graph Theory:A Computer Science Perspective】
【1936年总统选举-有偏的抽样程序 1936 Presidential Election-Biased Sampling Procedure】
【凸优化基础、线性规划和内点法】——张颢(清华大学)
统计最高奖得主【非参贝叶斯Nonparametric Bayes】——Larry Wasserman
【方差缩减法 Variance reduction methods】——米歇尔·比尔莱尔(Michel Bierlaire)
【MCMC收敛性检验JAGS和R演示】——Jingchen Hu(ASA:NSF:BLS Fellow。)
统计最高奖得主、华盛顿大学教授【样本分割以外:重复使用数据时仍有效的推断】——丹妮拉·威滕
【数据稀释 Data thinning】——Lucy Gao(英属哥伦比亚大学 UBC)