710官方网站自浅层感知机到深网络。Deep Learning算法介绍。 最近在拟深上有关的事物。

欠资源的github地址:Qix

【整理】ty4z2008201《Understanding Convolutions》

 

《Statistical foundations of machine
learning》

【编辑】Major术业

转:【深度上Deep
Learning】资料全

介绍:《机器上的统计基础》在线版,该手册希望以理论同实践之间找到平衡点,各要内容还陪有实际例子及数,书被的事例程序还是用R语言编写的。

章链接地址:https://github.com/ty4z2008/Qix/blob/master/dl.md

 

《A Deep Learning Tutorial: From Perceptrons to Deep
Networks》

201《Understanding Convolutions》

 最近于法深上有关的物,在网上搜集及了一部分没错的素材,现在集中一下:

介绍:IVAN VASILEV写的吃水上导引:从浅层感知机到深度网络。高但读

介绍:帮您懂卷积神经网络,讲解很清晰,此外还有少数篇Conv Nets: A Modular
Perspective,Groups & Group Convolutions.
作者的旁的关于神经网络文章为坏过硬

Free Online Books

  1. Deep Learning66 by
    Yoshua Bengio, Ian Goodfellow and Aaron Courville
  2. Neural Networks and Deep Learning42 by
    Michael Nielsen
  3. Deep Learning27 by
    Microsoft Research
  4. Deep Learning Tutorial23 by
    LISA lab, University of Montreal
  5. Deep Learning:An MIT Press
    Book

《Research priorities for robust and beneficial artificial
intelligence》

202《Introduction to Deep Learning Algorithms》

Courses

  1. Machine Learning10 by
    Andrew Ng in Coursera
  2. Neural Networks for Machine Learning12 by
    Geoffrey Hinton in Coursera
  3. Neural networks class2 by
    Hugo Larochelle from Université de Sherbrooke
  4. Deep Learning Course14 by
    CILVR lab @ NYU

介绍:鲁棒同便利之人为智能优先研究计划:一查封公开信,目前早就生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签字The Future of Life
Institute
(FLI).这封信的背景是新近霍金和Elon
Musk提醒人们瞩目AI的心腹威胁。公开信的情是AI科学家们站于有利于社会之角度,展望人工智能的前途进步动向,提出开发AI系统的Verification,Validity,
Security,
Control四沾要求,以及用小心的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有一样管辖美剧《疑犯追踪》,介绍了AI的形成从平开始的我学习,过滤,图像识别,语音识别等看清危险,到第四季的时出现了机通过上成才之后想控制世界的状态。说交此推荐收看。

介绍:Deep Learning算法介绍,里面介绍了06年3篇让deep learning崛起的论文

Video and Lectures

  1. How To Create A Mind3 By
    Ray Kurzweil – Is a inspiring talk
  2. Deep Learning, Self-Taught Learning and Unsupervised Feature
    Learning2 By
    Andrew Ng
  3. Recent Developments in Deep Learning2 By
    Geoff Hinton
  4. The Unreasonable Effectiveness of Deep
    Learning by Yann LeCun
  5. Deep Learning of
    Representations
     by
    Yoshua bengio
  6. Principles of Hierarchical Temporal
    Memory by Jeff Hawkins
  7. Machine Learning Discussion Group – Deep Learning w/ Stanford AI
    Lab1 by
    Adam Coates
  8. Making Sense of the World with Deep Learning1 By Adam Coates
  9. Demystifying Unsupervised Feature
    Learning By Adam
    Coates
  10. Visual Perception with Deep Learning3 By
    Yann LeCun
  11. Oxford Deep
    Learning -Nando
    de
    Freitas 
    :在Oxford开设的深浅上课程,有整个视频

《metacademy》

203《Learning Deep Architectures for AI》

Papers

  1. ImageNet Classification with Deep Convolutional Neural
    Networks5
  2. Using Very Deep Autoencoders for Content Based Image Retrieval2
  3. Learning Deep Architectures for AI2
  4. CMU’s list of papers7
  5. The Learning
    Machines –
    一个导论性质的篇章,让你大致了解深度上是呀,用来干啊的。
  6. Deep
    Learning
     –
    (Review Article in Nature, May 2015) 三大神 Yann LeCun, Yoshua
    Bengio, and Geoffrey Hinton的文章,不解释。
  7. Growing Pains in Deep
    Learning
  8. Deep Learning in Neural
    Networks –
    This technical report provides an overview of deep learning and
    related techniques with a special focus on developments in recent
    years. 主要看点是深浅上近两年(2012-2014)的展开情况。

介绍:里面冲词条提供了成千上万资源,还起连带知识结构,路线图,用时长等。号称是”机器上“搜索引擎

介绍:一随学习人工智能的图书,作者是Yoshua Bengio,相关国内通讯

Tutorials

  1. UFLDL Tutorial 120
  2. Deep Learning Tutorial from
    Stanford
    :斯坦福的官方Tutorial
  3. Deep Learning for NLP (without Magic)8
  4. A Deep Learning Tutorial: From Perceptrons to Deep Networks5

《FAIR open sources deep-learning modules for
Torch》

204《Geoffrey E. Hinton个人主页》

WebSites

  1. deeplearning.net7
  2. deeplearning.stanford.edu6
  3. Forum2

介绍:Facebook人工智能研究院(FAIR)开源了一致多重软件库,以协助开发者建立重老、更快之吃水上型。开放之软件库在
Facebook 被称模块。用她替代机械上世界常用的付出环境 Torch
中的默认模块,可以以还少的日内训练还可怜范围的神经网络模型。

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了片介绍性文章和课件值得学习

Datasets

  1. MNIST1 Handwritten
    digits
  2. Google House Numbers from
    street view
  3. CIFAR-10 and CIFAR-10034.  IMAGENET1
  4. Tiny Images1 80
    Million tiny images6.  Flickr
    Data 100
    Million Yahoo dataset
  5. Berkeley Segmentation Dataset
    500

《浅析人脸检测的Haar分类器方法》

205《PROBABILITY THEORY: THE LOGIC OF SCIENCE》

Frameworks

  1. Caffe92.  Torch73
  2. Theano3
  3. cuda-convnet25.  Ccv1
  4. NuPIC3
  5. DeepLearning4J:Java和Scala写的,能以Hadoop和Spark上以,功能非常强大

介绍:本文虽然是描摹给2012年,但是这篇稿子完全是作者的涉的作。

介绍:概率论:数理逻辑书籍

Miscellaneous

  1. Google Plus – Deep Learning
    Community
  2. Caffe Webinar4
  3. 100 Best Github Resources in Github for DL5
  4. Word2Vec3
  5. Caffe DockerFile2
  6. TorontoDeepLEarning
    convnet
  7. Vision data sets1
  8. Fantastic Torch Tutorial4 My
    personal favourite. Also check out gfx.js1

《如何变成平等员数据科学家》

206《H2O》

Github

  1. DeepLearn
    Toolbox
  2. Caffe Webinar4
  3. 100 Best Github Resources in Github for DL5
  4. Word2Vec3
  5. GitHub – Eniac-Xie/PyConvNet: Convolutional Neural Network for
    python
    users 
    :一个简便的CNN实现(Python)

介绍:本文是对准《机器上实战》作者Peter
Harrington做的一个访谈。包含了写中有的问号解答和一些民用学习建议

介绍:一个于是来飞的统计,机器上又于数据量大之数学库

几独科普应用领域

  • Video
    Recognition –
    finding and/or identifying specific items in videos or images
  • Self-Driving
    Cars –
    just like it says, cars that drive without humans
  • Natural Language
    Processing –
    getting computers to understand human vocal languages
  • And
    others –
    A free book chapter on many applications of deep learning

《Deep learning from the bottom
up》

207《ICLR 2015议会的arXiv稿件合集》

差一点单常因此底深上代码库

  • H2O –
    一个开源的可是扩大的堆栈,支持Java, Python, Scala, and R

  • Deeplearning4j –
    Java库,整合了Hadoop和Spark

  • Caffe –
    Yangqing Jia读研究生的时光开发之,现在尚是由Berkeley维护。

  • Theano –
    最盛的Python库

介绍:非常好之纵深上概述,对几乎栽流行的深度上型都进行了介绍和讨论

介绍:在此而可观看最近深度上产生什么新取向。

News

  • Deep Learning
    News –
    紧跟深度上的新闻、研究进展和连锁的创业项目。

 

《Hands-On Data Science with R Text
Mining》

208《Introduction to Information Retrieval》

CV和NLP方面的采取(左边的链接是舆论,右边的凡代码)

  • Page on
    Toronto, Home
    Page of Geoffrey
    Hinton
  • Page on
    Toronto, Home
    Page of Ruslan R
    Salakhutdinov
  • Page on
    Wustl, ynd/cae.py
    ·
    GitHub
  • Page on
    Icml, https://github.com/lisa-lab/pyle…
  • Page on
    Jmlr, pylearn2)
  • On the difficulty of training recurrent neural
    networks, trainingRNNs
  • ImageNet Classification with Deep Convolutional Neural
    Networks, cuda-convnet –
    High-performance C++/CUDA implementation of convolutional neural
    networks – Google Project
    Hosting
  • Linguistic Regularities in Continuous Space Word
    Representations, word2vec –
    Tool for computing continuous distributed representations of
    words. – Google Project
    Hosting

 

终极一定得推荐是Github:

 

机械上(Machine Learning)&深度上(Deep Learning)资料(Chapter
2)
(篇目一是机械上之素材汇集,篇目二是深度上的汇集,并且于不断更新中)

 

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

  • 《Proceedings of The 32nd International Conference on Machine
    Learning》

介绍:ICML2015
论文集,优化4单+稀疏优化1单;强化学习4只,深度上3独+深度上计算1个;贝叶斯非参、高斯过程以及学理论3单;还有划算广告与社会选择.ICML2015
Sessions.

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

  • 《Microsoft researchers accelerate computer vision accuracy and
    improve 3D scanning
    models》

介绍:,第28到IEEE计算机视觉与模式识别(CVPR)大会以美国波士顿做。微软研究员们在大会上显示了比较往年再度快还准的电脑视觉图像分类新模型,并介绍了哪些用Kinect等传感器实现以动态或者低光环境之敏捷大规模3D扫描技术.

  • 《Machine Learning for
    Humans》

介绍:(文本)机器上可视化分析工具.

  • 《A Plethora of Tools for Machine
    Learning》

介绍:机器上工具包/库的概括/比较.

  • 《The art of visualizing visualizations: a best practice
    guide》

介绍:数据可视化最佳实践指南.

  • 《MIT Machine Learning for Big Data and Text Processing Class
    Notes – Day
    1》

介绍:Day
1、Day
2、Day
3、Day
4、Day
5.

  • 《Getting “deep” about “deep
    learning”》

介绍:深度上的“深”——DNN的隐喻分析.

  • 《Mixture Density
    Networks》

介绍:混合密度网络.

  • 《Interview Questions for Data Scientist
    Positions》

介绍:数据科学家职位面试题.

  • 《Accurately Measuring Model Prediction
    Error》

介绍:准确评估模型预测误差.

  • 《Continually updated Data Science Python
    Notebooks》

介绍:Continually updated Data Science Python Notebooks.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《The Eyescream Project NeuralNets dreaming natural
    images》

介绍:来自Facebook的图像自动生成.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《A Neural Conversational
    Model》

介绍:(Google)神经(感知)会话模型.

  • 《The 50 Best Masters in Data
    Science》

介绍:The 50 Best Masters in Data Science.

  • 《NLP常用信息资源》

介绍:NLP常用信息资源.

  • 《Conditional Random Fields as Recurrent Neural
    Networks》

介绍:语义图像分割的实际演示,通过深度上技能以及几率图模型的语义图像分割.

  • 《Fully Convolutional Networks for Semantic
    Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,型代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长的烦恼.

