V
主页
【统计推断】最大似然估计2 Maximum Likelihood Estimation —亚利桑那大学教授Joseph C. Watkins
发布人
【统计推断】最大似然估计2 Maximum Likelihood Estimation ——亚利桑那大学教授Joseph C. Watkins. @徐芝兰
打开封面
下载高清视频
观看高清视频
视频下载器
正则化Regularization I (一次带你打通关Lasso, Elastic Net, Adaptive Lasso, SCAD, MCP)
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】
【统计推断】完备性Completeness——亚利桑那大学教授Joseph C. Watkins.
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
【谁更疯狂:贝叶斯还是费雪 (Who is Crazier: Bayes or Fisher?)】——孟晓犁(哈佛大学)
【统计推断】估计量的偏差Bias——亚利桑那大学教授Joseph C. Watkins
【变分贝叶斯及其他-大规模的贝叶斯推断(ICML 2018)】
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
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】
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
杜克大学【核密度估计Kernel Density Estimation】—Cynthia Rudin
【贝叶斯网络 Bayesian Network】
【偏序和哈斯图—离散数学 Partial Orders and Hasse Diagrams】
【贝叶斯 VS 频率学派: 斯通悖论 (Stone’s Paradox)】——拉里·沃瑟曼 Larry Wasserman
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
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
【剖面似然(profile likelihood)和积分似然(integrated likelihood)孰优孰劣?】
《模式识别与机器学习– PRML》作者,【图模型(2) Graphical Models】—Christopher Michael Bishop
提升成绩必看【期望最大化算法Expectation Maximization Algorithm】—亚利桑那大学教授Joseph C. Watkins
【中心极限定理和大数定律(1) Central Limit Theorem】——约瑟夫·沃特金斯 Joseph C. Watkins(亚利桑那大学)
(国外超火博主)变分推断 | 证据下界 | 直觉和可视化
【贝叶斯分析入门An Introduction to Bayesian Analysis】——Jessi Cisewski Kehe
【针对高维逻辑回归的现代最大似然估计理论】—哈佛大学助理教授 Pragya Sur
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】
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
统计最高奖“考普斯会长奖”得主、宾夕法尼亚大学沃顿商学院统计学教授【用于大规模双样本推断的协变量辅助排序和筛选】——蔡天文
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
【统计学中最奇怪的悖论——斯坦因悖论 The weirdest paradox in statistics - Stein's Paradox】
【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)
英伟达机器学习研究主管、加州理工学院计算机系教授【神经算子: 学习偏微分方程的新范式】——阿尼玛什雷 (Anima) 阿南德库玛
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)
任何人都可用的自适应马可夫链蒙特卡洛算法 Adaptive MCMC For Everyone——Jeffrey S. Rosenthal
【统计】统计的危机和如何匍匐前进The Statistical Crisis in Science and How to Move Forward
[吉布斯采样器和MCMC] Gelfand and Smith (1990) 论文讨论第1部分—Jingchen Hu(Vassar College)
统计【经验分布和经验过程简史】
【黑盒(blackbox),白盒(whitebox)和贝叶斯网络】——张颢(清华大学)
哈佛大学孟晓犁【大数据时代统计的仙境和悖论Statistical paradises and paradoxes in Big Data】
【5个简单步骤解决任何递归问题 5 Simple Steps for Solving Any Recursive Problem】
【重要性采样R演示 Importance Sampling R Demo】
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