当下是相同首介绍机器上历史之稿子。这是同样首介绍机器上历史之篇章。 最近当拟深上有关的物。

  • 《Brief History of Machine
    Learning》

机械上(Machine Learning)&深度上(Deep Learning)资料(Chapter 1)

 

介绍:这是千篇一律篇介绍机器上历史的稿子,介绍好圆满,从感知机、神经网络、决策树、SVM、Adaboost到自由森林、Deep
Learning.

 
  • 《Brief History of Machine
    Learning》

介绍:这是一样首介绍机器上历史之章,介绍很圆满,从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的新颖版本《神经网络与深度上综述》本综述的特性是因时间排序,从1940年始于说话起,到60-80年代,80-90年间,一直讲到2000年后以及近年来几年之拓展。涵盖了deep
learning里各种tricks,引用非常全面.

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》

介绍:这是均等客python机器上库,如果你是同个python工程师而且想深入的学机器学习.那么这首文章或会帮及你.

  • 《How to Layout and Manage Your Machine Learning
    Project》

介绍:这无异于篇介绍如果计划和管理属于您自己的机械上类之稿子,里面提供了保管模版、数据管理和执行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还未晓什么是机器上,或虽然是刚上感觉到那个枯燥乏味。那么推荐一诵读。这篇稿子曾为翻译成汉语,如果发趣味可以移动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机上之机要语言,有多的情侣想上学R语言,但是接连忘记一些函数和重点字之意义。那么就首稿子或能帮及公

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该如何选择机器上算法,这首稿子于直观的较了Naive
Bayes,Logistic
Regression,SVM,决策树等艺术的好坏,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了之本子:http://www.52ml.net/15063.html

  • 《An Introduction to Deep Learning: From Perceptrons to Deep
    Networks》

介绍:深度上概述:从感知机到深网络,作者对例子的选项、理论的牵线都格外成功,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

  • 《The LION Way: Machine Learning plus Intelligent
    Optimization》

介绍:<机器上与优化>这是同样照机器上之小册子,
短短300差不多页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有同堆坨公式的烦恼. 适合新手入门打基础, 也抱老手温故而知新.
比打MLAPP/PRML等大部头,
也许就仍你还用!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上与统计上理论》

介绍:作者是出自百度,不过他自己已经当2014年4月份报名离职了。但是这首文章好不错如果您切莫亮深度上与支持于量机/统计上理论有什么联系?那么该就看看就首文章.

  • 《计算机对中之数学》

介绍:这本书是由于谷歌公司与MIT共同出品的处理器是中的数学:[Mathematics
for Computer Science](Mathematics for Computer Science),Eric Lehman et
al 2013
。分为5多数:1)证明,归纳。2)结构,数论,图。3)计数,求与,生成函数。4)概率,随机行。5)递归。等等

  • 《信息时代的计算机对理论(Foundations of Data
    Science)》

介绍:信息时代的微处理器对理论,目前国内来纸质书购买,iTunes购买

  • 《Data Science with R》

介绍:这是同等比照由雪城大学新编的老二版《数据科学入门》教材:偏实用型,浅显易懂,适合想学R语言的同校选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是同样篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20单问题,内容连TAOCP,P/NP问题,图灵机,逻辑,以及为什么大神不用电邮等等。

  • 《Automatic Construction and Natural-Language Description of
    Nonparametric Regression
    Models》

介绍:不会见统计怎么收拾?不了解怎样挑选适当的统计模型怎么收拾?那这首稿子你的可观读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同等首关于automatic
statistician的稿子。可以活动选择回归模型类别,还能够半自动写报告…

  • 《ICLR 2014论文集》

介绍:对纵深上及representation learning最新进展产生趣味之同窗可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是一律本信息寻找相关的书,是由斯坦福Manning和谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最给欢迎之音搜索教材之一。最近作者多了拖欠科目的幻灯片和作业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10摆放可以的希冀来说明机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清晰

  • 《雅虎研究院的数目集汇总》

介绍:雅虎研究院的多寡集汇总:
包括语言类数据,图和组织交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数额。

  • 《An Introduction to Statistical Learning with Applications in
    R》

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且在2014年元月都开课:https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习资料汇集是据为机械上新专家推荐的上品学习资源,帮助新家快速入门。而且这篇稿子的介绍就给翻译成中文版。如果你稍微熟悉,那么我提议您先看无异扣中文的牵线。

  • My deep learning reading
    list

介绍:主要是沿Bengio的PAMI
review的稿子找出来的。包括几本综述文章,将近100篇论文,各位山头们的Presentation。全部且可在google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是一致随图书,主要介绍的凡跨语言信息寻找方面的学问。理论很多

  • 探究推荐引擎内部的秘闻,第 1 部分:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是来源于IBM的工程师。它要介绍了推介引擎相关算法,并辅助读者很快的实现这些算法。 探究推荐引擎内部的秘,第
2 局部: 深度推荐引擎相关算法 –
协同过滤,追究推荐引擎内部的秘闻,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机器上新家的某些提议》,
写的好实在,强调实行与辩论结合,最后还引述了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的多少

介绍:这是同样按照有关分布式并行处理的数《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参照下

  • 《“机器上”是什么?》

介绍:【“机器上”是啊?】John
Platt是微软研究院独立科学家,17年来他直以机上园地耕耘。近年来机器上变得炙手可热,Platt和共事们遂决定举办博客,向群众介绍机器上之研究进展。机器上是呀,被运在乌?来拘禁Platt的立即首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经被6月21-26日于国会着力繁华举办。本次大会由微软亚洲研究院与清华大学协同主办,是是有着30几近年历史并著名世界的机器上世界的盛会首不善到华,已成吸引世界1200基本上员专家的报名与。干货很多,值得深刻学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇文章要是因Learning to
Rank为例说明企业界机器上的实际运用,RankNet对NDCG之类不灵敏,加入NDCG因素后化作了LambdaRank,同样的思量从神经网络改吧利用及Boosted
Tree模型就形成了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一称为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢: From
RankNet to LambdaRank to LambdaMART: An
Overview另外,Burges还有众多举世闻名的代表作,比如:A
Tutorial on Support Vector Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

  • 《UFLDL-斯坦福大学Andrew Ng教授“Deep
    Learning”教程》

介绍:本课程将阐述无监督特征上及纵深上的重大意见。通过上,你呢将促成多单力量学/深度上算法,能顾其为卿办事,并上如何行使/适应这些想法及新题材达成。本学科假定机器上之基本知识(特别是习的监察上,逻辑回归,梯度下降之想法),如果你切莫熟识这些想法,我们建议乃错过这里机器上课程,并事先形成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面都来python版本了 UFLDL
Tutorial Code

*《Deep Learning for Natural Language Processing and Related
Applications》

介绍:这卖文档来自微软研究院,精髓多。如果欲全亮,需要自然之机上基础。不过小地方会受丁前一致亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是千篇一律篇介绍图像卷积运算的文章,讲的都算比较详细的了

  • 《Machine Learning Summer School》

介绍:每天要一个大牛来讲座,主要涉及机械上,大数额解析,并行计算以及人脑研究。https://www.youtube.com/user/smolix (需FQ)

  • 《Awesome Machine
    Learning》

介绍:一个特级完整的机器上开源库总结,如果你看这个碉堡了,那背后是列表会重被你惊叹:【Awesome
Awesomeness】,国内曾经有热情的心上人进行了翻华语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学计算机系Chris
Manning教授的《自然语言处理》课程有视频都得以于斯坦福公开课网站上收看了(如Chrome不行,可用IE观看)
作业以及考试也得下载。

  • 《Deep Learning and Shallow
    Learning》

介绍:对比 Deep Learning 和 Shallow Learning 的好文,来在浙大毕业、MIT
读博的 Chiyuan Zhang 的博客。

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费于线书,已经写了三章节了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning 爱好者的教义。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台和开源之机械上库,按照好数据、NLP、计算机视觉与Deep
Learning分类进行了整治。看起颇全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太中心的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上之算法很多。很多早晚困惑人们都是,很多算法是一样接近算法,而略算法又是自从任何算法中拉开出来的。这里,我们打个别独面来深受大家介绍,第一单方面是学之主意,第二独面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你既清楚了凡呀内容,没错。里面来众多经典的机上论文值得仔细跟高频的阅读。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机械上的经文图书,包括数学基础与算法理论的书,可做也入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16按部就班机器上之电子书,可以下载下来当pad,手机端任意时刻去读。不多我建议您看了一遵照还下充斥同照。

  • 《A Large set of Machine Learning Resources for Beginners to
    Mavens》

介绍:标题很充分,从新手到学者。不过看罢上面装有材料。肯定是家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的杀多,而且我曾经拉你寻找一块了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上体系,用来解决预测方面的题目,比如
YouTube 的视频推荐。

  • 《Neural Network & Text
    Mining》

介绍:关于(Deep) Neural Networks在 NLP 和 Text Mining 方面有paper的总

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的行人检测

  • 《Deep Learning – important resources for learning and
    understanding》

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这同时是同一篇机器上新大方的入门文章。值得一念

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

  • 《Python 网页爬虫 & 文本处理 & 科学计算 & 机器念 &
    数据挖掘兵器谱》

介绍:python的17独关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此地神奇的伽玛函数(下)

  • 《分布式机器上的故事》

介绍:作者王益时凡腾讯广告算法总监,王益博士毕业后当google任研究。这首文章王益博士7年来起谷歌到腾讯对于分布机器上之胆识。值得细读

  • 《机器上提升的道(Level-Up Your Machine
    Learning)》

介绍:把机器上提升的级别分为0~4层,每级需要学习之课本和摆布的学问。这样,给机器学习者提供一个前行的路线图,以免走弯路。另外,整个网站还是有关机器上之,资源充分丰富。

  • 《Machine Learning Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一样论来自小的研究员 li Peng和Dong
Yu所显示的有关深度上之方及采取的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机上夏季课刚刚竣工
有接近50小时之视频、十差不多独PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13誉为讲师都是牛人:包括特别牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的科普机器上系统》

介绍:在当年的IEEE/IFIP可靠系统与网络(DSN)国际会上,Google软件工程师Tushar
Chandra做了一个有关Sibyl系统的主题演讲。
Sibyl是一个监督式机器上系统,用来解决预测方面的题目,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客及粗略地介绍了他们当年与ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。

  • 《Bayesian network
    与python概率编程实战入门》

介绍:贝叶斯学习。如果不是格外彻底可省概率编程语言及贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友提问伯克利机器上大牛、美国对院士Michael I.
Jordan:”如果你出10亿美金,你怎么花?Jordan:
“我会见为此就10亿美金建造一个NASA级别的自然语言处理研究项目。”

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有一些另的机器上与数据挖掘文章和纵深上文章,不仅是辩论还有源码。

  • 《文本以及数据挖掘视频汇总》

介绍:Videolectures上无比让欢迎的25独公文和数据挖掘视频汇总

  • 《怎么选择深度上之GPUs》

介绍:在Kaggle上时时得不错成绩的Tim
Dettmers介绍了他好是怎选深度上之GPUs,
以及个人怎么构建深度上之GPU集群: http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

  • 《Deep Learning 和 Knowledge Graph
    引爆大数据革命》

介绍:还有2,3部分。http://blog.sina.com.cn/s/blog_46d0a3930101gs5h.html

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机上爱好者很热心的把这个科目翻译成了华语。如果你英语不好,可以看看这个

  • 《Deep Learning 101》

介绍:因为近两年来,深度上以媒体界被炒作死厉害(就像非常数目)。其实过多丁犹还无晓呀是深浅上。这首文章由浅入深。告诉您深度学究竟是呀!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学开的同等免费课程(很勉强),这个可以为你于深上之路上让你一个上之笔触。里面涉及了部分核心的算法。而且告诉您哪去动及骨子里条件中。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学开的一个深度上用来甄别图片标签/图转文字的demo。是一个其实采用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是情节需发自然的基础。

  • 《R工具包的归类集中》

介绍: (CRAN Task Views,
34种常见任务,每个任务而各自分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多再变量分析,计量经济学,心理统计学,社会学统计,化学计量学,环境科学,药物代谢动力学

  • 《机器上常见算法分类集中》

介绍:
机器学习的是时下数据解析世界的一个看好内容。很多总人口以平常的工作被还还是多或掉会为此到机械上之算法。本文也汝总结一下广阔的机械上算法,以供应你在劳作和读书着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总结了一点只系列。另外还作者还了一个章导航.非常的感谢作者总结。

Deep
Learning(深度上)学习笔记整理系列的(二)

Deep
Learning(深度上)学习笔记整理系列的(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列的(七)

DeepLearning(深度上)学习笔记整理系列的(八)

  • 《Tutorials Session A – Deep Learning for Computer
    Vision》

介绍:传送理由:Rob Fergus的之所以深度上做计算机是苏的NIPS 2013科目。有mp4,
mp3,
pdf各种下载 他是纽约大学讲授,目前啊于Facebook工作,他2014年的8篇论文

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开支之开源中文自然语言处理(NLP)工具包
Fudan
NLP里富含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等作用,对找引擎
文本分析等多有价。

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源之机上工具确保,支持单机, Hadoop cluster,和 Spark
cluster 重点是 logistic regression 算法

  • 《机器上周刊》

介绍:对于英语不好,但又蛮想念学习机器上的冤家。是一个很之方便。机器上周刊目前根本提供中文版,还是面向广大国内爱好者,内容涉及机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的主要数学先导课程。其实《线代》这门课称得浅显易懂特别非便于,如果一致达到来即使出言逆序数及陈行列式性质,很爱被学生去学习之趣味。我个人推举的特级《线性代数》课程是麻省理工Gilbert
Strang教授的课。 课程主页

  • 《Big-data》

介绍:大数额数据处理资源、工具不齐列表,从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器上等。很赞之资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了扳平叫做来本古里怎么大学之访问学者,制作了同模拟关于机器上之数不胜数视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正规机器上算法的辩解基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着好数额时代,量子机器上之第一单试验 paper
下载

  • 《How a Math Genius Hacked OkCupid to Find True
    Love》

介绍:Wired杂志通讯了UCLA数学博士Chris McKinlay
(图1)通过大数额手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定在12独账号,下载了婚恋网站2万女用户的600万题材答案,对她们开展了统计抽样及聚类分析(图2,3),最后终于到手了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开课,该课属于MIT研究生级别之课程,对机器人和非线性动力系统感兴趣之爱人不妨可以挑战一下及时宗学科!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

  • 《Google Turns To Deep Learning Classification To Fight Web
    Spam》

介绍:Google用Deep Learning做的antispam(反垃圾邮件)

  • 《NLP常用信息资源》

介绍:NLP常用信息资源* 《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

  • 《Best Papers vs. Top Cited Papers in Computer
    Science》

介绍:从1996年始发当微机科学的舆论中受引述次数最多的舆论

  • 《InfiniTAM:
    基于深度图像的体制数据并框架》

介绍:把当年底一个ACM Trans. on Graphics
(TOG)论文被的代码整理也一个开源之算法框架,共享出来了。欢迎大家以。可以实时的募集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会持续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好学习她?可以被您于浏览器被,跑起深度学习效果的超酷开源项目ConvNetJS作者karpathy告诉你,最佳技巧是,当你开始写代码,一切将易得一清二楚。他巧公布了扳平比照图书,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

介绍:前Google广告系统工程师Josh Wills
讲述工业界和科学界机器上之异议,大实话

  • 《Deep Learning Sentiment Analysis for Movie Reviews using
    Neo4j》

介绍:使用Neo4j 做影视评论的真情实意分析。

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

介绍:不仅是材料,而且还针对性小材料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱什么?