  • 《Clustering Text Data Streams – A Tree based Approach with
    Ternary Function and Ternary Feature Vector

介绍:基于三首届培训方法的文件流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础与新型进展.

  • 《The Deep Learning Revolution: Rethinking Machine Learning
    Pipelines》

介绍:深度上革命.

  • 《The Definitive Guide to Do Data Science for
    Good》

介绍:数据正确(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G之微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产条件(产品级)机器上的会和挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

  • 《A Nearly-Linear Time Framework for Graph-Structured
    Sparsity》

介绍:来自麻省理工的组织化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机械上小组关于在线Boosting的舆论 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20独极度红的开源(Python)机器上项目.

  • 《The Parallel C++ Statistical Library for Bayesian Inference:
    QUESO》

介绍:C++并行贝叶斯推理统计库QUESO,github code.

  • 《《Deep learning》Yann LeCun, Yoshua Bengio, Geoffrey
    Hinton (2015)

介绍:Nature:LeCun/Bengio/Hinton的新型篇章《深度上》,Jürgen
Schmidhuber的摩登评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的预计分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

介绍:John Langford和Hal Daume III在ICML2015直达有关Learning to
Search的教学讲座幻灯片.

  • 《100 open source Big Data architecture papers for data
    professionals》

介绍:读了马上100篇论文
就会成大数额高手,境内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体与公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写为开发者的机器学习指南.

  • 《Hot news detection using
    Wikipedia》

介绍:基于维基百科的热点新闻发现.

  • 《Harvard Intelligent Probabilistic Systems
    Group》

介绍:(Harvard)HIPS将通告只是扩大/自动调整参贝叶斯推理神经网络.

  • 《An Empirical Exploration of Recurrent Network
    Architectures》

介绍:面向上下文感知查询建议的层系递归编解码器.

  • 《Efficient Training of LDA on a GPU by Mean-for-Mode
    Estimation》

介绍:GPU上因Mean-for-Mode估计的很快LDA训练.

  • 《From the Lab to the Factory: Building a Production Machine
    Learning
    Infrastructure》

介绍:从实验室到工厂——构建机器上生产架构.

  • 《6 Useful Databases to Dig for Data (and 100
    more)》

介绍:适合做多少挖掘的6个经数据集(及另外100单列表).

  • 《Deep Networks for Computer Vision at Google –
    ILSVRC2014》

介绍:Google面向机器视觉的吃水学习.

  • 《How to choose a machine learning API to build predictive
    apps》

介绍:构建预测类应用时怎么选机器上API.

  • 《Exploring the shapes of stories using Python and sentiment
    APIs》

介绍:Python+情感分析API实现故事情节(曲线)分析.

  • 《Movie selection using
    R》

介绍:(R)基于Twitter/情感分析的口碑电影推荐,此外推荐分类算法的论证比较分析.

  • 《A Tutorial on Graph-based Semi-Supervised Learning Algorithms
    for
    NLP》

介绍:CMU(ACL 2012)(500+页)面向NLP基于图的一半监督上到底法.

  • 《Arbitrariness of peer review: A Bayesian analysis of the NIPS
    experiment》

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的深加深学习教程.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的可解释性.

  • 《The Essential Spark Cheat
    Sheet》

介绍:Spark快速入门.

  • 《Machine Learning for Sports and Real Time
    Predictions》

介绍:TalkingMachines:面向体育/政治与实时预测的机学习.

  • 《CS224W: Social and Information Network Analysis Autumn
    2014》

介绍:Stanford社交网络及信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

介绍:David
Silver(DeeMind)的深化学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的迅速深度学习.

  • 《Introduction to R
    Programming》

介绍:来自微软的.

  • 《Golang:Web Server For Performing Sentiment
    Analysis》

介绍:(Go)情感分析API服务Sentiment Server.

  • 《A Beginner’s Guide to Restricted Boltzmann
    Machines》

介绍:受限波尔兹曼机初学者指南.

  • 《KDD2015十年最佳论文》

介绍:Mining and Summarizing Customer
Reviews ,Mining
High-Speed Data
Streams,Optimizing
Search Engines using Clickthrough
Data.

  • 《Nvidia Deep Learning
    Courses》

介绍:Nvidia深度学习课程.

  • 《Deep Learning Summer School
    2015》

介绍:2015年深度上暑期课程,推荐讲师主页.

  • 《百度深度上的图像识别进展》

介绍:这是一模一样首关于百度文章《基于深度上之图像识别进展:百度的若干尽》的摘要,建议少篇文章结合起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机器上技术.

  • 《Training Recurrent Neural
    Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的灰色区域:可解释性问题,中文版.

  • 《Machine Learning Libraries in GoLang by
    Category》

介绍:Golang 实现的机械上库资源集聚总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上的统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的纵深上技能以及技巧.

  • 《CrowdFlower Competition Scripts: Approaching
    NLP》

介绍:Kaggle’s CrowdFlower竞赛NLP代码集锦.

  • 《CS224U: Natural Language
    Understanding》

介绍:斯坦福的自然语言理解课程.

  • 《Deep Learning and Shallow
    Learning》

介绍:Deep Learning与Shallow Learning 介绍

  • 《A First Encounter with Machine
    Learning》

介绍:这是如出一辙依机器上之电子书,作者Max
Welling文人于机械上教学点装有丰富的经验,这按照开小但是精致.

  • 《Click Models for Web
    Search》

介绍:由荷兰阿姆斯特丹大学 & 谷歌瑞士著.

  • 《Hinton CSC321课程/Deep Learning/Notes on
    CNN/Python/Theano/CUDA/OpenCV/…》

介绍:介绍单愿总结与翻译机器上及计算机视觉类资料的博客,包含的始末:Hinton的CSC321课程的总;Deep
Learning综述;Notes on
CNN的总;python的规律总结;Theano基础知识和练习总结;CUDA原理与编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对实际问题(应用场景)如何选择机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据科学免费写分类集合

  • 《Tutorial 4: Deep Learning for Speech Generation and
    Synthesis》

介绍:深度上以语音合成最新进展产生什么样?推荐MSRA的Frank
Soong老师关于语音合成的深度上方式的录像及幻灯片与同谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data
    Science》

介绍:新书(可免费下载):数据科学的方式

  • 《Pattern Recognition and Machine
    Learning》

介绍:模式识别与机具上书本推荐,本书是微软剑桥研究院大神Bishop所形容,算是不过广为认知的机上读本有,内容覆盖到,难度中达成,适合研究生中文版 or 备份

  • 《an introduction to visualizing
    DATA》

介绍:数据可视化介绍(23页袖珍小册子)

  • 《That’s So Annoying!!!: A Lexical and Frame-Semantic Embedding
    Based Data Augmentation Approach to Automatic Categorization of
    Annoying Behaviors using #petpeeve Tweets
    ∗》

介绍:这首论文荣获EMNLP2015底极品数据/资源奖优秀奖,标明的推特数据集

  • 《26 Things I Learned in the Deep Learning Summer
    School》

介绍:作者以深上之思考.

  • 《Data-Visualization Tools &
    Books》

介绍:数据可视化常用工具软件资源汇总

  • 《Machine Learning and Probabilistic Graphical Models
    Course》

介绍:Buffalo大学教授Sargur Srihari的“机器上及几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教书Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的新书Understanding Machine Learning: From Theory to
Algorithms,此开的可比偏理论,适合对机器上理论出趣味的同校选读

  • 《Machine Learning
    Checklist》

介绍:机器上习清单

  • 《NLP界有怎样神级人物?》

介绍:知乎上面的平等篇有关NLP界有什么神级人物?提问。首推Michael Collins 

  • 《机器上温和指南》

介绍:机器上及NLP专家、MonkeyLearn联合创始人&CEO Raúl
Garreta面向初学者大体概括使用机器上过程中之基本点概念,应用程序和挑战,旨在让读者会继承搜寻机器上知识。

  • 《Gradient Boosted Regression
    Trees》

介绍:(IPN)基于Scikit-Learn的GBRT(Gradient Boost Regression
Tree)教程,slide

  • 《Apache SINGA : Distributed Deep Learning
    System》

介绍: 无需做深上就是能够因此的分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数据以及众包Mechanical
Turk上,实现了自彩票和拍卖的体制,以募集用户指向活之愿购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion
[Zhao,RecSys15] 回归模型预测未知WTP,提升卖家利润以及顾客满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的宽广机器学习.

  • 《机器上材料十分汇总》

介绍:来自52ml的机上材料大汇总.

  • 《Automatic
    Summarization》

介绍:这本开的发者McKeown是2013年世界首单数据科学院(位于哥伦比亚大学)主任,她也凡ACL、AAAI和ACM
Fellow .

  • 《Proceedings of the 2015 Conference on Empirical Methods in
    Natural Language
    Processing》

介绍:EMNLP-15文书摘要若干.

  • 《Recommender Systems (Machine Learning Summer School 2014 @
    CMU)》

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上添加及4时之告知,共248页,是针对推荐系统提高之同一不好到综合,其中尚包Netflix在个性化推荐方面的有些历介绍.

  • 《BigData Stream
    Mining》

介绍:(ECML PKDD 2015)大数据流挖掘教程,此外推荐ECML PKDD 2015
Tutorial列表.

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras纵深上框架Elephas.

  • 《Prof. Surya Ganguli – The statistical physics of deep
    learning》

介绍:Surya Ganguli深度上统计物理学.

  • 《(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表》

介绍:(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表.

  • 《Introduction to Topic Modeling in
    Python》

介绍:(PyTexas 2015)Python主题建筑模.

  • 《Large Scale Distributed Deep Learning on Hadoop
    Clusters》

介绍:Hadoop集群上的宽泛分布式机器学习.

  • 《Top Deep Learning Employers Based On LinkedIn
    Data》

介绍:基于LinkedIn数据得出的深浅上热门”东家”排行.

  • 《Neural Net in C++ Tutorial》

介绍:(c++)神经网络手把手实现教程.

  • 《Large-scale CelebFaces Attributes (CelebA)
    Dataset》

介绍:香港中文大学汤晓鸥教授实验室发布的重型人脸识别数据集:
Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人,202K
脸部图像,每个图像40余号注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的无论是监督特征上,Ross Goroshin’s
webpage.

  • 《Scheduled Sampling for Sequence Prediction with Recurrent
    Neural Networks》

介绍:谷歌研究院Samy Bengio等人近来描绘的RNN的Scheduled
Sampling训练方法论文.

  • 《Essential Machine Learning Algorithms in a
    nutshell》

介绍:机器上为主算法简要入门.

  • 《A Huge List of Machine Learning And Statistics
    Repositories》

介绍:Github机器学习/数学/统计/可视化/深度上相关项目大列表.

  • 《Information Processing and
    Learning》

介绍:CMU的信息论课程.

  • 《Scheduled sampling for sequence prediction with recurrent
    neural networks》

介绍:谷歌研究院Samy
Bengio齐丁多年来勾勒的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的常见分布式深度上》

介绍:基于Hadoop集群的大规模分布式深度学习.

  • 《Learning both Weights and Connections for Efficient Neural
    Networks习》

介绍:来自斯坦福大学与NVIDIA的干活,很实在非常实用。采用推网络连接及重新训练方法,可极大回落CNN模型参数。针对AlexNet、VGG等模型和ImageNet数据,不损失识别精度情况下,模型参数可极大削减9-13倍.

  • 《Apache Singa –A General Distributed Deep Learning
    Platform》

介绍:无需召开深度上就是能够用之分布式深度上软件,github.

  • 《24 Ultimate Data Scientists To Follow in the World
    Today》

介绍:当今世界最NB的25号非常数量科学家,通过他们的名然后放在google中搜寻一定会找到多格外过硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的深上(Theano/Lasagne)系列教程.

