XiaoMi-AI文件搜索系统
World File Search System统计推断
阿卡迪亚大学数学与统计学系
必须至少选修以下两门课程*：以下任何 2 学期的入门统计学课程序列，带实验室**：• MATH 1253 统计学 1 + MATH 2243 生命科学统计学 2 • MATH 1253 统计学 1 + MATH 2253 科学统计学 2 • MATH 2213 科学与工程应用概率 + MATH 2223 科学应用统计学 MATH 3233/5133 回归 MATH 3253/5153 非参数统计推断 MATH 3263/5163 抽样理论 MATH 3273/5173 实验设计与分析 MATH 3283/5183 时间序列 MATH 3293/5193 统计学习 MATH 3633 运筹学 2：随机模型 MATH 4223/5223 广义线性模型 MATH 4233/5233 统计咨询 BIOL 4253/5253 生态学数据科学 BIOL 5023 生物学研究方法 2
通过顺序统计分析人类大脑网络的拓扑数据分析
了解整个群体中人类大脑网络的共同拓扑特征对于理解大脑功能至关重要。将人类连接组抽象为图形对于了解大脑网络的拓扑特性至关重要。在考虑到异质性和随机性的同时开发脑图中的组级统计推断程序仍然是一项艰巨的任务。在本研究中，我们使用顺序统计量开发了一个基于持久同源性的稳健统计框架来分析大脑网络。顺序统计量的使用大大简化了持久条形码的计算。我们使用全面的模拟研究验证了所提出的方法，并随后应用于静息态功能磁共振图像。我们发现男性和女性的大脑网络之间存在统计上显着的拓扑差异。
在移动应用程序中评估 Kyber 后量子 KEM
能力与统计推断。Pearson，第 9 版。Howe1, J.、Prest1, T.、和 Apon, D. (2019)。Sok：如何（不）设计和实现后量子密码学。密码学电子印刷版档案，报告 2021/462。Khalid, A.、McCarthy, S.、Liu, W. 和 O'Neill, M. (2019)。量子世界中基于格的物联网密码学：我们准备好了吗？密码学电子印刷版档案，报告 2019/681。PQC-NIST (2017)。后量子密码学。美国国家标准与技术研究所，盖瑟斯堡。Saarinen, M.-JO (2020)。即将出台的 NIST 后量子密码标准的移动能源要求。 Xu, R., Cheng, C., Qin, Y., 和 Jiang, T. (2018)。照亮智能世界之路：基于格的物联网加密技术。CoRR，abs/1805.04880。
生物医学信号处理BME 511-秋季2021
描述：这是一个生物医学的“数据科学”课程，涵盖了Sig Nal处理和随机方法在生物医学信号和系统中的应用。在整个课程中采用了一种“动手”方法（请参见“必需软件”部分）。虽然生物医学数据的方向是本课程的关键，但此处涵盖的工具和概念将提供许多在许多领域中使用的基础技能。主题包括：生物医学信号概述；傅立叶变换审查和过滤器设计，滤过滤波和抑制噪声的线性偏置视图（例如，频率过滤，回归，回归，噪声策略，PCA，ICA）；信号和图像的统计推断；估计理论应用于逆成像和系统识别；光谱，频谱图和小波分析；模式分类和诊断决策（机器学习方法和工作流）。
mvpalab：用于多维脑电图数据的机器学习解码工具箱
MVPalab是一种基于MATLAB的且非常灵活的解码工具箱，用于多维脑电图和磁构成数据。MVPALAB工具箱实现了几种机器学习算法来计算多元模式分析，跨分类，时间概括矩阵以及功能和频率贡献分析。它还为数据归一化，数据平滑，降低维度降低和超级验证生成提供了对一组广泛的预处理例程的访问。要在小组级别绘制统计推断，MVPALAB包括一种基于非参数的置换方法。此工具箱已设计为包括易于使用且非常直观的图形用户界面和数据表示软件，这使MVPalab成为那些很少或没有以前编码体验的用户的非常方便的工具。但是，MVPALAB不仅适用于初学者，因为它实现了几种高和低级的例程，允许更多经验丰富的用户以非常灵活的方式设计自己的项目。