  • 《scikit-learn:用于机器上之Python模块》

介绍:scikit-learn是于SciPy基础及构建的用来机器上之Python模块。

  • 《对话机器上大神Michael
    Jordan:解析领域中各类模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机器上世界神经网络的大牛,他针对纵深上、神经网络有着很厚的兴。因此,很多咨询的题目备受蕴含了机械上世界的号模型,乔丹教授对准是一一做了诠释以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*搜索是人造智能基本算法,用于高效地查找图被有数沾之特等路径,
核心是 g(n)+h(n):
g(n)是从起点至顶点n之骨子里代价,h(n)大凡顶点n到目标顶点的量代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本项目以了Microsoft Azure,可以于几乎细分种内就NLP on Azure
Website的配置,立即开始针对FNLP各种特色的试用,或者以REST
API的花样调用FNLP的语言分析效益

  • 《吴立德《概率主题模型&数据对基础》

介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所符所长.内部课程

  • 《机器上入门资源不了集中》

介绍:好东西的干货真的多

  • 《收集从2014年开始深度上文献》

介绍:从硬件、图像及正常、生物、大数量、生物信息更届量子计算等,Amund
Tveit等保护了一个DeepLearning.University小品种:收集从2014年启幕深度上文献,相信可以当深度上的起点,github

  • 《EMNLP上有数首关于股票方向的运用论文

介绍:EMNLP上点儿篇有关stock
trend 用到了deep
model组织特征; Exploiting Social Relations and Sentiment for Stock
Prediction用到了stock
network。

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深度上一丝很牛Bengio组写的课程,算法深入显出,还有实现代码,一步步进行。

  • 《学习算法的Neural Turing Machine

介绍:许多传统的机上任务都是于攻读function,不过谷歌目前来起读书算法的样子。谷歌另外的立篇学习Python程序的Learning
to Execute呢发出相似之处

  • 《Learning to Rank for Information Retrieval and Natural Language
    Processing》

介绍:作者是华为技术有限公司,诺亚方舟实验室,首席科学家的李航博士写的关于信息搜索和自然语言处理的文章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的辨别上之运,此外还有个别单。一个凡是识别垃圾和虚假消息的paper.还生一个是网舆论及其分析技术

  • 《R机器学习实践》

介绍:该科目是网易公开课的收款课程,不值钱,超级福利。主要适合吃对应用R语言进行机上,数据挖掘感兴趣之人口。

  • 《大数据解析:机器上算法实现的演变》

介绍:本章中笔者总结了三代表机上算法实现的演变:第一代非分布式的,
第二代表工具而Mahout和Rapidminer实现冲Hadoop的恢弘,第三代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析及机具视觉》

介绍:讲计算机视觉的季管奇书(应该给经典吧)之一,另外三按照是Hartley的《多图几哪里》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的推荐系统文章Browsemaps》

介绍:里面基本没有提到到具体算法,但作者介绍了CF在LinkedIn的众运,以及他们在举行推荐过程被得的一部分经历。最后一漫漫经验是应有监控log数据的身分,因为推荐的色大倚重数据的质量!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初家如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上及充分数额构建对话系统

介绍:如何利用深度上及好数额构建对话系统

  • 《经典论文Leo Breiman:Statistical Modeling: The Two Cultures

介绍:Francis Bach合作之有关稀疏建模的新概括(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像及视觉上之运用,而且率先片关于Why does
the l1-norm induce sparsity的解释也不行对。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机械上着第一的定义,其于large
margin分类器上之采取为是广为熟知的。如果没比好的数学基础,直接掌握RKHS可能会见对。本文自中心运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同学对机械上与深度上的疑惑在于,数学方面已大约了解了,但是动于手来也非清楚哪些入手写代码。斯坦福深度上博士Andrej
Karpathy写了平首实战版本的纵深上和机上课程,手把手教君用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的一起》

介绍:本文会过千篇一律全副最盛的机械上算法,大致了解什么措施可用,很有赞助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来成千上万关于机器上、信号处理、计算机视觉、深入学、神经网络等领域的豁达源代码(或可实行代码)及相关论文。科研写论文的好资源

  • 《NYU
    2014年的纵深上课程资料》

介绍:NYU 2014年的吃水上课程资料,有视频

  • 《计算机视觉数据集不了集中》

介绍:计算机视觉数据集不净集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数据挖掘十生经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100个坏过硬的品类

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州大学欧文分校为机械上社区保安在306独数据集。询问数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上在图像、视频语义分析世界得到了科研及工程及之突破,发之稿子非多,但每个都十分扎实,在各个一个题材上都成功了state-of-art.

  • 《Andrej
    Karpathy的深浅加深学习演示》

介绍:Andrej
Karpathy的深度加深学习演示,论文在这里

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

介绍:CIKM Cup(或者叫CIKM Competition)是ACM
CIKM举办的国际数码挖掘竞赛的称号。

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是平等个英国生之计量机学家和心理学家,以那个在神经网络方面的贡献闻名。辛顿是反为传播算法和对待散度算法的发明人之一,也是深浅上之积极向上促进者.

  • 《自然语言处理的深上理论同实际》

介绍:微软研究院深度学习技术中心当CIKM2014
上关于《自然语言处理的深度上理论同实际》教学讲座的幻灯片

  • 《用好数额以及机器上做股票价格预计》

介绍: 本文基于<支持为量机的数限价订单的动态建模>采用了 Apache
Spark和Spark
MLLib从纽约股票交易所的订单日志数据构建价格移动预测模型。(股票来高风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上的几反驳问题》

介绍:徐宗本
院士将被爱机器上之同伙一起探讨有关于机器上之几个理论性问题,并被起部分发出义之定论。最后经一些实例来说明这些理论问题的物理意义和实际利用价值。

  • 《深度上以自然语言处理的动》

介绍:作者还显有《这便是找引擎:核心技术详解》一写,主要是介绍应用层的物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献同业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其应用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数据构建的票房价值统计模型并运用模型对数据开展展望与分析的相同门科学,统计上也成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的靶子是本着电脑编程,以便使样本数量还是以往底阅历来缓解给定的问题.

  • 《CIKM 2014主题报告的幻灯片》

介绍:CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主题报告的幻灯片,
Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry
Track报告的幻灯片

  • 《人工智能和机具上世界有趣之开源项目》

介绍:部分中文列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有同首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了平首超赞的数值优化博文,从牛顿法讲到起牛顿法,再张嘴到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上方式概述(一)》

介绍:还有续集显而易见深度上方式概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数量和机具上之整合》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边学边用word2vec跟deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并当骨子里比中间比调参数与清数据。
如果已作了gensim不要遗忘升级

  • 《PyNLPIR》

介绍:PyNLPIR提供了NLPIR/ICTCLAS汉语分词的Python接口,此外Zhon供了常用汉字常量,如CJK字符和偏旁,中文标点,拼音,和汉字正则表达式(如找到文本中之繁体字)

  • 《深度卷积神经网络下围棋》

介绍:这文章说将多年来型识别达到的突破用至围棋软件上,打16万摆设业棋谱训练模型识别功能。想法是。训练后即亦可不负众望永不计算,只拘留棋盘就吃闹下一样步,大约10层棋力。但当时篇稿子最过乐观,说啊人类的最终一片堡垒马上快要跨越掉了。话说得最为早。不过,如果同别的软件成该还有潜力可打。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他代表,根据这次实验的结果,如果今年NIPS重新审稿的说话,会出一半底论文被拒绝。

  • 《2014年超级的生数额,数据科学文章》

介绍:KDNuggets分别总结了2014年14单阅读最多和享受最多之篇章。我们从中可以视多个主题——深度上,数据科学家职业,教育及薪酬,学习数据是的工具比如R和Python以及民众投票的绝被欢迎之多少对与数码挖掘语言

  • 《机器上藏算法详解及Python实现–线性回归(Linear
    Regression)算法》

介绍:Python实现线性回归,作者还起另外异常棒的章援引可望

  • 《2014中华雅数据技术大会33号中心专家发言PDF》

介绍:2014华夏死数额技术大会33各中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

介绍:这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and
Discriminative Techniques for Sentiment Analysis of Movie Reviews
,使用RNN和PV在感情分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前是空的)。这代表Paragraph%E5%85%AC%E5%B8%83%E5%9C%A8github(%E7%9B%AE%E5%89%8D%E6%98%AF%E7%A9%BA%E7%9A%84)%E3%80%82%E8%BF%99%E6%84%8F%E5%91%B3%E7%9D%80Paragraph) Vector终于揭开面纱了嘛。

  • 《NLPIR/ICTCLAS2015划分词系大会上之技巧演讲

介绍:NLPIR/ICTCLAS2015分叉词系发布以及用户交流大会上的演讲,请复多朋友检阅新版分词吧。
我们实验室同学的发言包括:孙梦姝-基于评论意见挖掘的货搜索技术研究 李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反倒为求导及练习》

介绍:介绍CNN参数在运bp算法时该怎么训练,毕竟CNN中起卷积层和下采样层,虽然和MLP的bp算法本质上平等,但款式上要小区别的,很明确以成功CNN反往传来前询问bp算法是得的。此外作者吧举行了一个资源聚合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果要当同样首稿子中匹配配十万单至关重要词怎么处置?Aho-Corasick 算法利用上加了归来边的Trie树,能够在线性时间外到位匹配。
但如果匹配十万个正则表达式呢 ?
这时节可以用到将多只刚则优化成Trie树的办法,如日本口形容的 Regexp::Trie

  • 《Deep learning Reading List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源之深浅上框架,作者目前于google工作,作者主页Yangqing
Jia (贾扬清)

  • 《GoogLeNet深度上型的Caffe复现

介绍:2014
ImageNet冠军GoogLeNet深度上型的Caffe复现模型,GoogleNet论文.

  • 《LambdaNet,Haskell实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由Haskell实现的一个开源的人工神经网络库,它抽象了网创建、训练并采取了高阶函数。该库还提供了相同组预定义函数,用户可应用多种主意做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果您行互联网搜索,在线广告,用户作为分析,图像识别,自然语言理解,或者生物信息学,智能机器人,金融展望,那么就宗核心课程你得深入了解。

  • 《杨强以TEDxNanjing谈智能的源于》

介绍:”人工智能研究分众派。其中某为IBM为表示,认为使出高性能计算就只是取得智能,他们之‘深蓝’击败了社会风气象棋冠军;另一样派系认为智能来自动物本能;还发出个很强之门认为只要找来家,把她们的构思用逻辑一条条写下,放到计算机里便尽……”
杨强于TEDxNanjing谈智能的源于

  • 《深度RNN/LSTM用于结构化学习 0)序列标注Connectionist Temporal
    ClassificationICML06》

介绍:1)机器翻译Sequence to Sequence
NIPS14 2)成分句法GRAMMAR
AS FOREIGN LANGUAGE

  • 《Deep Learning实战之word2vec》

介绍:网易有道的老三号工程师写的word2vec的辨析文档,从基本的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再至word2vec底各种tricks,公式推导与代码,基本上是网上关于word2vec材料之大合集,对word2vec谢谢兴趣的恋人可以看看

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上之各种编程语言学术和商的开源软件.与这类似的还有好多诸如:[DMOZ

  • Computers: Artificial Intelligence: Machine Learning:
    Software](http://www.dmoz.org/Computers/Artificial_Intelligence/Machine_Learning/Software/), LIBSVM
    — A Library for Support Vector
    Machines, Weka 3: Data
    Mining Software in
    Java, scikit-learn:Machine
    Learning in Python, Natural Language
    Toolkit:NLTK, MAchine
    Learning for LanguagE Toolkit, Data
    Mining – Fruitful and Fun, Open Source
    Computer Vision Library

  • 《机器上入门者学习指南》

介绍:作者是电脑研二(写稿子的时刻,现在凡是2015年了当将毕业了),专业方向自然语言处理.这是少数异的经验的谈.对于入门的恋人可能会发帮带

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是平等篇有关机器上算法分类的稿子,非常好

  • 《2014年的《机器上日报》大合集》

介绍:机器上日报中推荐多情节,在此出一些底脍炙人口内容就是是自机器上日报.