  • 《Connection between probability theory and real
    analysis》

介绍:主讲人是陶哲轩,资料Probability:
Theory and
Examples,笔记.

  • 《Data Science Learning
    Resources》

介绍:数据是(学习)资源列表.

  • 《8 Tactics to Combat Imbalanced Classes in Your Machine Learning
    Dataset》

介绍:应针对非均衡数据集分类问题之八老大策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推介的20独数据科学相关课程.

  • 《Recurrent Neural
    Networks》

介绍:递归神经网络.

  • 《Histograms of Oriented
    Gradients》

介绍:(HOG)学习笔记.

  • 《Computational modelling
    courses》

介绍:计算建模/计算神经学课程汇总.

  • 《How We Use Deep Learning to Classify Business Photos at
    Yelp》

介绍:(Yelp)基于深度上之小买卖图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费于线书《Neural Networks and Deep
Learning》神经网络与深度上。目前提供了面前四章的草稿,第一章由此手写数字识别的事例介绍NN,第二章说反往传播算法,第三节讲反为传来算法的优化,第四段说NN为什么能起合任意函数。大量python代码例子和彼此动画,生动有趣.中文版

  • 《Books to Read if You Might Be Interested in Data
    Science》

介绍:数据对大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以于这个网站找到github的类型链接.

  • 《Learning Multi-Domain Convolutional Neural Networks for Visual
    Tracking》

介绍:深度上以视觉跟踪的探索.

  • 《Beginners Guide: Apache Spark Machine Learning Scenario With A
    Large Input
    Dataset》

介绍:Spark机器学习入门实例——大数据集(30+g)二区划类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前之究竟,他们现在纪念使开越的滋长。于是推出了全新的,专门针对科学家设计之学搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半督查上,Chapelle.篇篇都是经,作者包括Vapnik,Bengio,Lafferty,Jordan.此外推荐Xiaojin
(Jerry) Zhu编写的Introduction
to Semi-Supervised
Learning.

介绍:Spark机器学习入门实例——大数据集(30+g)二分类.

  • 《Free Resources for Beginners on Deep Learning and Neural
    Network》

介绍:为入门者准备的深度上和神经网络免费资源.

  • 《TensorFlow is an Open Source Software Library for Machine
    Intelligence》

介绍:Google 开源最新机器上体系
TensorFlow,此外提供TensorFlow白皮书white paper of tensorflow
2015.hacker
news,Google大牛解读TensorFlow

  • 《Veles:Distributed machine learning
    platform》

介绍:三星星开源之敏捷深度上应用程序开发分布式平台.

  • 《DMTK:Microsoft Distributed Machine Learning Tookit

介绍:分布式机器上工具包.

  • 《Semantics Approach to Big Data and Event
    Processing》

介绍:语义大数目——大数目/事件处理的语义方法.

  • 《LSTM(Long Short Term
    Memory)和RNN(Recurrent)学习课程》

介绍:LSTM(Long Short Term Memory)和RNN(Recurrent)学习教程.

  • 《Marvin:A minimalist GPU-only N-dimensional ConvNet
    framework》

介绍:Princeton Vision Group的深浅上库初步源.

  • 《Ufora is a compiled, automatically parallel subset of python
    for data science and numerical
    computing》

介绍:基于AWS的活动分布式科学计算库Ufora,Why I Open Sourced Five Years
of
Work.

  • 《Deep Learning and Deep Data Science – PyCon SE
    2015》

介绍:(PyCon SE 2015)深度上和深数据科学.

  • 《Zhi-Hua Zhou
    Papers》

介绍:推荐南京大学机器学习与数据挖掘研究所所长——周志华教授的Google学术主页.

  • 《Advanced Linear Models for Data
    Science》

介绍:免费书写:面向数据科学的高级线性模型.

  • 《Net2Net: Accelerating Learning via Knowledge
    Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

  • 《徐亦达机器上课程 Variational
    Inference》

介绍:徐亦达机器上课程 Variational Inference.

  • 《Learning the Architecture of Deep Neural
    Networks》

介绍:深度神经网络结构学习.

  • 《Multimodal Deep
    Learning》

介绍:来自斯坦福大学的Multimodal Deep Learning papers.

  • 《深度上简析,TensorFlow,Torch,Theano,Mxnet》

介绍:深度上简析,TensorFlow,Torch,Theano,Mxnet.

  • 《”Notes Essays —CS183C: Technology-enabled
    Blitzscaling — Stanford
    University》

介绍:这个专栏是一个stanford学生做的CS183c课程的一个note,该课程是出于Reid
Hoffman等互联网boss级人物设置的,每节课请一各巨头公司之有关主管来做访谈,讲述该铺面是怎么scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中之应用.

  • 《On Learning to Think: Algorithmic Information Theory for Novel
    Combinations of Reinforcement Learning Controllers and Recurrent
    Neural World Models》

介绍:思维上——RL+RNN算法信息论.

  • 《The 5 Ways Data Scientists Keep Learning After
    College》

介绍:数据科学家毕业后继续攻读之5种方式.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:深度上在神经网络的应用.

  • 《Contextual Learning》

介绍:上下文学习,代码.

  • 《Machine Learning For Complete
    Beginners》

介绍:机器上零基础入门,代码.

  • 《2015年中华计算机学会(CCF)优秀博士学位论文》

介绍:2015东CCF优秀博士学位论文奖论文列表.

  • 《Learning to Hash Paper, Code and
    Dataset》

介绍:Learning to Hash Paper, Code and Dataset.

  • 《Neural networks with Theano and
    Lasagne》

介绍:(PyData2015)基于Theano/Lasagne的CNN/RNN教程,github.

  • 《神经网络与深上课本》

介绍:复旦大学邱锡鹏先生编制的神经网络与深上课本,ppt.

  • 《Microsoft Open Sources Distributed Machine Learning
    Toolkit》

介绍:微软亚洲研究院开源分布式机器上工具包.

  • 《语音识别的技术原理是什么?》

介绍:语音识别的技巧原理分析

  • 《Michael I. Jordan》

介绍:迈克尔·I.乔丹的主页.根据主页可以找到多资源。迈克尔·I.乔丹是资深的微机对和统计学学者,主要研究机器上及人为智能。他的严重性贡献包括指出了机器上和统计学之间的关联,并推进机械学习界广泛认识及贝叶斯网络的要紧。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一致各项英国落地之测算机学家和心理学家,以那个在神经网络方面的献闻名。辛顿是倒转朝传来算法和对比散度算法的发明人之一,也是深浅上之主动推动者.通过他的主页可以挖掘到不可开交多Paper以及优秀学生的paper,此外推荐他的学习者Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机上方向的牛人,如果你莫懂得好翻阅本着话机器学习大神Yoshua
Bengio(上),对话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上用演进

  • 《Deep Learning: An MIT Press Book in
    Preparation》

介绍:MIT出版的吃水上电子书,公开电子书

  • 《A Mathematical Theory of Deep Convolutional Neural Networks for
    Feature Extraction》

介绍:深度卷积神经网络(CNN)提取特征的数学理论

  • 《Microsoft Research Asia:Kaiming
    He》

介绍:推荐微软亚洲研究院何恺明主页

  • 《Speech and Language Processing (3rd ed.
    draft)》

介绍:《语音及语言处理》第三版本(草稿)

  • 《LSA 311: Computational Lexical Semantics – Summer
    2015》

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上及机具上导论视频》

介绍:上海交大张志华先生的统计机器上与机具上导论视频链接:密码:
r9ak
.概率基础

  • 《Computational Linguistics and Deep
    Learning》

介绍:computational linguistics and deep
learning视频,推荐Deep
Learning: An Introduction from the NLP
Perspective

  • 《Black Hat USA 2015 – Deep Learning On
    Disassembly》

介绍:(BlackHat2015)深度上应用之流量鉴别(协议鉴别/异常检测),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),%5Bmaterial%5D(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

  • 《LibRec:A Java Library for Recommender
    Systems》

介绍:一个引进系统的Java库

  • 《Multi-centrality Graph Spectral Decompositions and their
    Application to Cyber Intrusion
    Detection》

介绍:多为重图的谱说及其于网络入侵检测中之利用(MC-GPCA&MC-GDL)

  • 《Computational Statistics in
    Python》

介绍:用Python学计算统计学

  • 《New open-source Machine Learning Framework written in
    Java》

介绍:datumbox-framework——Java的开源机器上框架,该框架重点是供大量之机械上算法和统计检验,并能够处理着多少框框的数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了书,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学之教授,主要研究方向是机上及数据挖掘.在2015年之ACM
webinar会议,曾刊登了关于盘点机器上世界的五挺流派主题演讲.他的个人主页拥有不少息息相关研究的paper以及他的教授课程.

  • 《Video resources for machine
    learning》

介绍:机器上视频集锦

  • 《Deep Machine Learning libraries and
    frameworks》

介绍:深度机器上库以及框架

  • 《大数目/数据挖掘/推荐系统/机器上相关资源》

介绍:这首文章外之引荐系统资源很丰富,作者非常有中心,摘录了《推荐系统实战》内援的论文.

  • 《Bayesian Methods in Astronomy: Hands-on
    Statistics》

介绍:(天文学)贝叶斯方法/MCMC教程——统计实战

  • 《Statistical Learning with Sparsity: The Lasso and
    Generalizations》

介绍:免费书写:统计稀疏学习,作者Trevor
Hastie与Rob
Tibshirani还是斯坦福大学的教学,Trevor
Hastie更是以统计学上及建树多多

  • 《The Evolution of Distributed Programming in
    R》

介绍:R分布式计算的升华,此外推荐(R)气候变化可视化,(R)马尔可夫链入门

  • 《neon workshop at Startup.ML: Sentiment Analysis and Deep
    Reinforcement
    Learning》

介绍:Nervana
Systems在Startup.ML的主题研讨会——情感分析及深加深学习

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统开发库汇总.

  • 《Neural networks class – Université de
    Sherbrooke》

介绍:超棒的神经网络课程,深入浅出介绍深度上,由Hugo
Larochelle(Yoshua Bengio的博士生,Geoffrey
Hinton之前的博士后)主讲,强烈推荐.

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福新学科,面向视觉识别的卷积神经网络(Fei-Fei Li & Andrej
Karpathy),slides+video,homework.

  • 《NIPS 2015 Deep Learning Symposium Part
    I》

介绍:NIPS
2015议会总第一有,其次局部.

  • 《python机器上入门资料梳理》

介绍:python机器上入门资料梳理.

  • 《Reading Text in the Wild with Convolutional Neural
    Networks》

介绍:牛津大学名视觉几哪组VGG在IJCV16年首窝首希望: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这首期刊文章融合了之前少首会议(ECCV14,NIPS14ws),定位及识别图片中之公文(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据与代码.

  • 《Yet Another Computer Vision Index To Datasets
    (YACVID)》

介绍:计算机视觉的一个比充分的数额集索引,
包含387只标签,共收录了314独数据集合,点击标签云就可找到自己需要之库了.

  • 《Why SLAM Matters, The Future of Real-Time SLAM, and Deep
    Learning vs
    SLAM》

介绍:Tombone 对 ICCV SLAM workshop 的总: the future of SLAM, SLAM
vs deep learning 重点介绍了 monoSLAM 和 LSD-SLAM,而且讨论了
feature-based 和 feature-free method 的长度。在老百姓deep
learning做visual perception的时光,再来读读CV中的 geometry.

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《mageNet and MS COCO Visual Recognition Challenges video and
    slider》

介绍:ICCV 2015的ImageNet比赛及MS COCO竞赛联合研讨会的幻灯片和观望频.

  • 《An Introduction to Machine Learning with
    Python》

介绍:Python机器上入门.

  • 《Neural Enquirer: Learning to Query Tables with Natural
    Language》

介绍:Neural Enquirer 第二版.

