外国教授在 B 站当 UP 主上课,网友直呼好家伙:滑铁卢大学《差分隐私》课程上线...

滑铁卢大学助理教授Gautam Kamath在哔哩哔哩(B站)上传了长达24.5小时的《差分隐私》课程,引发关注。该课程涉及数据分析的算法,需要一定的数学和理论基础。Kamath教授因注册B站账号的挑战和在站内迅速获得关注而受到热议,他的这一举动可能是受到其他教授的启发,如卡耐基梅隆大学的Ryan O'Donnell。B站作为一个综合平台,正逐渐成为知识分享的新场所。

点击上方“Github爱好者社区”,选择星标

回复“资料”,获取小编整理的一份资料


转自机器之心

Gautam Kamath 的课程,让网友们直呼好家伙。

一位加拿大高校的教授,不远万里来到 B 站,一言不合就扔下了 24 个小时的课程视频,这是一种什么样的精神?1 月 3 日,滑铁卢大学助理教授 Gautam Kamath 亲自上传的《差分隐私》引起了机器学习圈的关注。

活跃用户上亿的哔哩哔哩,又迎来了一名传播硬核知识的 up 主。

是心血来潮还是有备而来?从 Gautam Kamath 教授的个人主页可知,现在他还没有获得大 V 认证,账号看来也是刚刚注册的,只有 2 级。

其中引人关注的当然是他上传的第一门课程《A Course on Differential Privacy (差分隐私)》,总时长高达 24.5 个小时,上传两天便引来不少 5 级、6 级账号点赞。

当然,我们可以确定这个账号是属于 Kamath 本人的,因为他在推特上也进行了一番宣传:

「Be sure to 素质三连走一发,谢谢!」Kamath 在推特上说道。如此标准的 B 站用语,让人不禁怀疑这位教授可能之前从 B 站学到了什么不得了的东西。

不过首先,想要来讲课,注册账号就是一道门槛。Kamath 向人们介绍了自己当 up 主遇到的一些挑战:「对于中国最大的视频网站来说,想要注册个账号真是太难了。你必须要在 100 道题的测试中答对 60 分以上才行,题目是中文的,你也不能复制题目去翻译,还好我的中国朋友帮忙解决了这个问题。」

但是所有的努力终会获得回报,仅在 B 站上传课程一天,Gautam Kamath 就获得了超过一千名粉丝。「相比之下我去年 9 月就在 YouTube 开始了 up 主生涯,至今也只有 460 个订阅。」Kamath 吐槽道。

不知当他听说一些经典老电影的豆瓣评分数比 imdb 上还要多,会作何感想。

这次上传的《差分隐私》课程合集中,包括 19 门课程,共 38 个视频:

课程网站及笔记:http://www.gautamkamath.com/CS860-fa2020.html

据介绍,这一课程有关差分数据分析的算法,由于差分隐私的理论本身所限,要想学习这门课程必须在理论和数学的基础上进行。在课程的后半段,还会有相应的实践参考。如果你想学这门课,需要一些本科级别的算法、概率和数学知识。

Kamath 目前是加拿大滑铁卢大学的计算机科学助理教授,同时也是多伦大学向量学院的委任教授。他感兴趣的研究领域是统计和机器学习的原则性方法,重点关注现代数据分析中的常见问题(高维、鲁棒性和隐私性)。

同时,他也是西蒙斯计算理论研究所的微软研究员,负责 2018 年秋季的《数据科学基础》课程,和 2019 年春季的《数据隐私:基础和应用》课程。Kamath 在康奈尔大学完成本科学业,后在麻省理工学院获得硕士和博士学位(隶属于计算机科学与人工智能实验室,CSAIL),导师为 Costis Daskalakis。

在上传的第二个视频中,Gautam Kamath 整了段正式的自我介绍:

「我打算制作两种视频,一种比较硬核,关于数学、计算机、统计、机器学习的研究;另一种关于学术界生活,比如如何在博士学习中脱颖而出。」

在 B 站,除了鬼畜视频和正版动画,你甚至可以学习,这已不是什么新鲜事了。在 2020 年疫情期间,很多大学都开始了线上课程的教学,这让不少教授决定把自己的课程上传到 B 站上去。去年 3 月,香港中文大学(CUHK)的信息工程系助理教授周博磊还直接在 B 站进行了直播,经过了两个多月的授课,其《强化学习纲要》课程宣告完结,至今已获得了超过十万的播放量。

Gautam Kamath 作为外国友人,能够来到国内视频网站「上课」仍属罕见。不过他并非孤身一人,Kamath 表示自己来 B 站的想法受到了卡耐基梅隆大学(CMU)计算机科学教授 Ryan O'Donnell 启发。在 1 月 3 日,O'Donnell 教授也上传了自己的第一个 B 站视频「计算机理论工具包」。

不知在 2021 年,这是否会形成一种新的风潮?

好啦,今天的分享就到这儿啦,我们下次见啦~


GitHub原创推荐•  GitHub上买房攻略开源,一夜之间涨星近千,网友说:正好需要!•  简直太牛了!这个微信插件神器开源,怒冲GitHub排名榜第一•  微软开源又一力作发布!刷屏GitHub!炸了。。•  GitHub标星1.4k+,IDEA 中相见恨晚的技巧,让你的编程效率飞起来!•  还在买爱奇艺,腾讯会员?GitHub这个神器标星12.2K,强势开源,支持多个视频网站片源下载 !!关注「Github爱好者社区」加星标,每天带你逛Github好玩的项目
本文解决了基于机器学习方法使用高频数据预测股票价格的问题。 我们在本文中研究了两件事(1)在寻找最佳样本内经验损失最小化器的过程中,根据所提出的评估措施,比较具有给定回溯参数的所选函数类之间的预测性能(2)比较在获得从交易和报价 (TAQ) 数据中提取的一组引入的高频数据特征后,通过更改金融时间序列数据的采样频率来分析这些结果。 对于 TAQ 数据的分析,特征工程涉及 56 个相关特征的计算,包括市场微观结构、统计和技术指标特征。 进行重新估计以提高数据模型的预测精度,以获得每个移动窗口的预测值。 另一方面,算法模型的使用无需重新估计实际问题,因为训练模型所花费的时间通常大于数据的采样频率。 此外,还引入了回溯参数来切断不相关的很久以前的历史数据。 在实验中选择的函数类中,结果表明 PCA 回归在给定采样频率(即 3 分钟、5 分钟等)的 NASDAQ100 指数和 TAQ 数据的平均方向准确度和简单回溯测试方面表现最好. 与之前使用 NASDAQ100 的研究相比,结果表明重新估计和正确选择的回溯参数提高了建议评估措施的预测性能。 当谈到最大回撤时,这是一个对风险管理至关重要的衡量标准,DA-RNN 呈现了最小值,因此是所有时间频率的 TAQ 数据表现最好的模型。 我们还提供了 DM 统计数据,其零假设是任何两个给定模型的预测值的准确性不会不同。 对于所有采样频率的 TAQ 数据,有证据表明在比较 PCA 回归和 DA-RNN 模型时我们不能拒绝原假设。 大量实验提供了使用高频时间序列数据正确评估最佳样本内经验损失最小化器的预测性能的见解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值