  • 《 Image classification with deep
    learning常因此模子》

介绍:这是如出一辙首有关图像分类在深上中的文章

  • 《自动语音识别:深度上方式》

介绍:作者及Bengio的兄弟Samy 09年合编《自动语音识别:核方法》
3)李开复1989年《自动语音识别》专著,其博导、94年图灵奖得主Raj Reddy作序

  • 《NLP中之中文分词技术》

介绍: 作者是360电商技术组成员,这是同篇NLP在汉语分词中的利用

  • 《Using convolutional neural nets to detect facial keypoints
    tutorial》

介绍: 使用deep
learning的人口脸要点检测,此外还有同首AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等丁编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG ,汇集了结构化预测世界多牛文,涉及CV、NLP等领域,值得一读。网上公开的几乎回草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用高深装逼的数学语言形容的矩阵概率不等式用初等之方勾勒出来,是非常好的手册,领域外之paper各种证明还在于是中的结果。虽说是初等的,但要么蛮之难

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费杀数据集,有些已经是轻车熟路,有些可能要第一差听说,内容超文本、数据、多媒体等,让她们陪你起来数据对的同吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的深浅上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的座谈递归神经网络的稿子,覆盖了RNN的定义、原理、训练与优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还出同一篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了重重的资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望以辩论和履行里找到平衡点,各要内容还陪有实在例子及数据,书被的事例程序还是故R语言编写的。

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

介绍:IVAN VASILEV写的深浅上导引:从浅层感知机到深网络。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒及利之人造智能优先研究计划:一封公开信,目前曾闹Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等丁签The Future of Life
Institute
(FLI).这封信的背景是近年来霍金以及Elon
Musk提醒人们瞩目AI的心腹威胁。公开信的情是AI科学家等站在福利社会的角度,展望人工智能的前程提高大势,提出开发AI系统的Verification,Validity,
Security,
Control四点要求,以及用留意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有一样统美剧《疑犯追踪》,介绍了AI的形成从平开始之自我学习,过滤,图像识别,语音识别等看清危险,到第四季的上起了机械通过学习成长之后想操纵世界的状态。说交这边推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了累累资源,还闹连锁知识结构,路线图,用时长等。号称是”机器上“搜索引擎

  • 《FAIR open sources deep-learning modules for
    Torch》

介绍:Facebook人工智能研究院(FAIR)开源了相同文山会海软件库,以帮忙开发者建立重要命、更快之吃水上型。开放的软件库在
Facebook 被称为模块。用其替代机械上世界常用之开条件 Torch
中的默认模块,可以于重缺乏的日子内训练再度不行局面之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是写给2012年,但是就篇稿子完全是笔者的经历的作。

  • 《如何成为同各数据科学家》

介绍:本文是针对性《机器上实战》作者Peter
Harrington做的一个访谈。包含了书中部分的谜解答和某些私有学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的深上概述,对几乎栽流行的深浅上型都开展了介绍和议论

  • 《Hands-On Data Science with R Text
    Mining》

介绍:主要是讲述了动R语言进行多少挖掘

  • 《Understanding
    Convolutions》

介绍:帮您明白卷积神经网络,讲解很清楚,此外还有少数首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的另外的有关神经网络文章吧蛮硬

  • 《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

  • 《Learning Deep Architectures for
    AI》

介绍:一依照学习人工智能的图书,作者是Yoshua
Bengio,相关国内通讯

  • 《Geoffrey E. Hinton个人主页》

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了一些介绍性文章与课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个之所以来快速的统计,机器上又于数据量大之数学库

  • 《ICLR
    2015会议的arXiv稿件合集》

介绍:在此地你可以见见最近深度上有什么新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信息搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表 ,收录了音讯搜索、网络消息寻找、搜索引擎实现等方面相关的书本、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

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪里法及其在机上着之应用

  • 《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及预测问题,相关的律采取包括预测编码、早期案例评估、案件完全状况的展望,定价与工作人员预测,司法行为预测等。法律领域大家可能都比较陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中涉嫌了最优秀,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一模一样按无可非议的阅读稿,关于模型还推荐一首Generative
Model 与 Discriminative
Model

  • 《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自带了一个教练好之动物模型,你可以拿狮子大象的相片来试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了在Hadoop2.0达到运用深度上,文章来源paypal

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

介绍:用基于梯度下降的方式训练深度框架的实施推荐指导,作者是Yoshua
Bengio .感谢@xuewei4d
推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计以及报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

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

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

介绍:
机器学习着之数学,作者的钻方向是机械上,并行计算如果你还惦记打听一些另的得望他博客的其余文章

  • 《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

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句的挑选

  • 《Learning Semantic Representations Using Convolutional Neural
    Networks for Web Search

介绍: CNN用于WEB搜索,深度上以文书计算着之行使

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中之公开数据集

  • 《Search Engine & Community》

介绍: 一个学术搜索引擎

  • 《spaCy》

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,快之因同样凡是因此Cython写的,二凡故了个十分巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍: Fields凡是个数学研究为主,上面的立卖ppt是发源Fields举办的倒中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经文论文》

介绍: Topic modeling 的经论文,标注了第一点

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

介绍:
多伦多大学及Google合作之新论文,深度上为得以就此来下围棋,据说会达成六段水平

  • 《机器上周刊第二愿意》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外还引进一个深度上入门与综合资料

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

介绍: 18 free eBooks on Machine Learning

  • 《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

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

介绍:
DEEPLEARNING.UNIVERSITY的论文库已经选定了963首经过分类的深上论文了,很多经论文还已用

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

介绍: Radim
Řehůřek(Gensim开发者)在同潮机器上聚会上的报,关于word2vec及其优化、应用和扩张,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多柜都因此机器上来化解问题,提高用户体验。那么怎么可以叫机器上又实时和中也?Spark
MLlib 1.2内部的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小时1TB的钻数据,现在颁布给大家之所以了。

  • 《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,并且提供相同客开箱即用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实现核心组成部分应用了arbylon的LdaGibbsSampler并力所能够跟地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science Platform》

介绍:
AMiner是一个学问搜索引擎,从学网络被开深度知识、面向科技大数额的开掘。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。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec的妙趣横生应用,Omer
Levy提到了外于CoNLL2014超级论文里的剖析结果和初办法,Daniel
Hammack给闹了搜寻特异词的多少应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然里的小课程已经归档过了,但是还有个别的音并未。感谢课程图谱的小编

  • 《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年之信

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个口脸图像识别库。包含正面与多视角丁脸检测两只算法.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。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015无比佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加浓厚一些。通过全局的安居乐业分布去求解每个节点影响系数模型。假设合理(转移受到附近的影响系数影响)。可以为此来反求每个节点的震慑系数

  • 《机器上入门书单》

介绍:机器上入门书籍,具体介绍

  • 《The Trouble with
    SVMs》

介绍:
非常高的强调特征选择对分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再用节能贝叶斯分类器,取得了比SVM更理想之效应,训练及分类时间吧大大降低——更主要之凡,不必花费大量日子以求学及优化SVM上——特征呢一样no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和计算机有关知名教授Larry Wasserman
在《机器崛起》,对比了统计和机器上的别

  • 《实例详解机器上怎么样缓解问题》

介绍:随着大数量时代的赶到,机器上变成化解问题的相同种重要且要之家伙。不管是工业界还是学术界,机器上都是一个炙手可热的自由化,但是学术界以及工业界对机器上的研究各个有侧重,学术界侧重于对机械上理论的研讨,工业界侧重于安用机器上来化解实际问题。这篇稿子是美团的其实条件遭受的实战篇

  • 《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、模型选择跟超参优化、高斯模型与其他模型关系、大数据集的压方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下之文件模糊匹配库,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

  • 《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,帮你还快地创建同管理NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一巴的机械上入门课程”Introduction to
Machine
Learning“近期恰恰开拍,课程4K高清视频一起到Youtube上,目前恰更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同学可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的一道特征,可更好地发挥图片内容相似性。由于未负让人工标签(标注),可用于大规模图片处理,难在用户作为数据的取得和洗涤;利用社会化特征的思绪值得借鉴.

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

介绍:Twitter技术团队本着前段时间开源之时日序列非常检测算法(S-H-ESD)R包的牵线,其中针对充分的定义和剖析颇值得参考,文中也关乎——异常是大针对性的,某个圈子支出的杀检测以另世界直接用而不行.

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

介绍:聚焦数据质量问题的回答,数据质量对各种框框企业的属性和效率都重要,文中总结发生(不制止)22栽典型数据质量问题显现的信号,以及卓越的数目质量解决方案(清洗、去重新、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的标准化仍机场(CRF)介绍文章,作者的上学笔记

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

介绍: 来自Stanford,用神经网络实现高效准确之依存关系解析器

  • 《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的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上之喻,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.

  • 《Awesome Computer
    Vision》

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

  • 《Adam Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建与部署.

  • 《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.

  • 《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.

  • 《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来写NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

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独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)并且带有集成学习的琢磨:组合了BM11与BM15少单模型。4)作者是BM25底倡导者和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简介绍,ARMA是研讨时序列的要方法,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.

  • 《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

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

介绍:
揭开印度菜肴的好吃秘诀——通过对大气菜单原料关系的挖,发现印度菜香的原由有是其中的寓意互相冲突,很有趣的公文挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐汉语分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与该降序排序的涉,最有名的凡语言学家齐夫(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甚高频与怪低频词的描摹 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

  • 《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,相信您啊会受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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。下载最简单易行的点子,通过BT软件,RSS订阅各集合即可

  • 《机器上相速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上之一应俱全硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

  • 《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】在面识别达到您本身都是大方,即使细微的反差吗能辨识。研究已经证实人类同灵长类动物在面加工上不同让其他物种,人类用梭状回面孔区(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微不至组合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了用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秀的东西出来。此外作者博客的另文章吧死科学。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的其实利用场景NN选择参考表,列举了有卓越问题建议以的神经网络

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

介绍:一个纵深上类,提供了Python, C/C++, Java, Scala, Go多只版的代码

  • 《Deep Learning Tutorials》

介绍:深度上课程,github

  • 《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: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.

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

介绍:Google对Facebook DeepFace的兵不血刃回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上直达99.63%准确率(新记录),FaceNet
embeddings可用来人脸识别、鉴别和聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文自Databricks公司网站的一样首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们当MLlib中的分布式实现,以及显一些简单易行的事例并建议该自何处达手.中文版.

  • 《Sum-Product Networks(SPN)

介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文与促成代码.

  • 《Neural Network Dependency
    Parser》

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,目前可处理中英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》 思路实现.

  • 《神经网络语言模型》

介绍:本文根据神经网络的上进进程,详细讲解神经网络语言模型在逐个阶段的形式,其中的模子包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要变形,总结的专门好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之初研究:利用文本及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优惠方案源码及文档,包括总体的数据处理流程,是读Python数据处理以及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On Line》

介绍:IPOL(在线图像处理)是图像处理和图像分析的研究期刊,每篇文章都含一个算法和相应的代码、Demo和试验文档。文本及源码是通过了同行评审的。IPOL是开放的不错与而另行的研讨期刊。我直接想做点类似之劳作,拉近产品与技巧之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数据快速分类问题.

  • 《purine2》

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,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小时好形成Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然较少.但蚊子再聊吗是肉.有隆起部分.此外还有一个由zheng
Rui整理的机器上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是相同仍自然语言处理的词典,从1998年开班至即累积了重重的正儿八经词语解释,如果你是一样各类正入门的朋友.可以借这本词典让好成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年交今日的交锋数据,用PageRank计算世界杯参赛球队排名榜.

  • 《R Tutorial》

介绍:R语言教程,此外还援引一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

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

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

  • 《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

  • 《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,优化理论是机上的内核,值得深刻学习 国内云(视频)

  • 《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,内容涉嫌图像识别应用的各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

介绍: 基于深度上之差不多标签分类,用基于RBM的DBN解决多标签分类(特征)问题

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism Handbook》

介绍: 免费电子书《数据新闻手册》,
国内发生热情的情侣翻译了中文版,大家呢可以在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数码挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强的Python的数据解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文件分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研与Theano的开端测试体会报告.

  • 《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等丁谈话深度上之新书,还不定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下起来源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数码科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种都开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的点子为能够跟word2vec获取多的机能。另外,无论作者怎么碰,GloVe都于不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着之重要性数学概念.

  • 《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异常好.贯彻代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编制课程也机械上(10-715)和中路统计学(36-705),聚焦统计理论和艺术在机上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法及自由优化学科》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之爱侣一定要探望,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数据以》

介绍:生物医学的SPARK大数目应用.并且伯克利开源了他们的big data
genomics系统ADAM,其他的内容好关心一下官方主页.

  • 《ACL Anthology》

介绍:对自然语言处理技术或者机器翻译技术感兴趣的亲们,请以提出自己牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有这世界几不胜顶会的舆论列表,切不可断章取义,胡乱假设.

  • 《Twitter Sentiment Detection via Ensemble Classification Using
    Averaged Confidence
    Scores》

介绍:论文+代码:基于集成方法的Twitter情感分类,贯彻代码.

  • 《NIPS 2014 CIML workshop》

介绍:NIPS CiML 2014之PPT,NIPS是神经信息处理系统进展大会的英文简称.

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福的深浅上课程的Projects 每个人犹使描绘一个舆论级别的报告
里面有局部良有趣的以 大家好省 .

  • 《A Speed Comparison Between Flexible Linear Regression
    Alternatives in
    R》

介绍:R语言线性回归多方案速度较具体方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

  • 《Back-to-Basics Weekend Reading – Machine
    Learning》

介绍:文中涉及的老三首论文(机器上那些事、无监督聚类综述、监督分类归纳)都老经典,Domnigos的机上课也杀美妙

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上的几率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

介绍:基于马尔可夫链自动生成啤酒评论的开源Twitter机器人,github地址.

  • 《Deep Learning for Natural Language Processing (without
    Magic)》

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近当McGill
University研讨会及之喻,还提供了一样多样讲话机器上方式的ipn,很有价 GitHub.国内

  • 《Beyond Short Snippets: Deep Networks for Video
    Classification》

介绍:基于CNN+LSTM的视频分类,google演示.