  • 《Deep Learning – Taking machine learning to the next
    level》

介绍:[Google]依据TensorFlow的深浅上/机器学习课程.

  • 《100 “must read” R-bloggers’ posts for
    2015》

介绍:R-bloggers网站2015″必读”的100篇稿子,R语言学习的福音.

  • 《Machine Learning: a Probabilistic
    Perspective》

介绍:推荐书籍:<机器上:概率视角>,样章Undirected graphical
models Markov random
fields.

  • 《Deep learning Book》

介绍:这是同依在线的深上书本,合著者有Ian Goodfellow, Yoshua Bengio
和 Aaron Courville.如果你是同一位新入门的学童可优先看就按照书籍Yoshua
Bengio: How can one get started with machine
learning?

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深上阅读列表.

  • 《CSE 705: Deep Learning (Spring
    2015)》

介绍:纽约州立大学布法罗分校2015年春机械上课程主页.

  • 《Theano is a Deep learning Python library

介绍:
Theano是主流的深度上Python库之一,亦支持GPU,入门比较难.推荐Theano
tutorial,Document

  • 《Statistical Language Models Based On Neural
    Networks》

介绍:博士论文:神经网络统计语言模型.

  • 《文本数据的机上机关分拣方法(上)》

介绍:文件数据的机器上机关分拣方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以拿吃挡住的图纸上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院将其深度上工具包CNTK,想愈了解以及读书CNTK的同班可以拘留前面几乎天公布之《CNTK白皮书》An
Introduction to Computational Networks and the Computational Network
Toolkit.

  • 《Kalman and Bayesian Filters in
    Python》

介绍:
卡尔曼滤波器教材,用尽量少的数学和演绎,传授直觉和涉,全部Python示例,内容覆盖卡尔曼滤波器、扩展卡尔曼滤波,无迹卡尔曼滤波等,包括练习和参考答案

  • 《Statistical inference for data
    science》

介绍:在线免费书写:面向数据对的统计测算,R示例代码,很正确GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是出于Yoshua
Bengio撰写的科目,其内容涵盖了学人工智能所祭的纵深上架构的学习资源,书被的档次已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是同客机器上与深上课程,文章与资源的清单。这张清单根据各个主题进行写作,包括了诸多及深上有关的品种、计算机视觉、加强学习和各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是由Donne
Martin策划收集之IPython笔记本。话题涵盖大数额、Hadoop、scikit-learn和不利Python堆栈以及多别样点的内容。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为统统于含有中,当然还有相关的一定构架和概念等.

  • 《Open Source Deep Learning Server》

介绍:开源的深浅上服务,DeepDetect是C++实现之冲外部机器上/深度学习库(目前凡Caffe)的API。给起了图训练(ILSVRC)和文件训练(基于字之情丝分析,NIPS15)的样例,以及基于图片标签索引到ElasticSearch中github.

  • 《Data Mining, Analytics, Big Data, and Data
    Science》

介绍:这是海外的一个科技频道,涵盖了数挖掘,分析和数据科学类的文章.偶尔还有机器上精选.

  • 《Data Mining And Statistics: What’s The
    Connection?》

介绍:经典论文:数据挖掘和统计学.

  • 《(NIPS’2015 Tutorial)Yoshua
    Bengio深度上》

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不强烈的不易——概率论导论(MITx).

  • 《R software and tools for everyday
    use》

介绍:R语言开发常用软件/工具推荐.

  • 《Implementing Dynamic memory
    networks》

介绍:动态记忆网络实现.

  • 《Deeplearning4j
    中文主页》

介绍:英文主页

  • 《Big Data Analysis Learning Resources: 50 Courses, Blogs,
    Tutorials, And More For Mastering Big Data
    Analytics》

介绍:50单非常数量解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上的一揽子硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何在社会媒体齐开言语检测?没有数据怎么收拾?推特官方披露了一个深贵重的数据集:12万标明了之Tweets,有70栽语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上和机器上重大会议ICLR 2016用文章

  • 《Machine Learning: An In-Depth, Non-Technical Guide – Part
    1》

介绍:机器上——深度非技术指南

  • 《Data Storytelling 101: Helpful Tools for Gathering Ideas,
    Designing Content &
    More》

介绍:数据叙事入门指南——创意生成/数据收集/内容设计息息相关资源推荐

  • 《WikiTableQuestions: a Complex Real-World Question Understanding
    Dataset》

介绍:WikiTableQuestions——复杂真实问答数据集

  • 《Big Data: 35 Brilliant And Free Data Sources For
    2016》

介绍:(2016本子)35只超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两号大家首赖同发文,CAFFE和SPARK完美组合,分布式深度上混搭模式!github

  • 《DeepLearning.University – An Annotated Deep Learning
    Bibliography |
    Memkite》

介绍:深度上(分类)文献集

  • 《Learning Deep
    Learning》

介绍:深度上阅读列表

  • 《Awesome42 The easiest way to find R
    packages》

介绍:探索R包的好网站Awesome 42

  • 《MLbase:Distributed Machine Learning Made
    Easy》

介绍:MLbase是Prof. Dr. Tim
Kraska的一个切磋型,MLbase是一个分布式机器上管理体系

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

  • 《Learn All About Apache Spark (100x Faster than Hadoop
    MapReduce)》

介绍:Spark视频集锦

  • 《R For Deep Learning (I): Build Fully Connected Neural Network
    From
    Scratch》

介绍:R语言深度上第一省:从零开始

  • 《A Visual Introduction to Machine
    Learning》

介绍:图解机器上

  • 《Citation Network Dataset》

介绍:AMiner论文引用数据集(v7:2,244,021 papers and 4,354,534 citation
relationships)

  • 《Best Free Machine Learning
    Ebooks》

介绍:10遵照最佳机器上免费书写

  • 《International Conference on Computer Vision (ICCV) 2015,
    Santiago》

介绍:ICCV15视频集

  • 《CaffeOnSpark Open Sourced for Distributed Deep Learning on Big
    Data Clusters》

介绍::(Yahoo)基于Hadoop/Spark的分布式Caffe实现CaffeOnSpark

  • 《A Short Introduction to Learning to
    Rank》

介绍:Learning to Rank简介

  • 《Global Deep learning
    researcher》

介绍:全球深度上专家列表,涵盖研究者主页

  • 《Top Spark Ecosystem
    Projects》

介绍:Spark生态顶级项目集中

  • 《Proceedings of the 21st International Conference on Intelligent
    User
    Interfaces》

介绍:ACM IUI’16论文集[Conference Navigator

Proceedings](http://halley.exp.sis.pitt.edu/cn3/proceedingswithauthors.php?conferenceID=139)

  • 《Machine Learning: An In-Depth, Non-Technical Guide – Part
    1》

介绍:深入机器上,2,3,4

  • 《Oxford Deep
    Learning》

介绍:Nando de
Freitas以 Oxford
开设的纵深上课程,课程youtube地址,Google
DeepMind的钻研科学家,此外首页:computervisiontalks的内容也非常丰富,如果您是召开机械视觉方面的钻,推荐呢省外内容.肯定得也未小.还有,这员youtube主页到了之视频也充分有重

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上园地的Hacker
news.紧跟深度上的讯息、研究进展和系的创业项目。从事机械上,深度上园地的爱人建议每天看一样拘留

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的会paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上以生物工程领域的运用,如果你从生物工程领域,可以先读书一篇稿子详见介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上以海洋生物信息法领域的使

  • 《A Few Useful Things to Know about Machine
    Learning》

介绍:一些有关机器上要了解知识,对于刚入门机上之同室应该读一诵读

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器学用户组主页,网罗了剑桥大学局部机上领域专家与情报

  • 《Randy Olson’s data analysis and machine learning
    projects》

介绍:Randy
Olson’s的片数额解析和机具上类库,是习履的好素材

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果用的也多,而因此来开机械上之虽于少了.Swift
Ai在就上头做了许多聚集.可以望

  • 《Please explain Support Vector Machines (SVM) like I am a 5 year
    old》

介绍:如何向平等个5夏之童解释支持为量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的部分牛人博客,超有实力的钻研机构等之网站链接.做计算机视觉方向的情人建议大多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度念研讨主页,此外研究小组对2013年deep learning
的新星进展及相关论文做了整理,其中useful
links的内容十分受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是同一篇有关寻找引擎的博士论文,对现在大规模以的摸引擎google,bing等举行了分析.对于做搜索类似制品之酷有技巧参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这类似书比较少).

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这看似书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深上方面的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的复分布式梯度下降.同时引进泛分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究有关题材综述.

  • 《What are some important areas of research in social computing
    right
    now?》

介绍: 社交计算应用领域概览,里面有些经典论文推荐

  • 《Collaborative Filtering Recommender
    Systems》

介绍: 协同过滤在推举系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在情节引进的研究.

  • 《Unifying User-based and Item-based Collaborative Filtering
    Approaches by Similarity
    Fusion》

介绍: 协同过滤经典仍文.

  • 《Item-based Collaborative Filtering Recommendation
    Algorithms》

介绍: 协同过滤算法.

  • 《Amazon.com Recommendations Item-to-Item Collaborative
    Filtering》

介绍: 亚马逊对于同过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

  • 《Tutorials, papers and code for computer graphics, fractals and
    demoscene》

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的引进收藏.

  • 《ELEN 6886 Sparse Representation and High-Dimensional
    Geometry》

介绍:
推荐哥伦比亚大学课程,稀疏表示和高维几何.12年由Elsevier、13年交今天由PAMI(仍由Elsevier赞助)设立的青年研究者奖(Young
Researcher
Award)授予好博士学位后七年内取杰出贡献的;由CV社区提名,在CVPR会议及披露。2015年得主是哥大助理教授John
Wright,09年《健壮人脸识别的疏散表示拟》援已超5K.

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上相关著名教授Alex
Smola在Quora对于《程序员如何学习Machine
Learning》的建议:Alex推荐了广大有关线性代数、优化、系统、和统计领域的经典教材以及资料.

  • 《Book review: Fundamentals of Deep
    Learning》

介绍:
书籍推荐,深度上基础.源码

  • 《Learning from Big Code》

介绍:
软件工程领域现在为对机器上及自然语言处理很感兴趣,有人出了“大代码”的定义,分享了过多代码集合,并且认为ML可以据此当展望代码Bug,预测软件作为,自动写新代码等任务及。大代码数据集下载

  • 《Object
    Detection》

介绍:
深度上进行目标识别的资源列表:包括RNN、MultiBox、SPP-Net、DeepID-Net、Fast
R-CNN、DeepBox、MR-CNN、Faster
R-CNN、YOLO、DenseBox、SSD、Inside-Outside Net、G-CNN

  • 《Deep Learning: Course by Yann LeCun at Collège de France
    2016(Slides in
    English)》

介绍: Yann LeCun 2016深上课程的幻灯片(Deep Learning Course by
Yann LeCun at Collège de France
2016)百度云密码:
cwsm 原地址

  • 《Stanford HCI Group》

介绍:
斯坦福星机交互组五篇CHI16文章。1.众包激励机制的所作所为经济学研究:批量结算比单任务的成就率大。2.以众包专家及初手间建立联系:微实习。3.词嵌入结合众包验证的乐章汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的位移预计。5.鼓励错以加快众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据是

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D平省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是一律迟迟机器上的开源框架,专为黑客打造,而无为科学家要作。它用Rust开发,传统的机器上,现今之深度上通吃。Leaf

  • 《MXnet:Flexible and Efficient library for deep
    learning》

介绍: GTC
2016视频,MXnet的手把手深度上tutorial,相关参考资料MXNet
Tutorial for NVidia GTC
2016.

