V
主页
【因果推断概论 Introduction to Causal Inference】
发布人
YouTube 【因果推断概论 Introduction to Causal Inference】
打开封面
下载高清视频
观看高清视频
视频下载器
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)
【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)
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 | 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
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
B站强推!【因果推断与机器学习】克拉克奖Susan Athey公开课,MIT因果机器学习课程 6.S091
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
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)
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
微软研究院首席研究员【变分推断,变分自编码器和标准化流】——Rianne van den Berg
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
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
国际数理统计学会前主席【高维因果推断High dimensional Causal Inference】—苏黎世联邦理工大学教授Peter Bühlman
统计 | 牛津大学机器学习教授、谷歌DeepMind首席研究科学家【重要性取样 Importance sampling】—Nando de Freitas
统计最高奖得主【高维回归的推断 Inference for High-Dimensional Regression】—Larry Wasserman
【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
【贝叶斯分析入门An Introduction to Bayesian Analysis】——Jessi Cisewski Kehe
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
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
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【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】
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【稀疏估计中令人不愉快的性质Unpleasant Properties of Sparse Estimators(e.g. Lasso)】
【变分贝叶斯及其他-大规模的贝叶斯推断(ICML 2018)】
【我不敢相信贝叶斯深度学习没有更好】——塞巴斯蒂安-诺沃津(Sebastian Nowozin)
【麻省理工(MIT)博士答辩:可解释深度神经网络】——大卫·鲍(David Bau)
【方差缩减法 Variance reduction methods】——米歇尔·比尔莱尔(Michel Bierlaire)
正则化Regularization II(一次带你打通关Lasso, Elastic Net, Adaptive Lasso, SCAD, MCP)
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
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
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)
机器学习因果推断之机器学习——1.1机器学习概论
【因果推理的必要概念: 非凡的历史】——唐纳德·布鲁斯·鲁宾 Donald Bruce Rubin (哈佛大学)
【贝叶斯网络 Bayesian Network】
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
【后现代贝叶斯机器学习(Post-Bayesian Machine Learning)】
追赶ai热潮!千万别错过因果推断
Candes和陶哲轩的大作 【稀疏恢复(Sparse Recovery)】——张颢(清华大学)
【谁更疯狂:贝叶斯还是费雪 (Who is Crazier: Bayes or Fisher?)】——孟晓犁(哈佛大学)