  • 《How does Quora use machine learning in
    2015?》

介绍:Quora怎么用机器学习.

  • 《Amazon Machine Learning – Make Data-Driven Decisions at
    Scale》

介绍:亚马逊于机械上点的一对行使,代码示例.

  • 《Parallel Machine Learning with scikit-learn and
    IPython》

介绍:并行机器学习指南(基于scikit-learn和IPython).notebook

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机上基本概念教学.

  • 《DeepCLn》

介绍:一个因OpenGL实现的卷积神经网络,支持Linux及Windows系.

  • 《An Inside Look at the Components of a Recommendation
    Engine》

介绍:基于Mahout和Elasticsearch的引荐系统.

  • 《Forecasting in Economics, Business, Finance and
    Beyond》

介绍:Francis X. Diebold的《(经济|商业|金融等领域)预测方法.

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

  • 《A comparison of open source tools for sentiment
    analysis》

介绍:基于Yelp数据集的开源感情分析工具于,评测覆盖Naive
Bayes、SentiWordNet、CoreNLP等 .

  • 《Pattern Recognition And Machine
    Learning》

介绍:国内Pattern Recognition And Machine
Learning读书会资源集中,各章pdf讲稿,博客.

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析及数据挖掘的票房价值数据结构.

  • 《Machine learning in navigation devices: detect maneuvers using
    accelerometer and
    gyroscope》

介绍:机器上以导航者的应用.

  • 《Neural Networks Demystified

介绍:Neural Networks Demystified系列视频,Stephen
Welch制作,纯手绘风格,浅显易懂,国内云.

  • 《swirl + DataCamp 》

介绍:{swirl}数据训练营:R&数据科学在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上和RNN的讨论 Sequence to Sequence Learning with Neural
Networks.

  • 《深度加深学习(Deep Reinforcement
    Learning)的资源》

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

介绍:(PyCon2015)Scikit-Learn机器学习课程,Parallel Machine Learning with
scikit-learn and
IPython.

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春学期CMU的机械上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.境内镜像.

  • 《Big Data
    Processing》

介绍:大数目处理课.内容覆盖流处理、MapReduce、图算法等.

  • 《Spark MLlib: Making Practical Machine Learning Easy and
    Scalable》

介绍:用Spark
MLlib实现好用而扩大的机上,国内镜像.

  • 《Picture: A Probabilistic Programming Language for Scene
    Perception》

介绍:以往上千尽代码概率编程(语言)实现就需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,除此以外一个,此外尚推荐《A
new data processing workflow for R: dplyr, magrittr, tidyr,
ggplot2》.

  • 《Using Structured Events to Predict Stock Price Movement: An
    Empirical
    Investigation》

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted paper》

介绍:国际人工智能联合会议录取论文列表,大部分论文而采取Google找到.

  • 《Why GEMM is at the heart of deep
    learning》

介绍:一般矩阵乘法(GEMM)对纵深上的重点性.

  • 《Distributed (Deep) Machine Learning
    Common》

介绍:A Community of awesome Distributed Machine Learning C++ projects.

  • 《Reinforcement Learning: An
    Introduction》

介绍:免费电子书<强化学习介绍>,第一版(1998),第二版(2015草稿),相关课程资料,Reinforcement
Learning.

  • 《Free ebook: Microsoft Azure Essentials: Azure Machine
    Learning》

介绍:免费书写:Azure ML使用精要.

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

介绍:A Deep Learning Tutorial: From Perceptrons to Deep Networks.

  • 《Machine Learning is Fun! – The world’s easiest introduction to
    Machine
    Learning》

介绍:有趣的机上:最引人注目入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

介绍:CNN开源实现横向评测,参评框架包括Caffe 、Torch-7、CuDNN
、cudaconvnet2 、fbfft、Nervana Systems等,NervanaSys表现突出.

  • 《This catalogue lists resources developed by faculty and students
    of the Language Technologies
    Institute.》

介绍:卡耐基梅隆大学计算机学院语言技术系的资源全,包括大气的NLP开源软件工具确保,基础数据集,论文集,数据挖掘教程,机器上资源.

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

  • 《Machine Learning Repository @ Wash
    U》

介绍:华盛顿大学之Machine Learning Paper Repository.

  • 《Machine learning cheat
    sheet》

介绍:机器上速查表.

  • 《Spark summit east 2015 agenda》

介绍:最新的Spark summit会议资料.

  • 《Spark summit east 2015 agenda》

介绍:最新的Spark summit会议资料.

  • 《Learning Spark》

介绍:Ebook Learning Spark.

  • 《Advanced Analytics with Spark, Early Release
    Edition》

介绍:Ebook Advanced Analytics with Spark, Early Release Edition.

  • 《国内机器上算法和应用领域人物篇:唐杰》

介绍:清华大学副教授,是祈求挖掘地方的大家。他主持设计及落实之Arnetminer是境内领先的图挖掘系统,该系统啊是大半独集会的支持商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习之国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半监察上,multi-label学习及合并学习方面于国际及起得的震慑力.

  • 《国内机器上算法和应用领域人物篇:王海峰》

介绍:信息寻找,自然语言处理,机器翻译者的专家.

  • 《国内机器上算法和应用领域人物篇:吴军》

介绍:吴军博士是眼前Google中日韩文搜索算法的严重性设计者。在Google其间,他领导了无数研发项目,包括广大以及中文相关的产品和自然语言处理的类别,他的初个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

  • 《How to Evaluate Machine Learning Models, Part 1:
    Orientation》

介绍:如何评论机器上型系列文章,How to Evaluate Machine Learning
Models, Part 2a: Classification
Metrics,How
to Evaluate Machine Learning Models, Part 2b: Ranking and Regression
Metrics.

  • 《Building a new trends
    experience》

介绍:Twitter新trends的中心落实框架.

  • 《Storm Blueprints: Patterns for Distributed Real-time
    Computation》

介绍:Storm手册,国内有中文翻译版本,谢谢作者.

  • 《SmileMiner》

介绍:Java机器上算法库SmileMiner.

  • 《机器翻译学术论文写作方法和技巧》

介绍:机器翻译学术论文写作方法和技术,Simon Peyton Jones的How to write a
good research
paper同类视频How
to Write a Great Research
Paper,how to paper
talk.

  • 《神经网络训练中之Tricks之迅捷BP(反向传播算法)》

介绍:神经网络训练中的Tricks之迅捷BP,博主的其它博客也非常美好的.

  • 《我和NLP的故事》

介绍:作者是NLP方向的硕士,短短几年内研究成果颇足,推荐新入门的恋人阅读.

  • 《The h Index for Computer Science

介绍:UCLA的Jens Palsberg根据Google
Scholar建立了一个处理器领域的H-index牛人列表,我们耳熟能详的各个领域的大牛绝大多数且以榜上,包括1位诺贝尔奖得主,35位图灵奖得主,近百号美国工程院/科学院院士,300大多各类ACM
Fellow,在这边推荐的原因是豪门可以于google通过搜寻牛人的名来博取更多之资源,这卖资料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

介绍:用大型语料库学习概念的层系关系,如鸟是鹦鹉的顶头上司,鹦鹉是虎皮鹦鹉的上级。创新性在于模型构造,用因子图刻画概念中依存关系,因引入兄弟关系,图有环,所以用起环扩散(loopy
propagation)迭代计算边际概率(marginal probability).

  • 《Bayesian
    analysis》

介绍:
这是一致磨蹭贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册有250大抵页,虽然R语言
已经来接近的项目,但说到底可以追加一个可选项.

  • 《deep net highlights from
    2014》

介绍:deep net highlights from 2014.

  • 《Fast R-CNN》

介绍:This paper proposes Fast R-CNN, a clean and fast framework for
object detection.

  • 《Fingerprinting Images for Near-Duplicate
    Detection》

介绍:图像指纹的复识别,作者源码,国内翻译版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用的商号消息汇总.应用领域包括:自动帮驾驶及交通管理、眼球和脑部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和检验、医药和海洋生物、移动装备目标识别和AR、人群跟踪、摄像、安全督查、生物监控、三维建模、web和云应用.

  • 《Seaborn: statistical data
    visualization》

介绍:Python版可视化数据统计开源库.

  • 《IPython lecture notes for OCW MIT
    18.06》

介绍:麻省理工Gilbert Strang线性代数课笔记,Gilbert Strang《Linear
Algebra》课程主页视频+讲义.

  • 《Canova: A Vectorization Lib for
    ML》

介绍:面向机器上/深度上的多寡向量化工具Canova,github,
支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文本为量化.

  • 《DZone Refcardz: Distributed Machine Learning with Apache
    Mahout》

介绍:快速入门:基于Apache Mahout的分布式机器学习.

  • 《Learning scikit-learn: Machine Learning in
    Python》

介绍:基于scikit-learn讲解了部分机械上技能,如SVM,NB,PCA,DT,以及特色工程、特征选择跟模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的快机器上,视频地址.

  • 《How we’re using machine learning to fight shell
    selling》

介绍:WePay用机器上对抗信用卡”shell selling”诈骗.

  • 《Data Scientists Thoughts that Inspired
    Me》

介绍:16员数据科学家语录精选.

  • 《Deep learning applications and challenges in big data
    analytics》

介绍:深度上以非常数据解析世界的行使和挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费的机械上和数学书籍,除此之外还发出另的免费编程书,编程语言,设计,操作系统等.

  • 《Object detection via a multi-region & semantic segmentation-aware
    CNN model》

介绍:一首关于CNN模型对象识别Paper.

  • 《A Statistical View of Deep Learning (V): Generalisation and
    Regularisation》

介绍:深度上之统计分析V:泛化和正则化.

  • 《Highway Networks》

介绍:用SGD能快速完成训练的周边(多层)深度网络HN.

  • 《What I Read For
    Deep-Learning》

介绍:深度上解读文章.

  • 《An Introduction to Recommendation
    Engines》

介绍:Coursera上的引进系统导论(Introduction to Recommender
Systems)公开课.

  • 《Stanford Machine
    Learning》

介绍:Andrew Ng经典机器上课程笔记.

  • 《ICLR
    2015》

介绍:ICLR
2015见闻录,博客的其他机器上文章也罢不错.

  • 《Stanford Machine
    Learning》

介绍:推荐系统”个性化语义排序”模型.

  • 《The More Excited We Are, The Shorter We
    Tweet》

介绍:激情时刻更可怜字——MIT的时髦Twitter研究结果.

  • 《苏州大学人类语言技术研究论文主页》

介绍:苏州大学人类语言技巧研讨相关论文.

  • 《Neural Turing Machines
    implementation》

介绍:实现神经图灵机(NTM),列地址,此外推荐相关神经图灵机算法.

  • 《Computer Vision – CSE 559A, Spring
    2015》

介绍:华盛顿大学的机器视觉(2015),参考资料Computer Vision: Algorithms and
Applications.

  • 《Mining of Massive Datasets》

介绍:”Mining of Massive Datasets”发布第二版本,Jure Leskovec, Anand
Rajaraman, Jeff Ullman 新版增加Jure
Leskovec作为合作作者,新增社交网络图数据挖掘、降维和常见机器上三章,电子版仍免费.

  • 《Learning Deep
    Learning》

介绍:一个深上资源页,资料十分丰富.

  • 《Learning Deep Learning》

介绍:免费电子书”Learning Deep Learning”.

  • 《Tutorial: Machine Learning for Astronomy with
    Scikit-learn》

介绍:Machine Learning for Astronomy with scikit-learn.

  • 《An Introduction to Random Forests for
    Beginners》

介绍:免费电子书”随机森林入门指南”.

  • 《Top 10 data mining algorithms in plain
    English》

介绍:白话数据挖掘十好算法.

  • 《An Inside Look at the Components of a Recommendation
    Engine》

介绍:基于Mahout和Elasticsearch的推介系统,国内译版.

  • 《Advances in Extreme Learning
    Machines》

介绍:博士学位论文:ELM研究进展.

  • 《10-minute tour of pandas》

介绍:Pandas十分钟速览,ipn.

  • 《Data doesn’t grow in tables: harvesting journalistic insight from
    documents》

介绍:面向数据新闻的文书挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用网络图片合成延时视频(SIGGRAPH 2015).

  • 《The Curse of Dimensionality in
    classification》

介绍:分类体系的维数灾难.

  • 《Deep Learning vs Big Data: Who owns
    what?》

介绍:深度上vs.大数据——从数据及知识:版权的沉思,[翻译版](http://www.csdn.net/article/2015-05-19/2824707

  • 《A Primer on Predictive
    Models》

介绍:预测模型入门.

  • 《Demistifying LSTM Neural
    Networks》

介绍:深入浅出LSTM.

  • 《ICLR
    2015》

介绍:2015年ICLR会议视频与讲义.

  • 《On Visualizing Data
    Well》

介绍:Ben Jones的数额可视化建议.

  • 《Decoding Dimensionality Reduction, PCA and
    SVD》

介绍:解读数据降维/PCA/SVD.

  • 《Supervised learning superstitions cheat
    sheet》

介绍:IPN:监督上方法言传身教/对比参考表,覆盖logistic回归, 决策树, SVM, KNN,
Naive Bayes等方法.

  • 《DopeLearning: A Computational Approach to Rap Lyrics
    Generation》

介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.

  • 《An Introduction to Random
    Indexing》

介绍:随机索引RI词空间模型专题.

  • 《VDiscover》

介绍:基于机器上之纰漏检测工具VDiscover.

  • 《Minerva》

介绍:深度上体系minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上能够在4天外将GoogLeNet训练到68.7%的top-1以及89.0%之top-5准确率。和和为dmlc项目的cxxnet相比,采用动态数据流引擎,提供再多灵活性。未来将跟cxxnet一起结呢mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉及模式识别会议paper.

  • 《What are the advantages of different classification
    algorithms?》

介绍:Netflix工程总监眼中之归类算法:深度上优先级最低,中文版.