  • 《OpenAI Gym: Toolkit for developing, comparing reinforcement
    learning algorithms》

介绍: OpenAI Gym:开发、比较强化学习算法工具箱

  • 《conference-iclr-2016 Papers and
    Code》

介绍: 机器学习会ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要涉嫌的是贝叶斯网络与马尔科夫逻辑网络的learning和inference问题,同时以针对PGM有厚的说理解释,是读概率图模型必看之书本。难度中达成,适合来局部ML基础的钻生.备份地址

  • 《Information Theory, Inference, and Learning
    Algorithms》

介绍: 此书是剑桥大学资深信息论专家David
MacKay所描写,出发角度和众多机上之图书都未等同,inference和MCMC那节写的太好,难度中。适合研究生和本科生。

  • 《Convex Optimization – Boyd and
    Vandenberghe》

介绍: 非常好之Convex
Optimization教材,覆盖了各种constrained和unconstrained
optimization方法,介绍了convex优化的基本概念和辩解。难度中,适合对优化及机械上有得基础之人流

  • 《Machine – Learning – Tom
    Mitchell》

介绍:
本书是CMU机器上系主任Mitchell早年描绘的机械上读本,年代发生点久远.难度不强。适合初大方,本科生,研究生

  • 《Learning with Kernels Support Vector Machines, Regularization,
    Optimization, and
    Beyond》

介绍:
本书设计学习Kernel和SVM的各种理论功底,需要比较强的数学功底,适合对kernel和SVM感兴趣之同班选读Learning
with Kernels
PPT,参考Learning
with
Kernels

  • 《The Elements of Statistical Learning: Data Mining, Inference,
    and
    Prediction》

介绍:
斯坦福统计系三各类大神的统计上读本,偏统计和读书理论,需要对线性代数、统计和概率论起肯定基础、难度大、适合研究生

  • 《Data Mining: Practical Machine Learning Tools and
    Techniques》.pdf)

介绍:
本书是资深机器上工具Weka作者撰写之运用机器上点书、非常实用、难度小、适合文科和各种应用科学做参考

  • 《Foundations of Statistical Natural Language
    Processing》

介绍:
本书也是一模一样据比较让欢迎之NLP教科书,难度一般,主要覆盖统计NLP方法,是斯坦福的任何一样各项异常牛Chirs
manning所勾画

  • 《Speech and Language
    Processing》

介绍:
在北美NLP最常用的教科书,斯坦福Jurafsky所形容的自然语言处理入门教程,覆盖面比较完美,难度中没有。适合本科生和研究生

  • 《Natural Language Processing with Python –
    NLTK》

介绍: 实战型教程,著名工具NLTK作者的写,适合本科生和入门者边动手边学

 

 

参考文献:

1.深上阅读清单:http://suanfazu.com/t/topic/245

2.深度上怎么入门:https://www.zhihu.com/question/26006703/answer/63572833

 

介绍:主要是描述了采取R语言进行数据挖掘

介绍:此书在消息搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音信寻找、网络信息搜索、搜索引擎实现等方面相关的书本、研究为主、相关课程、子领域、会议、期刊等等,堪称全集,值得珍藏

《Understanding
Convolutions》

209《Information Geometry and its Applications to Machine Learning》

介绍:帮您掌握卷积神经网络,讲解很鲜明,此外还有个别首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的任何的关于神经网络文章吧大棒

介绍:信息几哪里法及其于机上着之运用

《Introduction to Deep Learning
Algorithms》

210《Legal Analytics – Introduction to the Course》

介绍:Deep Learning算法介绍,里面介绍了06年3篇被deep learning崛起的论文

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析和预测问题,相关的法度采取包括预测编码、早期案例评估、案件完全情况的前瞻,定价与工作人员预测,司法行为预测相当。法律领域大家可能都比较陌生,不妨了解下。

《Learning Deep Architectures for
AI》

211《文本及之算法》

介绍:一如约学习人工智能的书本,作者是Yoshua
Bengio,相关国内通讯

介绍:
文中提到了太出彩,模型,最大熵等等理论,此外还有使用篇。推荐系统可说凡是同仍对的阅读稿,关于模型还推荐一篇Generative
Model 与 Discriminative Model

《Geoffrey E.
Hinton个人主页》

212《NeuralTalk》

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了部分介绍性文章与课件值得学习

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的于图像生成自然语言描述的工具。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个训练好的动物模型,你得拿狮子大象的像来试试看看

《PROBABILITY THEORY: THE LOGIC OF
SCIENCE》

213《Deep Learning on Hadoop 2.0》

介绍:概率论:数理逻辑书籍

介绍:本文主要介绍了当Hadoop2.0及利用深度上,文章来源paypal

《H2O》

214《Practical recommendations for gradient-based training of deep
architectures》

介绍:一个所以来快速的统计,机器上而对数据量大的数学库

介绍:用基于梯度下降的办法训练深度框架的执行推荐指导,作者是Yoshua Bengio
.感谢@xuewei4d 推荐

《ICLR
2015议会的arXiv稿件合集》

215《Machine Learning With Statistical And Causal Methods》

介绍:在这边您得看来最近深度上来什么新势头。

介绍: 用统计与报方法做机械上(视频告诉)

《Introduction to Information
Retrieval》

216《Machine Learning Course 180’》

介绍:此书在消息寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表,收录了音信寻找、网络信息搜索、搜索引擎实现等方面相关的书、研究为主、相关课程、子领域、会议、期刊等等,堪称全集,值得珍藏

介绍: 一个言机器上的Youtube视频教程。160集结。系统程度跟书可比拟。

《Information Geometry and its Applications to Machine
Learning》

217《回归(regression)、梯度下降(gradient descent)》

介绍:信息几哪法及其于机械上着之动

介绍:
机器学习着的数学,作者的钻方向是机器上,并行计算如果你还眷恋询问一些外的可以望外博客的另外文章

《Legal Analytics – Introduction to the
Course》

218《美团推荐算法实践》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析和预测问题,相关的法采取包括预测编码、早期案例评估、案件完全情况的展望,定价和工作人员预测,司法行为预测相当。法律领域大家或许还比陌生,不妨了解下。

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

《文本及之算法》

219《Deep Learning for Answer Sentence Selection》

介绍:
文中涉嫌了极其美妙,模型,最大熵等等理论,此外还有用篇。推荐系统可以说凡是一模一样依照科学的阅读稿,关于模型还推荐一首Generative
Model 与 Discriminative
Model

介绍: 深度上用于问答系统答案句的取舍

《NeuralTalk》

220《Learning Semantic Representations Using Convolutional Neural
Networks for Web Search 》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的起图像生成自然语言描述的家伙。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个教练好的动物模型,你可拿狮子大象的影来试试看看

介绍: CNN用于WEB搜索,深度上以文书计算中的下

《Deep Learning on Hadoop
2.0》

221《Awesome Public Datasets》

介绍:本文主要介绍了在Hadoop2.0上以深度上,文章来源paypal

介绍: Awesome系列被的公然数据集

《Practical recommendations for gradient-based training of deep
architectures》

222《Search Engine & Community》

介绍:用基于梯度下降的点子训练深度框架的行推荐指导,作者是Yoshua
Bengio.感谢@xuewei4d
推荐

介绍: 一个学问搜索引擎

《Machine Learning With Statistical And Causal
Methods》

223《spaCy》

介绍: 用统计与报方法做机械上(视频告诉)

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快极抢的NLP库,快的原因同样凡为此Cython写的,二是为此了单非常巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

《Machine Learning Course
180’》

224《Collaborative Filtering with Spark》

介绍: 一个讲机器上的Youtube视频教程。160集结。系统程度跟书可比拟。

介绍: Fields是个数学研究中心,上面的就卖ppt是自Fields举办的倒中Russ
Salakhutdinov带来的《大规模机器上》分享

《回归(regression)、梯度下降(gradient
descent)》

225《Topic modeling 的经典论文》

介绍:
机器学习着的数学,作者的钻研方向是机械上,并行计算如果你还惦记打听一些旁的足看看外博客的其他文章

介绍: Topic modeling 的经典论文,标注了关键点

《美团推荐算法实践》

226《Move Evaluation in Go Using Deep Convolutional Neural
Networks》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

介绍:
多伦多大学同Google合作的新论文,深度上也可据此来下围棋,据说能够及六段落水平

《Deep Learning for Answer Sentence
Selection》

227《机器上周刊第二盼》

介绍: 深度上用于问答系统答案句的抉择

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚援引一个深上入门与综合资料

《Learning Semantic Representations Using Convolutional Neural Networks
for Web Search

228《Learning more like a human: 18 free eBooks on Machine
Learning》

介绍: CNN用于WEB搜索,深度上在文件计算着之应用

介绍: 18 free eBooks on Machine Learning

《Awesome Public
Datasets》

229《Recommend :Hang Li Home》

介绍: Awesome系列被的明数据集

介绍:Chief scientist of Noah’s Ark Lab of Huawei Technologies.He worked
at the Research Laboratories of NEC Corporation during 1990 and 2001 and
Microsoft Research Asia during 2001 and 2012.Paper

《Search Engine &
Community》

230《DEEPLEARNING.UNIVERSITY – AN ANNOTATED DEEP LEARNING
BIBLIOGRAPHY》

介绍: 一个学搜索引擎

介绍:
DEEPLEARNING.UNIVERSITY的论文库已经用了963首经过分类的吃水上论文了,很多经文论文还已经用

《spaCy》

231《MLMU.cz – Radim ?eh??ek – Word2vec & friends (7.1.2015)》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度极其抢之NLP库,快之案由一样是用Cython写的,二凡是用了只老抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

介绍: Radim
?eh??ek(Gensim开发者)在相同涂鸦机器上聚会及之告诉,关于word2vec及其优化、应用及扩充,很实用.国内网盘

《Collaborative Filtering with
Spark》

232《Introducing streaming k-means in Spark 1.2》

介绍:Fields举凡单数学研究为主,上面的当即卖ppt是缘于Fields举办的倒中Russ
Salakhutdinov带来的《大规模机器上》分享

介绍:很多供销社都为此机器上来解决问题,提高用户体验。那么怎么好于机器上还实时和行之有效吗?Spark
MLlib 1.2里的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们每半时1TB的钻数据,现在颁布于大家于是了。

《Topic modeling
的经文论文》

233《LDA入门与Java实现》

介绍: Topic modeling 的经典论文,标注了重点点

介绍:
这是同一首面向工程师的LDA入门笔记,并且提供平等客开箱即用Java实现。本文只记录基本概念与原理,并无关乎公式推导。文中的LDA实现中心部分使用了arbylon的LdaGibbsSampler并力所能同地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

《Move Evaluation in Go Using Deep Convolutional Neural
Networks》

234《AMiner – Open Science Platform》

介绍:
多伦多大学以及Google合作之新论文,深度上吧可以据此来下围棋,据说能达成六段落水平

介绍:
AMiner是一个学问搜索引擎,从学网络中发掘深度知识、面向科技大数量的打桩。收集近4000万作者信息、8000万舆论信息、1亿差不多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

《机器上周刊第二要》

235《What are some interesting Word2Vec results?》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外还援引一个深上入门与综合资料

介绍: Quora上的主题,讨论Word2Vec底趣应用,Omer
Levy提到了外当CoNLL2014特级论文里的剖析结果以及初方式,Daniel
Hammack给出了摸特异词的微应用并提供了(Python)代码

《Learning more like a human: 18 free eBooks on Machine
Learning》

236《机器上公开课汇总》

介绍: 18 free eBooks on Machine Learning

介绍:
机器学习公开课汇总,虽然其中的有些课程都归档过了,但是还有个别的音信尚未。感谢课程图谱的小编

《Recommend :Hang Li
Home》

237《A First Course in Linear Algebra》

介绍:Chief scientist of Noah’s Ark Lab of Huawei Technologies.He worked
at the Research Laboratories of NEC Corporation during 1990 and 2001 and
Microsoft Research Asia during 2001 and
2012.Paper