Bioe 485机器学习和成像的计算数学一学期，四个学时的课程在Grainger Engine College
该课程将涵盖实施计算成像和机器学习解决方案所需的基本数学和计算方法。课程将介绍：•与线性代数，向量空间和矩阵分解相关的基本对象和工具； •代表计算成像和机器学习的核心组成部分的数值优化方法。将首先引入向量计算中的基本概念和工具，包括矢量值功能和矩阵的梯度，以及反向传播和自动分化。然后，将涵盖基于优化的计算成像和机器学习问题的公式。之后，将详细介绍数值优化技术，重点是基于一阶确定性和基于随机梯度的方法。 •概率理论中的基本概念以及诸如贝叶斯推论，近似推断以及随机抽样方法等统计推断中的基本技术； •在计算成像和机器学习中的应用，包括分类，回归，降低性降低和密度估计。学生学习目标（SLO）
人工智能中不确定性的表现：超越概率和可能性
统计推断证据范式的扩展，而 Shafer 将这些上限和下限概率解释为可信度和信念函数，而不参考具有一对多映射的底层概率空间。这样获得的方法被 Shafer 称为证据理论。它专门用于表示和合并不可靠的证据。相反，由于对随机变量的观察不完整，Dempster 设置中的上限和下限概率也可能模拟未知的概率。第二个想法是使用（凸）概率集，要么是因为统计模型不为人所知，要么是因为生成主观概率的通常协议发生了改变，承认与风险事件相关的彩票的买卖价格可能不同。后者是沃利低预测和不精确概率理论的基础。事实证明，沃利的框架在数学上比 Dempster-Shafer 理论更通用。本章介绍了贝叶斯概率论的这些概括。
Antiqua et Nova：关于
8。从那时起，AI研究就迅速发展，从而开发了能够执行高度复杂任务的复杂系统。[6]这些所谓的“窄AI”系统通常旨在处理特定和有限的功能，例如翻译语言，预测风暴的轨迹，对图像进行分类，回答问题或按用户的要求生成视觉内容。虽然AI研究中“智能”的定义各不相同，但大多数当代AI系统（尤其是使用机器学习的系统）很依赖于统计推断而不是逻辑推论。通过分析大型数据集以识别模式，AI可以“预测” [7]结果并提出新方法，从而模仿人类解决问题的一些认知过程。通过计算技术的进步（包括神经网络，无监督的机器学习和进化算法）以及硬件创新（例如专业处理器），已实现了这些成就。一起，这些技术使AI系统能够对各种形式的人类投入做出反应，适应新情况，甚至提出了其原始程序员所预料的新颖解决方案。[8]
Yao Xie（她/她/她）研究声明
我的研究在于通过工程问题引起的统计，优化和机器学习的交集。我探索了理论和应用方面，并通过与域专家进行密切互动，在实际数据应用程序上进行了广泛的工作。在方法论开发方面，我的重点一直在设计算法上，这些算法不仅是计算机上有效的，而且在统计上是原则性的，提供了可靠的保证。i强调严格的数学分析，以建立理论属性并保证误差界限，类似复杂性和不确定性定量，并在可能的情况下努力最佳。我正在积极地将统计推断（例如假设检验和不确定性量化）与当代机器学习技术整合在一起。这种集成旨在为可信赖和可解释的机器学习奠定统计基础。在针对实际应用时，我的目标是使用数据来解决有影响力的社会问题。我的研究议程具有凝聚力，具有互连的主题，如下所述。
AME 540工程科学的概率和统计
助教：TBD办公室：TBD办公时间：TBD联系信息：TBD IT帮助：DEN Services目录描述概率；随机变量和向量；关节，边缘和条件分布；贝叶斯定理；随机过程简介；统计推断；回归和生成模型。课程描述课程是适用于所有工程学科的概率和统计信息的简介。班级的重点是学习概率和统计数据的基本概念，这些概念在解释工程/科学数据和概率机器学习技术中的应用中找到了应用。该课程的第一部分将重点关注概率空间，随机变量和向量，累积和概率密度函数，关节，边际和条件概率，贝叶斯定理，中央限制定理以及随机过程的简介。在课程的第二部分中，这些想法将应用于包括参数估计，假设测试，回归和机器学习生成模型的统计任务。学习目标的学生成功完成课程