  • 《Results for Microsoft COCO Image Captioning
    Challenge》

介绍:Codalab图像标注竞赛排行+各家论文,Reddit上flukeskywalker整理了各家技术系论文.

  • 《Caffe con Troll: Shallow Ideas to Speed Up Deep
    Learning》

介绍:基于Caffe的加快深度上体系CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练以及)存储.

  • 《Model-Based Machine Learning (Early
    Access)》

介绍:新书预览:模型机学习.

  • 《Regret Analysis of Stochastic and Nonstochastic Multi-armed
    Bandit
    Problems》

 此外推荐Introduction to Bandits: Algorithms and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

介绍:基于Kaggle’s Titanic
Competition的交互式R机器学习课程,介绍《Interactive R Tutorial: Machine
Learning for the Titanic
Competition》.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

  • 《Andrew Ng: Deep Learning, Self-Taught Learning and Unsupervised
    Feature
    Learning》

介绍:Andrew
Ng关于深度上/自上/无监督特征上的告诉,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过秘密知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向经济数据的情丝分析工具.

  • 《pyLDAvis》

介绍:(Python)主题模型交互可视化库pyLDAvis.

  • 《Logistic Regression and Gradient
    Descent》

介绍:Logistic回归与优化实例教程.

  • 《贾扬清微信讲座记录》

介绍:贾扬清(谷歌大脑科学家、caffe缔造者)微信讲座记录.

  • 《sketch》

介绍:Theano/Blocks实现RNN手写字符串生成sketch.

  • 《Web Scale Document Clustering: Clustering 733 Million Web
    Pages》

介绍:基于TopSig的雅量(7亿+)网页聚类.

  • 《NAACL 2015 Proceedings on ACL
    Anthology》

介绍:NAACL 2015 论文papers.

  • 《Stock Forecasting With Machine Learning – Seven Possible
    Errors》

介绍:机器上预测股市的七单问题.

  • 《Are there any good resources for learning about neural
    networks?》

介绍:神经网络学习材料推荐.

  • 《A Critical Review of Recurrent Neural Networks for Sequence
    Learning》

介绍:面向序列上之RNN综述.

  • 《Handling and Processing Strings in
    R》

介绍:R文本处理手册.

  • 《Must-watch videos about
    Python》

介绍:“必看”的Python视频集锦.

  • 《The Google
    Stack》

介绍:Google(基础结构)栈.

  • 《Randomized Algorithms for Matrices and
    Data》

介绍:矩阵和数码的人身自由算法(UC Berkeley 2013).

  • 《Intermediate
    R》

介绍:DataCamp中级R语言教程.

  • 《Topology Without Tears》

介绍:免费电子书:轻松掌握拓扑学,中文版.

  • 《Information Theory, Pattern Recognition, and Neural
    Networks》

介绍:Book,video.

  • 《Scikit-learn》

介绍:Scikit-learn
是根据Scipy为机上建筑的之一个Python模块,他的特性就是是多样化的归类,回归和聚类的算法包括支持于量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient
Boosting,聚类算法和DBSCAN。而且为设计有了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个于机器上研究简单化的基于Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个缘HTM学习算法也工具的机器智能平台。HTM是肌肤的准确计算方式。HTM的基本是依据时间的连学习算法和贮以及撤回的时空模式。NuPIC适合为各种各样的题目,尤其是检测好以及展望的流多少来源于。

  • 《Nilearn》

介绍:Nilearn
是一个能快速统计上神经影像数据的Python模块。它采取Python语言中的scikit-learn
工具箱和部分进行前瞻建模,分类,解码,连通性分析的应用程序来开展一系列的统计。

  • 《PyBrain》

介绍:Pybrain是依据Python语言强化学习,人工智能,神经网络库底简称。
它的靶子是供灵活、容易用以强大的机上算法和开展多种多样的预定义的环境受到测试来比较你的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下的一个网开模块。它吗数挖掘,自然语言处理,网络分析和机具上提供工具。它支持向量空间模型、聚类、支持于量机和感知机并且因此KNN分类法进行分类。

  • 《Fuel》

介绍:Fuel为卿的机上型提供数据。他有一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这好像数据集的接口。你以外来通过非常多种之措施来替自己之多寡。

  • 《Bob》

介绍:Bob是一个免费的信号处理与机具上之家伙。它的工具箱是故Python和C++语言共同编写的,它的统筹目的是换得更其便捷而减少支出时间,它是出于拍卖图像工具,音频和视频拍卖、机器上与模式识别的雅量软件包构成的。

  • 《Skdata》

介绍:Skdata是机械上和统计的数据集的库程序。这个模块于玩具问题,流行的微机视觉和自然语言的数据集提供正规的Python语言的动。

  • 《MILK》

介绍:MILK是Python语言下之机上工具包。它最主要是以无数但得的分类比如SVMS,K-NN,随机森林,决策树被运用监督分类法。
它还实行特征选择。
这些分类器在重重上面彼此结合,可以形成不同的例如无监控上、密切关系金传播和由MILK支持的K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个在意于干抽取的开源性信息抽取工具。它根本对的凡待针对大型数据集进行信息提取的用户和思念使尝新的算法的科学家。

  • 《Quepy》

介绍:Quepy是经变更自然语言问题用在数据库查询语言中进行询问的一个Python框架。他可以简简单单的叫定义为当自然语言和数据库查询中不同种类的问题。所以,你不用编码就可以成立你协调的一个就此自然语言进入而的数据库的系统。现在Quepy提供于Sparql和MQL查询语言的支持。并且计划以它们延伸到另外的数据库查询语言。

  • 《Hebel》

介绍:Hebel是于Python语言中对神经网络的深浅上的一个库程序,它采用的凡通过PyCUDA来进行GPU和CUDA的加速。它是绝要害之神经网络模型的档次的工具而能提供一些异之运动函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

  • 《mlxtend》

介绍:它是一个出于中之家伙及常见数据正确任务的扩充组成的一个库程序。

  • 《nolearn》

介绍:这个程序包容纳了汪洋可知对您完成机器上任务有帮带的实用程序模块。其中大量底模块和scikit-learn一起工作,其它的便更发出因此。

  • 《Ramp》

介绍:Ramp是一个当Python语言下制定机器上着增速原型设计之解决方案的库程序。他是一个轻型的pandas-based机器学习中但是插入的框架,它现存的Python语言下的机械上及统计工具(比如scikit-learn,rpy2等)Ramp提供了一个简约的声明性语法探索效能因此能够高效灵地实施算法和更换。

  • 《Feature
    Forge》

介绍:这等同多重工具通过与scikit-learn兼容的API,来创造及测试机上效果。这个库程序提供了同组工具,它见面给你以众机器上程序行使受到甚受用。当您使用scikit-learn这个家伙时,你晤面觉得到吃了老十分的赞助。(虽然当时只有能够当您闹差之算法时于作用。)

  • 《REP》

介绍:REP是盖同等种和谐、可再生的章程吗指挥数据移动驱动所提供的同等栽环境。它发出一个集合之分类器包装来提供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且它好于一个群体为平行的方式训练分类器。同时它吗供了一个交互式的内容。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机械上建筑的简练软件收集。

  • 《Python-ELM》

介绍:这是一个以Python语言下基于scikit-learn的极度学习机器的兑现。

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外尚援引Dimensionality Reduction A Short
Tutorial、Matlab
Toolbox for Dimensionality
Reduction、Unsupervised Kernel
Dimension
Reduction

  • 《Datasets Used For Benchmarking Deep Learning
    Algorithms》

介绍:deeplearning.net整理的纵深上数据集列表.

  • 《Golang Natural Language
    Processing》

介绍:Go语言编写的自然语言处理工具.

  • 《Rehabilitation of Count-based Models for Word Vector
    Representations》

介绍:词频模型对词向量的反击,参考Improving Distributional Similarity
with Lessons Learned from Word
Embeddings 。

  • 《Three Aspects of Predictive
    Modeling》

介绍:预测模型的老三单方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度念书与自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015达到Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上活动发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上之剖析

 

 

转:【深度上Deep
Learning】资料全

  • 《Deep Learning in Neural Networks: An
    Overview》

机器上(Machine Learning)&深度上(Deep Learning)资料(Chapter 2)

 

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的风靡版本《神经网络与深度上综述》本综述的特点是坐日排序,从1940年开班称起,到60-80年代,80-90年间,一直讲到2000年后与近年来几年之展开。涵盖了deep
learning里各种tricks,引用非常全面.

注:机器上材料篇目一共500条,篇目二启更新

 最近于拟深上相关的物,在网上征集及了有的不易的资料,现在汇总一下:

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
瞩望转载的意中人,你可毫无联系自己.但是迟早要是封存原文链接,因为是类别还在继承为于非定期更新.希望见到文章的冤家会模拟到再也多.此外:某些材料在华夏访需要梯子.
  • 《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个+稀疏优化1个;强化学习4单,深度上3只+深度上计算1独;贝叶斯非参、高斯过程以及上理论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顶IEEE计算机视觉与模式识别(CVPR)大会以美国波士顿举行。微软研究员等在大会上显得了较以往再次快还遵循的微处理器视觉图像分类新模型,并介绍了怎样使用Kinect等传感器实现在动态或者低光环境之飞跃大规模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/库的综合/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:深度上之“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:语义图像分割的真情演示,通过深度上技能与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:基于三最先造方法的公文流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础及最新进展.

  • 《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的微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产环境(产品级)机器上之时同挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的结构化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机器上小组关于在线Boosting的舆论 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20只极端香之开源(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及有关Learning to
Search的教学讲座幻灯片.

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

介绍:读了这100首论文
就能变成那个数目高手,国内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体和公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写于开发者的机学习指南.

  • 《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将揭晓只是扩大/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之层系递归编解码器.

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

介绍:GPU上因Mean-for-Mode估计的短平快LDA训练.

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

介绍:从实验室到厂子——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:构建预测类应用时如何选择机器上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/情感分析的贺词电影推荐,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基于图的一半监察上到底法.

  • 《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的深浅加深学习教程.

  • 《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器学习.

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

介绍:Stanford社交网络和信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

介绍:David
Silver(DeeMind)的强化学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的快深度学习.

  • 《Introduction to R
    Programming》

介绍:来自微软的<R编程入门>.

  • 《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.

  • 《百度深度上之图像识别进展》

介绍:这是同样篇有关百度文章《基于深度上之图像识别进展:百度的若干尽》的摘要,建议少首文章结合起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机上技术.

  • 《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 实现的机上库资源集总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上之统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的吃水上技能及技巧.

  • 《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:这是千篇一律遵循机器上的电子书,作者Max
Welling儒生于机上教学点装有丰富的阅历,这仍开小但精致.

  • 《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:介绍个愿总结与翻译机器上及处理器视觉类资料之博客,包含的内容:Hinton的CSC321课程的总;Deep
Learning综述;Notes on
CNN的总结;python的法则总结;Theano基础知识和练总结;CUDA原理和编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对具体问题(应用场景)如何挑选机器上算法(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:深度上在语音合成最新进展发什么样?推荐MSRA的Frank
Soong老师关于语音合成的纵深上道的留影与幻灯片与跟谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data Science》

介绍:新书(可免费下载):数据是的方法

  • 《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所勾画,算是最广为认知的机械上课本之一,内容覆盖全面,难度中及,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:这篇论文荣获EMNLP2015之最佳数据/资源奖优秀奖,号的推特数据集

  • 《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Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的初书Understanding Machine Learning: From Theory to
Algorithms,此开的较偏理论,适合对机械上理论出趣味的同窗选读

  • 《Machine Learning
    Checklist》

介绍:机器上习清单

  • 《NLP界有安神级人物?》

介绍:知乎上面的相同首关于NLP界有怎么样神级人物?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遭到之重要性概念,应用程序和挑战,旨在为读者会延续找机器上知识。

  • 《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: 无需开深上就能为此的分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数据与众包Mechanical
Turk上,实现了来自彩票和处理的体制,以收集用户指向成品之愿购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15]
回归模型预测未知WTP,提升卖家利润和顾客满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的宽广机器学习.

  • 《机器上材料十分集中》

介绍:来自52ml底机械上资料大汇总.

  • 《Automatic
    Summarization》

介绍:这仍开之发者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上助长达到4小时之语,共248页,是对推荐系统发展之等同次等全面概括,其中还连Netflix在个性化推荐方面的有些更介绍.

  • 《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集群上之广阔分布式机器学习.

  • 《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之巨型人脸识别数据集: Large-scale
CelebFaces Attributes (CelebA) Dataset 10K 名人,202K
脸部图像,每个图像40余标号注属性.

  • 《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等丁多年来写的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/深度上有关品种大列表.

  • 《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等于人口多年来勾勒的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的广阔分布式深度上》

介绍:基于Hadoop集群的广大分布式深度学习.

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

介绍:来自斯坦福大学与NVIDIA的行事,很实际很实用。采用推网络连接及重新训练方法,可大削减CNN模型参数。针对AlexNet、VGG等模型与ImageNet数据,不损失识别精度情况下,模型参数可大幅度回落9-13倍.

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

介绍:无需做深度上就是会就此的分布式深度上软件,github.

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

介绍:当今世界最NB的25各类很数据科学家,通过他们的讳然后放在google中查找一定能够找到多格外硬的资源译文.

  • 《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:数据正确(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不行策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推荐的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》神经网络与深上。目前供了前头四章的草稿,第一章由此手写数字识别的例子介绍NN,第二节说反为传播算法,第三段讲反往传播算法的优化,第四回讲NN为什么能够起合任意函数。大量python代码例子和互相动画,生动有趣.中文版

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

介绍:数据科学大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以在是网站找到github的花色链接.

  • 《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)二细分类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前的结局,他们现在纪念使开越的增强。于是推出了崭新的,专门针对科学家设计之学问搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监督上,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)二分开类.

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

介绍:为入门者准备的纵深上及神经网络免费资源.