介绍: 【A First Course in Linear Algebra】Robert Beezer 有答案
有移动版、打印版 使用GNU自由文档协议 引用了杰弗逊1813年之信仰

《DEEPLEARNING.UNIVERSITY – AN ANNOTATED DEEP LEARNING
BIBLIOGRAPHY》

238《libfacedetection》

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经用了963首经过分类的深度上论文了,很多经文论文还已选定

介绍:libfacedetection是深圳大学开源的一个人脸图像识别库。包含正面与多视角口脸检测两只算法.优点:速度快(OpenCV
haar+adaboost的2-3加倍), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

《MLMU.cz – Radim Řehůřek – Word2vec & friends
(7.1.2015)》

239《Inverting a Steady-State》

介绍: Radim
Řehůřek(Gensim开发者)在平赖机器上聚会及之晓,关于word2vec会同优化、应用和扩张,很实用.境内网盘

介绍:WSDM2015极佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加深一些。通过全局的稳定分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之熏陶系数影响)。可以为此来反求每个节点的影响系数

《Introducing streaming k-means in Spark
1.2》

240《机器上入门书单》

介绍:很多铺面还为此机器上来解决问题,提高用户体验。那么怎么可以被机器上还实时和有效性也?Spark
MLlib 1.2间的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为了实时处理他们各半时1TB底钻数据,现在揭晓给大家用了。

介绍:机器上入门书籍,具体介绍

《LDA入门与Java实现》

241《The Trouble with SVMs》

介绍:
这是千篇一律篇面向工程师的LDA入门笔记,并且提供平等卖开箱即用Java实现。本文只记录基本概念与原理,并无关乎公式推导。文中的LDA实现基本部分采用了arbylon的LdaGibbsSampler并力所能跟地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

介绍:
非常深的强调特征选择针对性分类器重要性的篇章。情感分类中,根据互信息对复杂高维特征降维再以节能贝叶斯分类器,取得了比SVM更出色之功效,训练与归类时间吧大大降低——更重要的凡,不必花费大量工夫以上学和优化SVM上——特征呢同no
free lunch

《AMiner – Open Science
Platform》

242《Rise of the Machines》

介绍:
AMiner是一个学搜索引擎,从学网络被开掘深度知识、面向科技特别数目的打通。收集近4000万作者信息、8000万舆论信息、1亿几近引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

介绍:CMU的统计系和计算机有关知名教授Larry Wasserman
在《机器崛起》,对比了统计以及机器上的差别

《What are some interesting Word2Vec
results?》

243《实例详解机器上怎样缓解问题》

介绍: Quora上的主题,讨论Word2Vec底好玩应用,Omer
Levy提到了他在CoNLL2014特级论文里之辨析结果跟初措施,Daniel
Hammack给来了找特异词的微应用并提供了(Python)代码

介绍:随着大数量时代的到,机器上变成化解问题之同一种植要且要的工具。不管是工业界还是学术界,机器上还是一个炙手可热的动向,但是学术界以及工业界对机械上的钻各个发生讲究,学术界侧重于对机械上理论的研究,工业界侧重于安用机器上来解决实际问题。这首稿子是美团的实在条件受到的实战篇

《机器上公开课汇总》

244《Gaussian Processes for Machine Learning》

介绍:
机器学习公开课汇总,虽然中的略微课程已经归档过了,但是还有个别的消息并未。感谢课程图谱的小编

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和另模型关系、大数据集的压方法齐,微盘下载

《A First Course in Linear
Algebra》

245《FuzzyWuzzy: Fuzzy String Matching in Python》

介绍: 【A First Course in Linear Algebra】Robert Beezer 有答案
有移动版、打印版 使用GNU自由文档协议 引用了杰弗逊1813年之迷信

介绍:Python下之公文模糊匹配库,老库新推,可计算串间ratio(简单相似系数)、partial_ratio(局部相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等
github

《libfacedetection》

246《Blocks》

介绍:libfacedetection是深圳大学开源的一个人数脸图像识别库。包含正面与多视角人口脸检测两独算法.优点:速度快(OpenCV
haar+adaboost的2-3倍增), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

介绍:Blocks是依据Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您更快地开创与管制NN模块.

《Inverting a
Steady-State》

247《Introduction to Machine Learning》

介绍:WSDM2015极端佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加深厚一些。通过全局的风平浪静分布去求解每个节点影响系数模型。假设合理(转移受到附近之熏陶系数影响)。可以就此来反求每个节点的震慑系数

介绍:机器上大神Alex Smola在CMU新一欲的机器上入门课程”Introduction to
Machine
Learning“近期正开拍,课程4K高清视频一起到Youtube上,目前正巧更新至 2.4
Exponential Families,课程视频playlist,
感兴趣的同学可以关注,非常适合入门.

《机器上入门书单》

248《Collaborative Feature Learning from Social Media》

介绍:机器上入门书籍,实际介绍

介绍:用社交用户作为上图片的并特征,可再好地表达图片内容相似性。由于匪靠让人工标签(标注),可用以大规模图片处理,难在用户作为数据的收获和洗;利用社会化特征的笔触值得借鉴.

《The Trouble with
SVMs》

249《Introducing practical and robust anomaly detection in a time
series》

介绍:
非常硬的强调特征选择对分类器重要性的稿子。情感分类中,根据互信息对复杂高维特征降维再使节能贝叶斯分类器,取得了比SVM更美好的效力,训练以及归类时间啊大大降低——更要的凡,不必花费大量光阴以求学及优化SVM上——特征呢一样no
free lunch

介绍:Twitter技术团队针对前段时间开源之时光序列非常检测算法(S-H-ESD)R包的牵线,其中对充分的概念及分析颇值得参考,文中也干——异常是赛针对性的,某个圈子支出的挺检测在另外世界直接用而不行.

《Rise of the
Machines》

250《Empower Your Team to Deal with Data-Quality Issues》

介绍:CMU的统计系和处理器有关知名教授Larry Wasserman
在《机器崛起》,对比了统计与机械上的区别

介绍:聚焦数据质量问题之应对,数据质量对各种层面企业之习性与效率还要,文中总结发生(不限于)22种植典型数据质量问题显现的信号,以及卓越的数质量解决方案(清洗、去还、统一、匹配、权限清理等)

《实例详解机器上怎样缓解问题》

251《中文分词入门的资源》

介绍:随着大数额时代的来,机器上变成化解问题之同一种要且要的工具。不管是工业界还是学术界,机器上还是一个炙手可热的主旋律,但是学术界以及工业界对机械上的研究各个起讲究,学术界侧重于对机械上理论的钻,工业界侧重于安用机器上来缓解实际问题。这首文章是美团的实在条件受到之实战篇

介绍:中文分词入门的资源.

《Gaussian Processes for Machine
Learning》

252《Deep Learning Summit, San Francisco, 2015》

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型与任何模型关系、大数据集的薄方法齐,微盘下载

介绍:15年旧金山深上峰会视频采访,国内云盘

《FuzzyWuzzy: Fuzzy String Matching in
Python》

253《Introduction to Conditional Random Fields》

介绍:Python下之文书模糊匹配库,老库新推,可计算串间ratio(简单相似系数)、partial_ratio(局部相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等github

介绍:很好之极仍机场(CRF)介绍文章,作者的上笔记

《Blocks》

254《A Fast and Accurate Dependency Parser using Neural Networks》

介绍:Blocks是因Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您更快地创建与管制NN模块.

介绍: 来自Stanford,用神经网络实现高效准确之依存关系解析器

《Introduction to Machine
Learning》

255《Which GPU(s) to Get for Deep Learning: My Experience and Advice
for Using GPUs in Deep Learning》

介绍:机器上大神Alex Smola在CMU新一盼的机器上入门课程”Introduction to
Machine
Learning“近期刚好开拍,课程4K高清视频一起到Youtube上,目前恰恰更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同学可以关注,非常适合入门.

介绍:做深上如何选GPU的提议

《Collaborative Feature Learning from Social
Media》

256《Sparse Linear Models》

介绍:用社交用户作为上图片的联手特征,可再好地表达图片内容相似性。由于匪因让人工标签(标注),可用以大规模图片处理,难在用户作为数据的得到与保洁;利用社会化特征的笔触值得借鉴.

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上之报告,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年与主题报告
、讲义.

《Introducing practical and robust anomaly detection in a time
series》

257《Awesome Computer Vision》

介绍:Twitter技术团队本着前段时间开源之时间序列非常检测算法(S-H-ESD)R包的牵线,其中对特别的定义及分析深值得参考,文中也波及——异常是大针对性的,某个圈子支出的大检测以另世界直接用而不行.

介绍:
分类整理的机视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的翻新频率为深频繁

《Empower Your Team to Deal with Data-Quality
Issues》

258《Adam Szeidl》

介绍:聚焦数据质量问题的答疑,数据质量对各种层面企业之属性和效率还要,文中总结发生(不压)22栽典型数据质量问题显现的信号,以及卓越的数码质量解决方案(清洗、去再、统一、匹配、权限清理等)

介绍: social networks course

《中文分词入门的资源》

259《Building and deploying large-scale machine learning pipelines》

介绍:中文分词入门的资源.

介绍: 大规模机器上流程的构建与部署.

《Deep Learning Summit, San Francisco,
2015》

260《人脸识别开发包》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

《Introduction to Conditional Random
Fields》

261《Understanding Natural Language with Deep Neural Networks Using
Torch》

介绍:很好的尺度仍机场(CRF)介绍文章,作者的上笔记

介绍: 采用Torch用深度上网络了解NLP,来自Facebook 人工智能的文章.

《A Fast and Accurate Dependency Parser using Neural
Networks》

262《The NLP Engine: A Universal Turing Machine for NLP》

介绍: 来自Stanford,用神经网络实现快捷准确之依存关系解析器

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一首有意思的Arxiv文章,作者用Shannon Entropy来写NLP中各项任务的难度.

《Which GPU(s) to Get for Deep Learning: My Experience and Advice for
Using GPUs in Deep
Learning》

263《TThe Probabilistic Relevance Framework: BM25 and Beyond》

介绍:做深度上怎么选择GPU的提议

介绍: 信息搜索排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三单影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习之思:组合了BM11同BM15星星单模型。4)作者是BM25的倡导者和Okapi实现者Robertson.

《Sparse Linear
Models》

264《Introduction to ARMA Time Series Models – simplified》

介绍: Stanford的Trevor Hastie教授在H2O.ai
Meet-Up上的报,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年跟主题报告、讲义.

介绍:
自回归滑动平均(ARMA)时间序列的概括介绍,ARMA是钻时序列的要害方法,由从回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

《Awesome Computer
Vision》

265《Encoding Source Language with Convolutional Neural Network for
Machine Translation》

介绍:
分类整理的机器视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的创新频率为老频繁

介绍: 把来target的attention signal加入source encoding
CNN的输入,得到了比BBN的型好的多neural network joint model

《Adam
Szeidl》

266《Spices form the basis of food pairing in Indian cuisine》

介绍: social networks course

介绍:
揭开印度菜肴之香秘诀——通过对大气菜单原料关系的开挖,发现印度菜香的因之一是里面的意味互相冲突,很有趣之文书挖掘研究

《Building and deploying large-scale machine learning
pipelines》

267《HMM相关文章索引》

介绍: 大规模机器上流程的构建和部署.

介绍: HMM相关文章,此外推荐中文分词之HMM模型详解

《人脸识别开发包》

268《Zipf’s and Heap’s law》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

介绍:
1)词频与那降序排序的关系,最有名的凡语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即双方成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对甚高频与怪低频词的勾 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

《Understanding Natural Language with Deep Neural Networks Using
Torch》

269《I am Jürgen Schmidhuber, AMA》

介绍: 采用Torch用深度上网络了解NLP,来自Facebook 人工智能的文章.

介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me
Anything)主题,有许多RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您也会见受益匪浅.