  • 《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:三星开源的速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的吃水上库初步源.

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

介绍:基于AWS的全自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:面向数据是的高级线性模型.

  • 《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:来自斯坦福大学之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学生举行的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,每节课请一位巨头公司之相关主管来举行访谈,讲述该公司是怎scale的。最新两期分别告到了雅虎的梅姐和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:机器上在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读之5种方式.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:深度上以神经网络的应用.

  • 《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寒暑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.

  • 《神经网络与深度上课本》

介绍:复旦大学邱锡鹏教工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.

  • 《语音识别的技艺原理是呀?》

介绍:语音识别的技能原理分析

  • 《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.乔丹是闻名的微处理器科学及统计学学者,主要研究机器上及人为智能。他的重点贡献包括指出了机器上和统计学之间的维系,并促进机械学习界广泛认识及贝叶斯网络的最主要。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一模一样位英国出生之计机学家和心理学家,以其当神经网络方面的孝敬闻名。辛顿是相反朝传来算法和比散度算法的发明人之一,也是深度上之主动推进者.通过他的主页可以开到不行多Paper以及优秀学生的paper,此外推荐外的学生Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机器上方向的牛人,如果您免晓好阅读针对话机器学习大神Yoshua
Bengio(上),本着话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上以演进

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

介绍:MIT出版的深度上电子书,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:《语音以及语言处理》第三本(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与机具上导论视频》

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)深度上运用的流量鉴别(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:一个推介系统的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在网入侵检测中之采用(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,该框架重点是提供大量之机械上算法和统计检验,并能够处理着稍加框框之数据集

  • 《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是华盛顿大学之讲授,主要研究方向是机械上和数据挖掘.在2015年的ACM
webinar会议,曾上了有关盘点机器上园地的五格外派主题演讲.他的个人主页拥有许多连锁研究的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

  • 《大数量/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犹是斯坦福大学之任课,Trevor
Hastie更是以统计学上上建树多多

  • 《The Evolution of Distributed Programming in
    R》

介绍:R分布式计算的提高,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——情感分析及深度加深学习

  • 《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:斯坦福新科目,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会议总第一有些,老二有的.

  • 《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:牛津大学有名视觉几哪组VGG在IJCV16年首窝首期: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这首期刊文章融合了前头少首会议(ECCV14,NIPS14ws),定位以及辨别图片被的文件(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据以及代码.

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

介绍:计算机视觉的一个较充分之数据集索引,
包含387单标签,共录取了314只数据集合,点击标签云就可以找到自己索要之库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的下结论: 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 的尺寸。在全员deep learning做visual
perception的时段,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底ImageNet比赛跟MS COCO竞赛联合研讨会的幻灯片和张频.

  • 《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]根据TensorFlow的纵深上/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首文章,R语言学习之福音.

  • 《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:这是如出一辙照在线的纵深上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是同员新入门的学童可事先押就仍书籍Yoshua Bengio:
How can one get started with machine
learning?.华语译本

  • 《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年春季机械上课程主页.

  • 《Theano is a Deep learning Python library

介绍:
Theano是主流的吃水上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.

  • 《文本数据的机械上机关分类方法(上)》

介绍:文件数据的机械上活动分拣方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以把被遮挡的图上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院拿那个深度上工具包CNTK,想更了解与学习CNTK的同班可以看眼前几龙公布的《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,用尽量少的数学与演绎,传授直觉和更,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:在线免费写:面向数据科学的统计测算,R示例代码,很不错GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由于Yoshua
Bengio撰写的教程,其情节涵盖了读人工智能所下的深上架构的求学资源,书中之路已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是相同客机器上和深上课程,文章与资源的清单。这张清单根据各个主题开展创作,包括了众以及深度上有关的花色、计算机视觉、加强学习及各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是由于Donne
Martin策划收集之IPython笔记本。话题涵盖大数据、Hadoop、scikit-learn和是Python堆栈以及广大其它地方的情节。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为全都让含有中,当然还有相关的特定构架和定义等.

  • 《Open Source Deep Learning Server》

介绍:开源的吃水上服务,DeepDetect是C++实现的冲外部机器上/深度学习库(目前凡Caffe)的API。给闹了图片训练(ILSVRC)和文件训练(基于字之情愫分析,NIPS15)的样例,以及根据图片标签索引至ElasticSearch中github.

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

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

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

介绍:经典论文:数据挖掘与统计学.

  • 《(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)不强烈的是——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只大数目解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上之通盘硬件指南,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:如何以社会媒体上召开言语检测?没有多少怎么收拾?推特官方发布了一个分外宝贵的数据集:12万标了之Tweets,有70栽语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上与机械上重大集会ICLR 2016收录文章

  • 《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/数据搜集/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版)35个超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两号大家首坏合发文,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的一个钻型,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依最佳机器上免费写

  • 《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

  • 《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当 Oxford
开设的深浅上课程,课程youtube地址,Google
DeepMind的研究科学家,此外首页:computervisiontalks的始末吧坏丰富,如果你是举行机械视觉方面的钻研,推荐呢省其他内容.肯定得也未小.还有,这员youtube主页至了之视频为要命有份量

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上世界的Hacker
news.紧跟深度上的讯息、研究进展和血脉相通的创业项目。从事机械上,深度上世界的情侣建议每日看一样扣押

  • 《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下,如果你从生物工程领域,可以优先读书一首文章翔介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在海洋生物信息法领域的施用

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

介绍:一些关于机器上要理解知识,对于刚入门机上的同窗应该读一朗诵

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器攻读用户组主页,网罗了剑桥大学部分机器上领域专家与情报

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

介绍:Randy
Olson’s的有数量解析与机具上类库,是上学履的好素材

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果应用之也多,而之所以来举行机械上之饶于少了.Swift
Ai在就上头举行了众多聚集.可以望

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

介绍:如何为平等员5东的儿童解释支持于量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机器上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的有牛人博客,超发实力的研究机关当的网站链接.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书钻研主页,此外研究小组对2013年deep learning
的摩登进展及有关论文召开了整治,其中useful
links的情好受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是一模一样首关于寻找引擎的博士论文,对现行周边以的索引擎google,bing等召开了分析.对于做搜索类似制品之好有技巧参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这类似书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深上地方的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的再三分布式梯度下降.同时引进广阔分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究相关题材综述.

  • 《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: 协同过滤在举荐系统应用.

  • 《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: 亚马逊对于联合过滤算法应用.

  • 《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.做计算机图形的推介收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏代表与高维几何.12年由Elsevier、13年至今天由PAMI(仍由Elsevier赞助)设立之青春研究者奖(Young
Researcher
Award)授予好博士学位后七年内取得杰出贡献的;由CV社区提名,在CVPR会议上宣告。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法》援已过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推荐了森有关线性代数、优化、系统、和统计领域的藏教材及资料.

  • 《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,分享了成千上万代码集合,并且认为ML可以为此当前瞻代码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纵深上课程的幻灯片(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篇。1.众保激励机制的一言一行经济学研究:批量结算比单任务的做到率大。2.每当众包专家以及新手间建立联系: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走预计。5.鞭策错以加快众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据正确

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D一样节约介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是平等悠悠机上之开源框架,专为黑客打造,而不也科学家要作。它用Rust开发,传统的机械上,现今的深浅上通吃。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,主要干的凡贝叶斯网络和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,是学概率图模型必看之书本。难度中上,适合生一部分ML基础之研究生.[备份地址](https://vk.com/doc168073_304660839?hash=39a33dd8aa6b141d8a&dl=b6674

  • 《BigDL: Distributed Deep learning on Apache
    Spark》

介绍: Spark分布式深度上库BigDL

  • 《Machine Learning and Cyber Security
    Resources》

介绍:
这是均等客有关机器上与数目挖掘以网络安全者采用之资源帖,包含了有的主要之站点,论文,书籍,斯坦福课程和部分行之教程.

  • 《6.S094: Deep Learning for Self-Driving
    Cars》

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车的纵深上

  • 《ICML 2016 Conference and Workshops
    Video》

介绍: ICML 2016看看频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线以及参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度念书

  • 《How To Get Into Natural Language
    Processing》

介绍: 自然语言处理(NLP)入门指南

  • 《Deep learning and the Schrödinger
    equation》

介绍:通过神经网络跳过数值方法求解薛定谔方程。

  • 《Recent Advances in Distributed Machine
    Learning》

介绍:微软亚洲研究院的刘铁岩等人多年来以AAAI
2017达成做的关于优化和广泛机器上之Tutorial。很值得一看。里面对传统的优化算法,特别是局部驳特性与分布式算法的附和理论特性还来一个较详细的下结论。非常适合想迅速了解这些世界的大方及工程师。另外,这个Tutorial还介绍了DMTK的有情况,作为一个分布式计算平台的利害,还捎带比较了Spark和TensorFlow等风靡框架。

  • 《Deep Learning Implementations and Frameworks
    (DLIF)》

介绍:AAAI
2017的Tutorial,专门讲述了深上框架的设计思想与落实,比较多种流行框架(Caffe、MXNet、TensorFlow、Chainer等)的性质和异同。

  • 《Open Sourcing TensorFlowOnSpark: Distributed Deep Learning on
    Big-Data Clusters》

介绍:雅虎开源基于spark与TensorFlow的分布式数据深度上框架,博文介绍

  • 《Deconstruction with Discrete
    Embeddings》

介绍:用离散嵌入解构模糊数据

  • 《Reliable Machine Learning in the Wild – NIPS 2016
    Workshop》

介绍:视频公布:自然面貌可靠机器上(NIPS 2016 Workshop)

  • 《A large-scale dataset of manually annotated audio
    events》

介绍:Google发布大规模音频数据集

  • 《5 algorithms to train a neural
    network》

介绍:训练神经网络的5种植算法

  • 《Course notes for CS224N
    Winter17》

介绍:笔记:斯坦福CS224n深度念书NLP课程(2017)

  • 《Persontyle Workshop for Applied Deep
    Learning》

介绍:伦敦纵深上研讨会资料

  • 《Understanding, generalisation, and transfer learning in deep
    neural
    networks》

介绍:论文导读:深度神经网络理解、泛化与迁移学习,acolyer
blog高达还有多经文推荐可阅读

  • 《An Introduction to MCMC for Machine
    Learning》

介绍:面向机器上的马尔科夫链蒙特卡洛(MCMC)

  • 《Awesome Deep learning papers and other
    resources》

介绍:深度上论文与资源大列表(论文、预训练模型、课程、图书、软件、应用、相关列表等)

  • 《Datasets for Natural Language
    Processing》

介绍:自然语言处理NLP数据集列表

  • 《Machine Learning for Software
    Engineers》

介绍:软件工程师的机上

  • 《Quantitative Finance
    resources》

介绍:量化金融(Quants)资源列表

  • 《What Computers Still Can’t
    Do.》

介绍:《计算机还是未可知做呀——人工理性批判》MIT版导言

  • 《In-Datacenter Performance Analysis of a Tensor Processing
    Unit》

介绍:谷歌发论文详解TPU

  • 《Proceedings of the Eleventh International Conference on Web and
    Social
    Medias》

介绍:2017年ICWSM会议论文合集,业内对它的品是:”算是不过顶级也是不过早的有关社会计算的议会”。里面的论文大部分凡钻社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容还是蛮前沿的。如果您是开社会计算的或好看看。毕竟是行业内数一数二底会。对了,只要是若明白名字的有名社交媒体都发出投稿.[陌陌不到底]

  • 《NTUEE ML
    2017》

介绍:台大李宏毅中文机器上课程(2017)

  • 《TensorFlow Dev Summit
    2017》

介绍:2017 TensorFlow 开发者峰会(中文字幕)

  • 《Convolutional Neural Networks for Visual Recognition (CS231n
    Spring
    2017)》

介绍:斯坦福2017季CS231n深度视觉识别课程视频

 

 

转自 https://github.com/ty4z2008/Qix/blob/master/dl.md

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

介绍:这是同等客python机器上库,如果你是平员python工程师而且想深入的读书机器学习.那么这首文章或会帮及你.

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
  • 《How to Layout and Manage Your Machine Learning
    Project》

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开设的吃水上课程,有方方面面视频

介绍:这同一首介绍如果规划与管理属于你协调的机上型之稿子,里面提供了保管模版、数据管理与实施方法.

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 –
    一个导论性质的文章,让你大致了解深度上是什么,用来波及啊的。
  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. 主要看点是深上近两年(2012-2014)的进展情况。
  • 《Machine Learning is
    Fun!》

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

介绍:如果您还不清楚什么是机上,或则是正上感觉到充分枯燥乏味。那么推荐一读。这首文章就于翻成中文,如果发生趣味可以走http://blog.jobbole.com/67616/

WebSites

  1. deeplearning.net7
  2. deeplearning.stanford.edu6
  3. Forum2
  • 《R语言参考卡片》

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

介绍:R语言是机上的要害语言,有好多的心上人想读R语言,但是接连忘记一些函数和主要字的义。那么就首文章或能协助到公

Frameworks

  1. Caffe92.  Torch73
  2. Theano3
  3. cuda-convnet25.  Ccv1
  4. NuPIC3
  5. DeepLearning4J:Java和Scala写的,能在Hadoop和Spark上应用,功能非常强
  • 《Choosing a Machine Learning
    Classifier》

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

介绍:我该怎么挑选机器上算法,这首文章于直观的比了Naive
Bayes,Logistic
Regression,SVM,决策树等措施的优劣,另外讨论了样本大小、Feature与Model权衡等题材。此外还有已翻了底版本:http://www.52ml.net/15063.html

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 
    :一个略的CNN实现(Python)
  • 《An Introduction to Deep Learning: From Perceptrons to Deep
    Networks》

几乎只常见应用领域

  • 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

介绍:深度上概述:从感知机到深度网络,作者对例子的抉择、理论的牵线都特别到位,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

差一点独常因此的吃水上代码库

  • H2O –
    一个开源的但扩大的堆栈,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的,现在尚是出于Berkeley维护。

  • Theano –
    最盛的Python库

  • 《The LION Way: Machine Learning plus Intelligent
    Optimization》

News

  • Deep Learning
    News –
    紧跟深度上之讯息、研究进展和血脉相通的创业项目。

 

介绍:<机器上和优化>这是平等据机器上的小册子,
短短300多页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有同垛坨公式的烦恼. 适合新手入门打基础, 也适合老手温故而知新.
比打MLAPP/PRML等大部头,
也许就本你再需!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

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

 

最终一定得推荐者Github:

 

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

 

  • 《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独+稀疏优化1个;强化学习4单,深度上3只+深度上计算1个;贝叶斯非参、高斯过程和上学理论3只;还有划算广告以及社会选择.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至IEEE计算机视觉和模式识别(CVPR)大会于美国波士顿做。微软研究员们于大会上展示了于以往还快更以的计算机视觉图像分类新模型,并介绍了哪些使用Kinect等传感器实现在动态或者低光环境的飞快大规模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/库的归纳/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:语义图像分割的真情演示,通过深度上技能同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,范代码.

  • 《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:基于三正培方法的文本流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础和新型进展.

  • 《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:数据是(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G底微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产环境(产品级)机器上的机遇以及挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的布局化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机器上小组关于在线Boosting的论文 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20个最好吃香的开源(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的时篇章《深度上》,Jürgen
Schmidhuber的新星评论文章《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上关于Learning to
Search的教学讲座幻灯片.

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

介绍:读了这100首论文
就能变成大数额高手,境内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体以及公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写给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将公布只是扩大/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次递归编解码器.

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

介绍:GPU上根据Mean-for-Mode估计的飞速LDA训练.

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

介绍:从实验室到厂子——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只经数据集(及另外100个列表).

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

介绍:Google面向机器视觉的深浅学习.

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

介绍:构建预测类应用时怎么抉择机器上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/情感分析的祝词电影推荐,此外推荐分拣算法的论据比较分析.

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

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

  • 《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的深度加深学习教程.

  • 《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/政治以及实时预测的机学习.

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

介绍:Stanford社交网络以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)的加剧学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的长足深度学习.

  • 《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.

  • 《百度深度上之图像识别进展》

介绍:这是同样篇有关百度文章《基于深度上的图像识别进展:百度的多实行》的摘要,建议少首稿子做起来阅读.

  • 《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 实现之机器上库资源集聚总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上之统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的吃水上技能及技巧.

  • 《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:这是平以机器上的电子书,作者Max
Welling学子在机上教学点装有丰富的经验,这仍开小而精致.

  • 《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:介绍单愿总结及翻译机器上和电脑视觉类资料的博客,包含的始末:Hinton的CSC321课程的下结论;Deep
Learning综述;Notes on
CNN的总;python的规律总结;Theano基础知识和习总结;CUDA原理和编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对现实问题(应用场景)如何选机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据是免费写分类集合

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

介绍:深度上在语音合成最新进展发什么样?推荐MSRA的Frank
Soong老师关于语音合成的深度上方式的照和幻灯片与和谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data
    Science》

介绍:新书(可免费下载):数据科学的法子

  • 《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所描写,算是不过广为认知的机上读本有,内容覆盖到,难度中达到,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底顶尖数据/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:作者在深度上的思考.

  • 《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“机器上和几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教授Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的新书Understanding Machine Learning: From Theory to
Algorithms,此开的于偏理论,适合对机器上理论有趣味的同班选读

  • 《Machine Learning
    Checklist》

介绍:机器上上清单

  • 《NLP界有哪些神级人物?》

介绍:知乎上面的等同篇关于NLP界有怎么样神级人物?提问。首推Michael Collins 

  • 《机器上温和指南》

介绍:机器上和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,旨在让读者会继承查找机器上知识。

  • 《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: 无需召开深度上就可知就此之分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数以及众包Mechanical
Turk上,实现了来彩票和处理之建制,以募集用户对活之愿购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion
[Zhao,RecSys15] 回归模型预测未知WTP,提升卖家利润与买主满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的大机器学习.

  • 《机器上材料十分汇总》

介绍:来自52ml之机上材料大汇总.

  • 《Automatic
    Summarization》

介绍:这按照开之发作者McKeown凡2013年世界篇单数据科学院(位于哥伦比亚大学)主任,她亦凡ACL、AAAI和ACM
Fellow .

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

介绍:EMNLP-15文本摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上丰富齐4钟头之告知,共248页,是针对推荐系统发展之同一软全面概括,其中还连Netflix在个性化推荐者的有经验介绍.

  • 《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集群上的常见分布式机器学习.

  • 《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巨型人脸识别数据集:
Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人,202K
脸部图像,每个图像40不必要标注注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的管监督特征上,Ross Goroshin’s
webpage.

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

介绍:谷歌研究院Samy Bengio等丁近来写的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/深度上有关品种大列表.

  • 《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相当人口近来形容的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的科普分布式深度上》

介绍:基于Hadoop集群的大面积分布式深度学习.

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

介绍:来自斯坦福大学以及NVIDIA的办事,很实在挺实用。采用推网络连接及重新训练方法,可大削减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:无需召开深上就能为此底分布式深度上软件,github.

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

介绍:当今世界最NB的25位十分数额科学家,通过她们之名然后放在google中觅一定会找到多怪过硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的纵深上(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:数据科学(学习)资源列表.

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

介绍:应本着非均衡数据集分类问题的八万分策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推介的20只数据对相关课程.

  • 《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)基于深度上的经贸图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费在线书《Neural Networks and Deep
Learning》神经网络与深上。目前提供了前头四章的草稿,第一章由此手写数字识别的例子介绍NN,第二章说反朝传来算法,第三节说反往传播算法的优化,第四章节说NN为什么能够起合任意函数。大量python代码例子和互相动画,生动有趣.中文版

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

介绍:数据是大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以当是网站找到github的花色链接.

  • 《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)二分割类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前之后果,他们现纪念使做越来越的增长。于是推出了崭新的,专门对科学家设计的学问搜索引擎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)二瓜分类.

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

介绍:为入门者准备的纵深上与神经网络免费资源.

  • 《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:三星球开源的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:语义大数额——大数据/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的吃水上库初步源.

  • 《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)深度上及深数据科学.

  • 《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:免费写:面向数据正确的高级线性模型.

  • 《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:来自斯坦福大学之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学生举行的CS183c课程的一个note,该学科是由Reid
Hoffman等互联网boss级人物设置的,每节课请一各类巨头公司之相干官员来做访谈,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中的应用.

  • 《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:数据科学家毕业后连续学的5栽方式.

  • 《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年中国电脑学会(CCF)优秀博士学位论文》

介绍:2015秋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:复旦大学邱锡鹏导师编制的神经网络与深度上读本,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.

  • 《语音识别的技艺原理是呀?》

介绍:语音识别的技能原理分析

  • 《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.乔丹是举世闻名的微机是与统计学学者,主要研究机器上和人造智能。他的根本贡献包括指出了机械上和统计学之间的沟通,并推机械学习界广泛认识及贝叶斯网络的重中之重。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是千篇一律号英国生的算计机学家和心理学家,以该以神经网络方面的献闻名。辛顿是倒转为传来算法和自查自纠散度算法的发明人之一,也是深浅上的主动推动者.通过外的主页可以挖掘到不行多Paper以及优秀学生的paper,此外推荐他的生Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机械上方向的牛人,如果你切莫晓得得看本着话机器学习大神Yoshua
Bengio(上),针对话机器学习大神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出版的深上电子书,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(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和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)深度上使用的流量鉴别(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:一个推荐系统的Java库

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

介绍:多中心图的谱说及其于网络入侵检测中的施用(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的机上算法和统计检验,并会处理中多少范围的数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了图书,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学的讲解,主要研究方向是机上及数量挖掘.在2015年之ACM
webinar会议,曾发表了关于盘点机器上世界的五百般山头主题演讲.他的个人主页拥有众多系研究的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

  • 《大数额/数据挖掘/推荐系统/机器上有关资源》

介绍:这首文章外的推介系统资源很丰富,作者非常有胸,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还是斯坦福大学之授课,Trevor
Hastie更是以统计学上上建树多多

  • 《The Evolution of Distributed Programming in
    R》

介绍:R分布式计算的上扬,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——情感分析和深度加深学习

  • 《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:斯坦福新科目,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集会总结第一组成部分,老二组成部分.

  • 《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:牛津大学有名视觉几哪组VGG在IJCV16年首窝首期待: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这首期刊文章融合了前头少首会议(ECCV14,NIPS14ws),定位与识别图片被的文本(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多少集索引,
包含387只标签,共录取了314个数据集合,点击标签云就得找到好要之库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的下结论: 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 的长短。在人民deep
learning做visual perception的时节,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底ImageNet比赛跟MS COCO竞赛联合研讨会的幻灯片和见到频.

  • 《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]根据TensorFlow的深上/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首文章,R语言学习之福音.

  • 《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:这是同依照在线的吃水上书本,合著者有Ian Goodfellow, Yoshua Bengio
和 Aaron Courville.如果你是一样号新入门的学生可先看即本图书Yoshua
Bengio: How can one get started with machine
learning?

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深浅上阅读列表.

  • 《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.

  • 《文本数据的机器上机关分类方法(上)》

介绍:文件数据的机器上活动分拣方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以管被挡住的图样上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院管其深度上工具包CNTK,想越询问和学习CNTK的同校可以扣押眼前几乎天公布的《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,用尽量少之数学与演绎,传授直觉和经历,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:在线免费写:面向数据是的统计测算,R示例代码,很科学GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由于Yoshua
Bengio撰写之课,其情包含了上人工智能所使用的纵深上架构的修资源,书中之种类已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是同一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开展创作,包括了过多同深上有关的类、计算机视觉、加强学习及各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是由于Donne
Martin策划收集的IPython笔记本。话题涵盖大数目、Hadoop、scikit-learn和科学Python堆栈以及多任何点的内容。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为全都于含有中,当然还有相关的特定构架和概念等.

  • 《Open Source Deep Learning Server》

介绍:开源之深度上服务,DeepDetect是C++实现的依据外部机器上/深度学习库(目前是Caffe)的API。给出了图训练(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:这是国外的一个科技频道,涵盖了数量挖掘,分析及数额科学类的文章.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)不明显的不易——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单可怜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:深度上的周硬件指南,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:如何在社会媒体齐举行言语检测?没有数怎么惩罚?推特官方披露了一个老大金玉之数据集:12万标明过的Tweets,有70种植语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上及机具上要会议ICLR 2016起用文章

  • 《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/内容设计相关资源引进

  • 《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)35独超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两各项大家首浅合发文,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的一个切磋项目,MLbase是一个分布式机器上管理网

  • 《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语言深度上第一节: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照最佳机器上免费写

  • 《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在 Oxford
开设的深上课程,课程youtube地址,Google
DeepMind的研究科学家,此外首页:computervisiontalks的情吗特别丰富,如果您是举行机械视觉方面的钻研,推荐吧看其他内容.肯定得吧未小.还有,这员youtube主页及了之视频也很有重

  • 《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.紧跟深度上之情报、研究进展和连锁的创业项目。从事机械上,深度上园地的爱人建议每天看同样看

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的会议paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上以生物工程领域的应用,如果你从生物工程领域,可以事先读书一首文章详见介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在生物信息法领域的用

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

介绍:一些有关机器上得懂得知识,对于刚刚入门机上的同校应该读一朗诵

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器念书用户组主页,网罗了剑桥大学有的机械上领域专家与新闻

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

介绍:Randy
Olson’s的一部分数额解析与机具上型库,是上实践的好材料

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果应用的倒多,而用来做机械上之虽于少了.Swift
Ai在当下面开了森聚集.可以望

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

介绍:如何为同一各项5年份的娃子解释支持于量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机械上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的一部分牛人博客,超发实力的研讨部门当的网站链接.做计算机视觉方向的朋友建议大多关心中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度念研究主页,此外研究小组对2013年deep learning
的最新进展和相关论文召开了整,其中useful
links的情很受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是相同首关于寻找引擎的博士论文,对现在大面积利用的索引擎google,bing等召开了分析.对于做搜索类似产品的不行有技巧参考价值

  • 《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(毕竟这看似书比较少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深度上地方的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的一再分布式梯度下降.同时援引广大分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究相关问题综述.

  • 《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: 协同过滤在引进系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在内容引进的研究.

  • 《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: 亚马逊对联合过滤算法应用.