《The NLP Engine: A Universal Turing Machine for
NLP》

270《学术种子网站:AcademicTorrents》

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一首有意思的Arxiv文章,作者用Shannon Entropy来形容NLP中各项任务的难度.

介绍:
成G上T的学术数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简易的主意,通过BT软件,RSS订阅各集合即可

《TThe Probabilistic Relevance Framework: BM25 and
Beyond》

271《机器上相互速查表》

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三只影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习的思量:组合了BM11以及BM15简单只模型。4)作者是BM25的倡导者和Okapi实现者Robertson.

介绍: Scikit-Learn官网提供,在老的Cheat
Sheet基础及助长了Scikit-Learn相关文档的链接,方便浏览

《Introduction to ARMA Time Series Models –
simplified》

272《A Full Hardware Guide to Deep Learning》

介绍:
自回归滑动平均(ARMA)时间序列的简约介绍,ARMA是研讨时序列的重大方式,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

介绍: 深度上之圆满硬件指南,从GPU到RAM、CPU、SSD、PCIe

《Encoding Source Language with Convolutional Neural Network for
Machine
Translation》

273《行人检测(Pedestrian Detection)资源》

介绍: 把来自target的attention signal加入source encoding
CNN的输入,得到了比BBN的模型好的多neural network joint model

介绍:Pedestrian Detection paper & data

《Spices form the basis of food pairing in Indian
cuisine》

274《A specialized face-processing network consistent with the
representational geometry of monkey face patches》

介绍:
揭开印度菜之可口秘诀——通过对大量食谱原料关系之挖,发现印度菜香的由有是内部的含意互相冲突,很风趣之公文挖掘研究

介绍:
【神经科学碰撞人工智能】在面部识别达到你自己都是大家,即使细微之差别也会辨别。研究已经证明人类和灵长类动物在颜加工上不同为其他物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等通过计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的无所不包结合。

《HMM相关文章索引》

275《Neural Net in C++ Tutorial》

介绍: HMM相关文章

介绍:
神经网络C++教程,本文介绍了用而调节梯度下降以及可调节动量法设计及编码经典BP神经网络,网络经过训练可以做出惊人和优质的物出来。此外作者博客的另外文章为深正确。

《Zipf’s and Heap’s
law》

276《How to Choose a Neural Network》

介绍:
1)词频与那降序排序的干,最显赫的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对性甚高频以及坏低频词的描绘 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

介绍:deeplearning4j官网提供的实在行使场景NN选择参考表,列举了一些突出问题建议使用的神经网络

《I am Jürgen Schmidhuber,
AMA》

277《Deep Learning (Python, C/C++, Java, Scala, Go)》

介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me
Anything)主题,有过多RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您啊会受益匪浅.

介绍:一个纵深上型,提供了Python, C/C++, Java, Scala, Go多独本子的代码

《学术种子网站:AcademicTorrents》

278《Deep Learning Tutorials》

介绍:
成G上T的学数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简便的方,通过BT软件,RSS订阅各集合即可

介绍:深度上课程,github

《机器上相互速查表》

279《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍: Scikit-Learn官网提供,在原的Cheat
Sheet基础及添加了Scikit-Learn相关文档的链接,方便浏览

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

《A Full Hardware Guide to Deep
Learning》

280《FaceNet: A Unified Embedding for Face Recognition and
Clustering》

介绍: 深度上的健全硬件指南,从GPU到RAM、CPU、SSD、PCIe

介绍:Google对Facebook DeepFace的劲回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上达成99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别和聚类.

《行人检测(Pedestrian
Detection)资源》

281《MLlib中的Random Forests和Boosting》

介绍:Pedestrian Detection paper & data

介绍:本文来源Databricks公司网站的同一篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们当MLlib中的分布式实现,以及显一些简易的事例并提议该起哪里达手.中文版.

《A specialized face-processing network consistent with the
representational geometry of monkey face
patches》

282《Sum-Product Networks(SPN) 》

介绍:
【神经科学碰撞人工智能】在脸部识别及你本人都是专家,即使细微的差别也克分辨。研究已说明人类和灵长类动物在颜加工及差为其它物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等经电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的无所不包结合。

介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文和落实代码.

《Neural Net in C++
Tutorial》

283《Neural Network Dependency Parser》

介绍:
神经网络C++教程,本文介绍了于是而调节梯度下降与可调节动量法设计以及编码经典BP神经网络,网络经过训练可以做出惊人和大好之物下。此外作者博客的另外文章也要命是。

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前只是处理中英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural Networks》 思路实现.

《How to Choose a Neural
Network》

284《神经网络语言模型》

介绍:deeplearning4j官网提供的骨子里采用场景NN选择参考表,列举了片名列前茅问题建议以的神经网络

介绍:本文根据神经网络的升华历程,详细讲解神经网络语言模型在相继阶段的款型,其中的模型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要害变形,总结的专门好.

《Deep Learning (Python, C/C++, Java, Scala,
Go)》

285《Classifying Spam Emails using Text and Readability Features》

介绍:一个深上型,提供了Python, C/C++, Java, Scala, Go多单版本的代码

介绍:经典问题之初研:利用文本以及可读性特征分类垃圾邮件。

《Deep Learning
Tutorials》

286《BCI Challenge @ NER 2015》

介绍:深度上课程

介绍:Kaggle脑控计算机交互(BCI)竞赛优胜方案源码及文档,包括完全的多少处理流程,是读书Python数据处理以及Kaggle经典参赛框架的绝佳实例

《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

287《IPOL Journal · Image Processing On Line》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

介绍:IPOL(在线图像处理)是图像处理与图像分析的研讨期刊,每篇文章还包含一个算法和相应的代码、Demo和尝试文档。文本以及源码是经过了同行评审的。IPOL是开之对及可再次的研究期刊。我一直想做点类似的劳作,拉近产品和技巧之间的距离.

《FaceNet: A Unified Embedding for Face Recognition and
Clustering》

288《Machine learning classification over encrypted data》

介绍:Google对Facebook DeepFace的强硬回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上上99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别和聚类.

介绍:出自MIT,研究加密多少快速分类问题.

《MLlib中的Random
Forests和Boosting》

289《purine2》

介绍:本文自Databricks公司网站的同首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们在MLlib中之分布式实现,以及显一些简约的例证并建议该打何方达手.中文版.

介绍:新加坡LV实验室之神经网络并行框架Purine: A bi-graph based deep
learning
framework,支持构建各种互动的架构,在多机多卡,同步创新参数的状下中心达到线性加速。12块Titan
20小时得完成Googlenet的训。

《Sum-Product Networks(SPN)

290《Machine Learning Resources》

介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文和兑现代码.

介绍:这是一个机器上资源库,虽然于少.但蚊子再稍微也是肉.有突出部分.此外还有一个出于zheng
Rui整理的机上资源.

《Neural Network Dependency
Parser》

291《Hands-on with machine learning》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前不过处理面临英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》思路实现.

介绍:Chase
Davis在NICAR15达到的主题报告材料,用Scikit-Learn做监督上之入门例子.

292《The Natural Language Processing Dictionary》

介绍:这是一致以自然语言处理的词典,从1998年始于至眼前累积了过多的正儿八经词语解释,如果您是平员刚刚入门的朋友.可以借这本词典让祥和成长更快.

293《PageRank Approach to Ranking National Football Teams》

介绍:通过分析1930年至今日的竞技数据,用PageRank计算世界杯参赛球队排名榜.

294《R Tutorial》

介绍:R语言教程,此外还引进一个R语言教程An Introduction to R.

295《Fast unfolding of communities in large networks》

介绍:经典老文,复杂网络社区意识的迅猛算法,Gephi中的[Community
detection](The Louvain method for community detection in large
networks)即根据此.

296《NUML》

介绍: 一个面向 .net 的开源机器上库,github地址

297《synaptic.Js》

介绍: 支持node.js的JS神经网络库,可于客户端浏览器被运行,支持LSTM等
github地址

298《Machine learning for package users with R (1): Decision Tree》

介绍: 决策树

299《Deep Learning, The Curse of Dimensionality, and Autoencoders》

介绍: 讨论深度上自动编码器如何有效应对维数灾难,国内翻译

300《Advanced Optimization and Randomized Methods》

介绍: CMU的优化以及人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上之基业,值得深刻上 国内云(视频)

301《CS231n: Convolutional Neural Networks for Visual
Recognition》

介绍:
“面向视觉识别的CNN”课程设计报告集锦.近百篇,内容提到图像识别应用的各个方面

302《Topic modeling with LDA: MLlib meets GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

303《Deep Learning for Multi-label Classification》

介绍: 基于深度上之几近标签分类,用基于RBM的DBN解决多标签分类(特征)问题

304《Google DeepMind publications》

介绍: DeepMind论文集锦

305《kaldi》

介绍: 一个开源语音识别工具确保,它目前托管在sourceforge上面

306《Data Journalism Handbook》

介绍: 免费电子书《数据新闻手册》,
国内发生热心的爱人翻译了中文版,大家为可以在线阅读

307《Data Mining Problems in Retail》

介绍: 零售领域的数额挖掘文章.

308《Understanding Convolution in Deep Learning》

介绍: 深度上卷积概念详解,深入浅出.

309《pandas: powerful Python data analysis toolkit》

介绍: 非常有力的Python的数量解析工具包.

310《Text Analytics 2015》

介绍: 2015文书分析(商业)应用综述.

311《Deep Learning libraries and ?rst experiments with Theano》

介绍: 深度上框架、库调研和Theano的起来测试体会报告.

312《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等人提深度上之新书,还不定稿,线及提供Draft
chapters收集报告,超赞!强烈推荐.

313《simplebayes》

介绍: Python下起源而持久化朴素贝叶斯分类库.

314《Paracel》

介绍:Paracel is a distributed computational framework designed for
machine learning problems, graph algorithms and scientific computing in
C++.

315《HanLP:Han Language processing》

介绍: 开源汉语言处理包.

316《Simple Neural Network implementation in Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

317《Hacker’s guide to Neural Networks》

介绍:神经网络黑客入门.

318《The Open-Source Data Science Masters》

介绍:好多数目科学家名人推荐,还有资料.

319《Text Understanding from Scratch》

介绍:实现项目已经开源在github上面Crepe

320《 Improving Distributional Similarity with Lessons Learned from
Word Embeddings》

介绍:作者发现,经过调参,传统的点子为会及word2vec获取多的功力。另外,无论作者怎么碰,GloVe都比不过word2vec.

321《CS224d: Deep Learning for Natural Language Processing》

介绍:Stanford深度上与自然语言处理课程,Richard Socher主讲.

322《Math Essentials in Machine Learning》

介绍:机器上着之重中之重数学概念.

323《Improved Semantic Representations From Tree-Structured Long
Short-Term Memory Networks》

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断和感情分类效果大好.实现代码.

324《Statistical Machine Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机上课程,先编课程也机械上(10-715)和中等统计学(36-705),聚焦统计理论以及办法以机上园地应用.

325《AM207: Monte Carlo Methods, Stochastic Optimization》

介绍:《哈佛大学蒙特卡洛方法和人身自由优化学科》是哈佛应用数学研究生课程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣的意中人肯定要是探望,提供授课视频与课上IPN讲义.

326《Understanding Convolutions》

介绍:帮您掌握卷积神经网络,讲解很清晰,此外还有少数篇Conv Nets: A Modular
Perspective,Groups & Group Convolutions.
作者的其余的关于神经网络文章也罢格外过硬

327《Introduction to Deep Learning Algorithms》

介绍:Deep Learning算法介绍,里面介绍了06年3篇让deep learning崛起的论文

328《Learning Deep Architectures for AI》

介绍:一仍上人工智能的书籍,作者是Yoshua Bengio,相关国内通讯

329《Geoffrey E. Hinton个人主页》

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了片介绍性文章和课件值得学习

330《PROBABILITY THEORY: THE LOGIC OF SCIENCE》

介绍:概率论:数理逻辑书籍

331《H2O》

介绍:一个就此来很快的统计,机器上又对数据量大之数学库

332《ICLR 2015会的arXiv稿件合集》

介绍:在这边您可看最近深度上来啊新取向。

333《Introduction to Information Retrieval》

介绍:此书在消息寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了信息搜索、网络消息寻找、搜索引擎实现等地方有关的书本、研究为主、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

334《Information Geometry and its Applications to Machine Learning》

介绍:信息几哪里法及其于机器上中的下

335《Legal Analytics – Introduction to the Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析和预测问题,相关的王法采取包括预测编码、早期案例评估、案件完全状况的前瞻,定价与工作人员预测,司法行为预测相当。法律领域大家也许都比较陌生,不妨了解下。

336《文本及之算法》

介绍:
文中涉及了极完美,模型,最大熵等等理论,此外还有使用篇。推荐系统可以说凡是同一按照是的阅读稿,关于模型还推荐一首Generative
Model 与 Discriminative Model

337《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的于图像生成自然语言描述的工具。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个训练好的动物模型,你得拿狮子大象的像来试看

338《Deep Learning on Hadoop 2.0》

介绍:本文主要介绍了以Hadoop2.0达标用深度上,文章来源paypal

339《Practical recommendations for gradient-based training of deep
architectures》

介绍:用基于梯度下降的计训练深度框架的推行推荐指导,作者是Yoshua Bengio
.感谢@xuewei4d 推荐

340《Machine Learning With Statistical And Causal Methods》

介绍: 用统计与报方法做机械上(视频告诉)

341《Machine Learning Course 180’》

介绍: 一个提机器上的Youtube视频教程。160聚众。系统程度跟书可比拟。

342《回归(regression)、梯度下降(gradient descent)》

介绍:
机器学习中的数学,作者的钻研方向是机上,并行计算如果你还眷恋了解一些别样的可看看他博客的别样文章

343《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

344《Deep Learning for Answer Sentence Selection》

介绍: 深度上用于问答系统答案句的选择

345《Learning Semantic Representations Using Convolutional Neural
Networks for Web Search 》

介绍: CNN用于WEB搜索,深度上在文件计算中的应用

346《Awesome Public Datasets》

介绍: Awesome系列被的公开数据集

347《Search Engine & Community》

介绍: 一个学问搜索引擎

348《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快最好抢的NLP库,快之案由一样凡用Cython写的,二是为此了单非常抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

349《Collaborative Filtering with Spark》

介绍: Fields是个数学研究中心,上面的就卖ppt是来源于Fields举办的移位中Russ
Salakhutdinov带来的《大规模机器上》分享

350《Topic modeling 的经论文》

介绍: Topic modeling 的经典论文,标注了重点点

351《Move Evaluation in Go Using Deep Convolutional Neural
Networks》

介绍:
多伦多大学与Google合作的新论文,深度上吧可以用来下围棋,据说能达到六段落水平

352《机器上周刊第二愿意》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外还引进一个纵深上入门与综合资料

353《Learning more like a human: 18 free eBooks on Machine
Learning》

介绍: 18 free eBooks on Machine Learning

354《Recommend :Hang Li Home》

介绍:Chief scientist of Noah’s Ark Lab of Huawei Technologies.He worked
at the Research Laboratories of NEC Corporation during 1990 and 2001 and
Microsoft Research Asia during 2001 and 2012.Paper

355《DEEPLEARNING.UNIVERSITY – AN ANNOTATED DEEP LEARNING
BIBLIOGRAPHY》

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经选定了963首经过分类的深度上论文了,很多经典论文还早已用

356《MLMU.cz – Radim ?eh??ek – Word2vec & friends (7.1.2015)》

介绍: Radim
?eh??ek(Gensim开发者)在平等次等机器上聚会上的报告,关于word2vec及其优化、应用以及壮大,很实用.国内网盘

357《Introducing streaming k-means in Spark 1.2》

介绍:很多铺还因此机器上来解决问题,提高用户体验。那么怎么可以为机器上还实时和管事吗?Spark
MLlib 1.2之中的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是以实时处理他们各半小时1TB的研讨数据,现在披露给大家之所以了。

358《LDA入门与Java实现》

介绍:
这是一致首面向工程师的LDA入门笔记,并且提供平等卖开箱即用Java实现。本文特记录基本概念与原理,并无干公式推导。文中的LDA实现核心组成部分以了arbylon的LdaGibbsSampler并力所能及地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

359《AMiner – Open Science Platform》

介绍:
AMiner是一个学术搜索引擎,从学术网络被打深度知识、面向科技不行数目的发掘。收集近4000万作者信息、8000万论文信息、1亿大抵引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

360《What are some interesting Word2Vec results?》

介绍: Quora上之主题,讨论Word2Vec底幽默应用,Omer
Levy提到了外于CoNLL2014顶尖级论文里之剖析结果和新办法,Daniel
Hammack给闹了找特异词的略应用并提供了(Python)代码

361《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其中的有点课程就归档过了,但是还有个别的音信没有。感谢课程图谱的小编

362《A First Course in Linear Algebra》

介绍: 【A First Course in Linear Algebra】Robert Beezer 有答案
有移动版、打印版 使用GNU自由文档协议 引用了杰弗逊1813年的信教

363《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个人脸图像识别库。包含正面与多视角口脸检测两个算法.优点:速度快(OpenCV
haar+adaboost的2-3加倍), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

364《Inverting a Steady-State》

介绍:WSDM2015尽佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加深厚一些。通过全局的祥和分布去求解每个节点影响系数模型。假设合理(转移受到附近的震慑系数影响)。可以就此来反求每个节点的熏陶系数

365《机器上入门书单》

介绍:机器上入门书籍,具体介绍

366《The Trouble with SVMs》

介绍:
非常硬的强调特征选择针对性分类器重要性的稿子。情感分类中,根据互信息对复杂高维特征降维再使节能贝叶斯分类器,取得了比SVM更美好的效力,训练以及归类时间啊大大降低——更重要的凡,不必花费大量光阴以求学及优化SVM上——特征呢一样no
free lunch

367《Rise of the Machines》

介绍:CMU的统计系和处理器有关知名教授Larry Wasserman
在《机器崛起》,对比了统计与机械上的距离

368《实例详解机器上如何解决问题》

介绍:随着大数量时代的到,机器上变成化解问题之相同种植重要且主要的家伙。不管是工业界还是学术界,机器上还是一个炙手可热的样子,但是学术界以及工业界对机械上的钻各个发生厚,学术界侧重于对机械上理论的研究,工业界侧重于怎样用机器上来化解实际问题。这首文章是美团的实际上条件中之实战篇

369《Gaussian Processes for Machine Learning》

介绍:面向机器上的高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和其他模型关系、大数据集的压方法齐,微盘下载

370《FuzzyWuzzy: Fuzzy String Matching in Python》

介绍:Python下之公文模糊匹配库,老库新推,可算串间ratio(简单相似系数)、partial_ratio(局部相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等
github

371《Blocks》

介绍:Blocks是根据Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你再次快地开创同管理NN模块.

372《Introduction to Machine Learning》

介绍:机器上大神Alex Smola在CMU新一希望的机上入门课程”Introduction to
Machine
Learning“近期刚开拍,课程4K高清视频一起到Youtube上,目前正更新至 2.4
Exponential Families,课程视频playlist,
感兴趣的同室可以关注,非常适合入门.

373《Collaborative Feature Learning from Social Media》

介绍:用社交用户作为上图片的共同特征,可重新好地发挥图片内容相似性。由于未借助于让人工标签(标注),可用于大规模图片处理,难在用户作为数据的得到和洗;利用社会化特征的思路值得借鉴.

374《Introducing practical and robust anomaly detection in a time
series》

介绍:Twitter技术团队针对前段时间开源的年月序列非常检测算法(S-H-ESD)R包的牵线,其中针对充分的定义及分析深值得参考,文中也提到——异常是大针对性的,某个圈子支出之良检测以另外领域直接用而不行.

375《Empower Your Team to Deal with Data-Quality Issues》

介绍:聚焦数据质量问题的答应,数据质量对各种层面企业的性质和频率还要,文中总结出(不压)22栽典型数据质量问题表现的信号,以及卓越的多寡质量解决方案(清洗、去重新、统一、匹配、权限清理等)

376《中文分词入门的资源》

介绍:中文分词入门的资源.

377《Deep Learning Summit, San Francisco, 2015》

介绍:15年旧金山深上峰会视频采访,国内云盘

378《Introduction to Conditional Random Fields》

介绍:很好的尺码仍机场(CRF)介绍文章,作者的学笔记

379《A Fast and Accurate Dependency Parser using Neural Networks》

介绍: 来自Stanford,用神经网络实现迅速准确之依存关系解析器

380《Which GPU(s) to Get for Deep Learning: My Experience and Advice
for Using GPUs in Deep Learning》

介绍:做深上如何选GPU的提议

381《Sparse Linear Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上的晓,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年及主题报告
、讲义.

382《Awesome Computer Vision》

介绍:
分类整理的机器视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的更新频率也格外频繁

383《Adam Szeidl》

介绍: social networks course

384《Building and deploying large-scale machine learning pipelines》

介绍: 大规模机器上流程的构建与部署.

385《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

386《Understanding Natural Language with Deep Neural Networks Using
Torch》

介绍: 采用Torch用深度上网络了解NLP,来自Facebook 人工智能的文章.

387《The NLP Engine: A Universal Turing Machine for NLP》

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一篇有意思的Arxiv文章,作者用Shannon Entropy来描写NLP中各项任务的难度.

388《TThe Probabilistic Relevance Framework: BM25 and Beyond》

介绍: 信息搜索排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三单影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习之思:组合了BM11暨BM15星星单模型。4)作者是BM25的倡导者和Okapi实现者Robertson.

389《Introduction to ARMA Time Series Models – simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简约介绍,ARMA是钻时序列的要紧艺术,由由回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

390《Encoding Source Language with Convolutional Neural Network for
Machine Translation》

介绍: 把源target的attention signal加入source encoding
CNN的输入,得到了比BBN的模型好的多neural network joint model

391《Spices form the basis of food pairing in Indian cuisine》

介绍:
揭开印度菜肴之香秘诀——通过对大气食谱原料关系的开挖,发现印度菜香的因之一是里面的味道互相冲突,很有意思之公文挖掘研究

392《HMM相关文章索引》

介绍: HMM相关文章,此外推荐中文分词之HMM模型详解

393《Zipf’s and Heap’s law》

介绍:
1)词频与那降序排序的涉嫌,最显赫的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对性甚高频同怪低频词的写 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

394《I am Jürgen Schmidhuber, AMA》

介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me
Anything)主题,有诸多RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您吧会见受益匪浅.

395《学术种子网站:AcademicTorrents》

介绍:
成G上T的学问数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简易的方法,通过BT软件,RSS订阅各集合即可

396《机器上相速查表》

介绍: Scikit-Learn官网提供,在原的Cheat
Sheet基础及添加了Scikit-Learn相关文档的链接,方便浏览

397《A Full Hardware Guide to Deep Learning》

介绍: 深度上的一揽子硬件指南,从GPU到RAM、CPU、SSD、PCIe

398《行人检测(Pedestrian Detection)资源》

介绍:Pedestrian Detection paper & data

399《A specialized face-processing network consistent with the
representational geometry of monkey face patches》

介绍:
【神经科学碰撞人工智能】在脸部识别及而自都是专家,即使细微的差别呢能分辨。研究已证实人类与灵长类动物在颜加工及差让任何物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的圆结合。

400《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调节梯度下降与可调节动量法设计以及编码经典BP神经网络,网络经过训练可以做出惊人和优异的物下。此外作者博客的别文章也大是。

相关文章