  • 《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.做计算机图形的引荐收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏代表与高维几何.12年由Elsevier、13年交今日由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得杰出贡献的;由CV社区提名,在CVPR会议达到宣布。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法》引用已超越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推荐了累累有关线性代数、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:
软件工程领域现在吧本着机器上和自然语言处理很感兴趣,有人生产了“大代码”的概念,分享了广大代码集合,并且认为ML可以据此当预计代码Bug,预测软件作为,自动写新代码等任务上。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深度上课程的幻灯片(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章。1.众确保激励机制的一言一行经济学研究:批量结算比单任务的形成率大。2.于众包专家与新手间建立联系:微实习。3.词嵌入结合众包验证的词汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的移动预计。5.鞭策错以加速众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据科学

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D一样节省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是同缓机器上的开源框架,专为黑客打造,而无为科学家要发。它用Rust开发,传统的机上,现今底深度上通吃。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: 机器学习会议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,主要涉及的是贝叶斯网络以及马尔科夫逻辑网络的learning和inference问题,同时又对PGM有深的说理解释,是学概率图模型必看之书本。难度中达成,适合来局部ML基础之研讨生.备份地址

  • 《Information Theory, Inference, and Learning
    Algorithms》

介绍: 此书是剑桥大学有名信息论专家David
MacKay所描绘,出发角度以及成千上万机器上之书本都无一样,inference和MCMC那节写的无限好,难度中。适合研究生以及本科生。

  • 《Convex Optimization – Boyd and
    Vandenberghe》

介绍: 非常好的Convex
Optimization教材,覆盖了各种constrained和unconstrained
optimization方法,介绍了convex优化的基本概念和驳斥。难度中,适合对优化和机器上有得基础之人流

  • 《Machine – Learning – Tom
    Mitchell》

介绍:
本书是CMU机器上系主任Mitchell早年形容的机器上课本,年代起点久远.难度不赛。适合初大家,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,需要比强的数学功底,适合对kernel和SVM感兴趣的同室选读Learning
with Kernels
PPT,参考Learning
with
Kernels

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

介绍:
斯坦福统计系三员大神的统计上读本,偏统计和上理论,需要针对线性代数、统计和概率论有自然基础、难度高、适合研究生

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

介绍:
本书是妇孺皆知机器上工具Weka作者写的运用机器上指导书、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:
本书也是千篇一律如约比较受欢迎的NLP教科书,难度一般,主要覆盖统计NLP方法,是斯坦福的别一样个很牛Chirs
manning所勾画

  • 《Speech and Language
    Processing》

介绍:
在北美NLP最常用之教材,斯坦福Jurafsky所形容的自然语言处理入门教程,覆盖面比较完善,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作者的写作,适合本科生和入门者边动手边学

 

 

参考文献:

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

2.纵深上怎么样入门:https://www.zhihu.com/question/26006703/answer/63572833

 

  • 《深度上与统计上理论》

介绍:作者是出自百度,不过他自己就于2014年4月份报名离职了。但是这篇稿子很正确如果你免晓得深度上与支持为量机/统计上理论有啊关联?那么应该及时看看这篇文章.

  • 《计算机对中之数学》

介绍:这本书是由于谷歌公司同MIT共同出品的处理器科学中之数学:[Mathematics
for Computer Science](Mathematics for Computer Science),Eric Lehman et
al 2013
。分为5大部分:1)证明,归纳。2)结构,数论,图。3)计数,求与,生成函数。4)概率,随机行。5)递归。等等

  • 《信息时代的处理器是理论(Foundations of Data
    Science)》

介绍:信息时代的微机对理论,目前境内有纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是如出一辙照由雪城大学新编的次本《数据是入门》教材:偏实用型,浅显易懂,适合想深造R语言的同班选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是同等篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20独问题,内容囊括TAOCP,P/NP问题,图灵机,逻辑,以及为什么大神不用电邮等等。

  • 《Automatic Construction and Natural-Language Description of
    Nonparametric Regression
    Models》

介绍:不会见统计怎么处置?不晓哪些抉择当的统计模型怎么惩罚?那就首文章你的优异读一念了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了平首关于automatic
statistician的章。可以自动选择回归模型类别,还会自行写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上与representation learning最新进展产生趣味之同校可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是平按信息寻找相关的书籍,是由于斯坦福Manning暨谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美极其被欢迎的音讯搜索教材之一。最近作者多了拖欠学科的幻灯片和课业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10摆良的觊觎来解释机器上重大概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清楚

  • 《雅虎研究院的数量集汇总》

介绍:雅虎研究院的数码集汇总:
包括语言类数据,图跟团交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数。

  • 《An Introduction to Statistical Learning with Applications in
    R》

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且于2014年一月就开盘:https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习材料汇集是独占为机上新家推荐的上乘学习资源,帮助新家快速入门。而且就首文章的牵线都深受翻成中文版。如果您有些熟悉,那么自己建议你先押同样看押中文的介绍。

  • My deep learning reading
    list

介绍:主要是挨Bengio的PAMI
review的文章找出来的。包括几按综述文章,将近100篇论文,各位山头们的Presentation。全部都得以于google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是一模一样如约图书,主要介绍的凡跨语言信息寻找方面的知识。理论很多

  • 探讨推荐引擎内部的神秘,第 1 片段:
    推荐引擎初探

介绍:本文共有三只密密麻麻,作者是来IBM的工程师。它根本介绍了引进引擎相关算法,并支援读者很快的贯彻这些算法。
探讨推荐引擎内部的机密,第 2 有些: 深度推荐引擎相关算法 –
协同过滤,探究推荐引擎内部的神秘,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学相关助手教授David
Mimno写的《对机器上新师的一点提议》,
写的那个实在,强调实行以及理论做,最后还引用了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的数码

介绍:这是一致遵照关于分布式并行处理的数据《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参见下

  • 《“机器上”是呀?》

介绍:【“机器上”是什么?】John
Platt是微软研究院独立科学家,17年来他直接在机器上世界耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定设立博客,向民众介绍机器上之研究进展。机器上是啊,被利用在哪?来拘禁Platt的当下首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经为6月21-26日当江山会议着力热闹举办。本次大会由微软亚洲研究院以及清华大学一起主办,是这个有30大多年历史并著名世界的机械上园地的盛会首赖来华,已成功引发全球1200几近各类专家的申请参与。干货很多,值得深入上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子主要是坐Learning to
Rank为例说明企业界机器上的切实可行使用,RankNet对NDCG之类不灵活,加入NDCG因素后成了LambdaRank,同样的想从神经网络改吗使至Boosted
Tree模型就水到渠成了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一名为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
此外,Burges还有多著名的代表作,比如:A Tutorial on Support Vector
Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

  • 《UFLDL-斯坦福大学Andrew Ng教授“Deep
    Learning”教程》

介绍:本课程将阐述无监督特征上与深上的首要意见。通过上,你啊用贯彻多独功能学/深度上算法,能看它啊你办事,并就学怎么利用/适应这些想法到新题材及。本学科假定机器上之基本知识(特别是轻车熟路的监督上,逻辑回归,梯度下降之想法),如果你无熟识这些想法,我们建议您去这里机械上课程,并先就第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已有python版本了UFLDL
Tutorial
Code

*《Deep Learning for Natural Language Processing and Related
Applications》

介绍:这卖文档来自微软研究院,精髓多。如果需要了明了,需要一定的机器上基础。不过有些地方会给丁面前一样亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是同篇介绍图像卷积运算的稿子,讲的曾算是比较详细的了

  • 《Machine Learning Summer
    School》

介绍:每天要一个大牛来讲座,主要涉及机械上,大数目解析,并行计算以及人脑研究。https://www.youtube.com/user/smolix
(需翻墙)

  • 《Awesome Machine
    Learning》

介绍:一个顶尖级完整的机械上开源库总结,如果你以为是碉堡了,那背后是列表会重于您怪:【Awesome
Awesomeness】,国内都起热情的爱人进行了翻译汉语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学计算机系Chris
Manning教授的《自然语言处理》课程有视频已经可以在斯坦福明课网站上看出了(如Chrome不行,可用IE观看)
作业以及试验也可以下载。

  • 《Deep Learning and Shallow
    Learning》

介绍:对比 Deep Learning 和 Shallow Learning 的好文,来在浙大毕业、MIT
读博的 Chiyuan Zhang 的博客。

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费在线书,已经勾勒了三段了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的教义。

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台以及开源的机上库,按照大数额、NLP、计算机视觉与Deep
Learning分类开展了整。看起很全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上最好基本的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多早晚困惑人们还是,很多算法是平近乎算法,而稍算法又是起另算法中延长出的。这里,我们由简单只地方来受大家介绍,第一个点是上学的不二法门,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你既明白了是呀内容,没错。里面有不少经典的机上论文值得仔细跟高频的读书。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机械上的经文书籍,包括数学基础与算法理论的书,可做啊入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16遵照机器上的电子书,可以下载下来当pad,手机者任意时刻去读。不多我建议您看了一依还下充斥同以。

  • 《A Large set of Machine Learning Resources for Beginners to
    Mavens》

介绍:标题非常充分,从新手到学者。不过看罢上面有素材。肯定是专家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的良多,而且自曾经拉您寻找一块了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上体系,用来化解预测方面的问题,比如
YouTube 的视频推荐。

  • 《Deep
    Learning》

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

  • 《Neural Network & Text
    Mining》

介绍:关于(Deep) Neural Networks在 NLP 和 Text Mining 方面有paper的总

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实践人检测

  • 《Deep Learning – important resources for learning and
    understanding》

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这还要是均等篇机器上新专家的入门文章。值得一念

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

  • 《Python 网页爬虫 & 文本处理 & 科学计算 & 机器求学 &
    数据挖掘兵器谱》

介绍:python的17个有关机器上之工具

  • 《神奇之伽玛函数(上)》

介绍:下集在此处神乎其神之伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡腾讯广告算法总监,王益博士毕业后以google任研究。这篇稿子王益博士7年来打谷歌到腾讯对于分布机器上的见闻。值得细读

  • 《机器上提升的志(Level-Up Your Machine
    Learning)》

介绍:把机器上提升的级别分为0~4级,每级需要上学的读本及操纵的知。这样,给机器学习者提供一个迈入的路子图,以免走弯路。另外,整个网站都是关于机器上的,资源十分丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经验资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一致依来自小的研究员 li Peng和Dong
Yu所展示的关于深度上之艺术以及采用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机械上夏季课刚刚结束
有贴近50钟头的视频、十几近个PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13叫作讲师都是牛人:包括大牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大面积机器上体系》

介绍:在当年之IEEE/IFIP可靠系统和网(DSN)国际会及,Google软件工程师Tushar
Chandra做了一个关于Sibyl系统的主题发言。
Sibyl是一个监督式机器上体系,用来化解预测方面的问题,比如YouTube的视频推荐。详情请阅读google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客上大概地介绍了她们当年与ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。

  • 《Bayesian network
    与python概率编程实战入门》

介绍:贝叶斯学习。如果无是雅绝望可省概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友问伯克利机器上大牛、美国对院士Michael I.
Jordan:”如果你产生10亿美金,你怎么花?Jordan:
“我会见因此这10亿美金建造一个NASA级别之自然语言处理研究项目。”

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有有任何的机械上和数挖掘文章和深上文章,不仅是论战还有源码。

  • 《文本和数据挖掘视频汇总》

介绍:Videolectures上最为受欢迎之25单公文以及数量挖掘视频汇总

  • 《怎么挑深度上之GPUs》

介绍:在Kaggle上时常得不错成绩的Tim
Dettmers介绍了外好是怎选择深度上之GPUs,
以及个人怎么构建深度上之GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

  • 《Deep Learning 和 Knowledge Graph
    引爆大数据革命》

介绍:还有2,3部分。http://blog.sina.com.cn/s/blog\_46d0a3930101gs5h.html

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机械上爱好者很热心的管这科目翻译成了国文。如果你英语不好,可以看这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就比如非常数据)。其实过多人口还还不明白什么是深度上。这首文章由浅入深。告诉您深度学究竟是什么!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学举行的一样免费课程(很勉强),这个好给您以深上之中途吃你一个读之思路。里面涉及了有中坚的算法。而且告诉您怎样去行使到实际条件受到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个纵深上用来分辨图片标签/图转文字的demo。是一个事实上用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要来早晚的功底。

  • 《R工具包的归类集中》

介绍: (CRAN Task Views,
34栽普遍任务,每个任务而各自分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多重新变量分析,计量经济学,心理统计学,社会学统计,化学计量学,环境科学,药物代谢动力学

  • 《机器上常见算法分类集中》

介绍:
机器学习的是现阶段数码解析世界的一个热门内容。很多口于平时之劳作受到都要多要少会因此到机械上之算法。本文为而总结一下宽广的机器上算法,以供应您当办事暨上着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了几许单密密麻麻。另外还作者还了一个文章导航.非常之感恩戴德作者总结。

Deep
Learning(深度上)学习笔记整理系列的(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列的(四)

Deep
Learning(深度上)学习笔记整理系列之(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列的(七)

DeepLearning(深度上)学习笔记整理系列之(八)

  • 《Tutorials Session A – Deep Learning for Computer
    Vision》

介绍:传送理由:Rob Fergus的用深度上做计算机是清醒的NIPS 2013学科。有mp4,
mp3,
pdf各种下载
他是纽约大学教学,目前吧在Facebook工作,他2014年之8篇论文

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院支付的开源中文自然语言处理(NLP)工具保管
Fudan
NLP里含有中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等力量,对找引擎
文本分析等极为有价。

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源之机械上工具确保,支持单机, Hadoop cluster,和 Spark
cluster 重点是 logistic regression 算法

  • 《机器上周刊》

介绍:对于英语不好,但还要很想学机器上的情侣。是一个要命的福利。机器上周刊目前要提供中文版,还是面向广大国内爱好者,内容涉嫌机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的基本点数学先导课程。其实《线代》这宗课称得浅显易懂特别非爱,如果同样高达来即讲讲逆序数及陈行列式性质,很容易给学员去学习之兴味。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的学科。
学科主页

  • 《Big-data》

介绍:大数量数据处理资源、工具不全列表,从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器上等。很赞赏的资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了千篇一律叫作源于本古里安大学的访问学者,制作了相同效仿关于机器上之不胜枚举视频课程。本课程并分为7期,详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等健康机器上算法的辩解基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对生数目时,量子机器上的率先独实验 paper
下载

  • 《How a Math Genius Hacked OkCupid to Find True
    Love》

介绍:Wired杂志报道了UCLA数学博士Chris McKinlay
(图1)通过充分数目手段+机器上方法破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定正在12只账号,下载了谈情说爱网站2万阴用户之600万问题答案,对他们进行了统计抽样及聚类分析(图2,3),最后竟得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开讲,该课属于MIT研究生级别的科目,对机器人及非线性动力系统感兴趣的朋友不妨可以挑战一下立即门学科!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

  • 《Google Turns To Deep Learning Classification To Fight Web
    Spam》

介绍:Google用Deep Learning做的antispam(反垃圾邮件)

  • 《NLP常用信息资源》

介绍:NLP常用信息资源*
《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

  • 《Best Papers vs. Top Cited Papers in Computer
    Science》

介绍:从1996年开始于电脑是的论文被让引述次数最多之论文

  • 《InfiniTAM:
    基于深度图像的体数据并框架》

介绍:把今年之一个ACM Trans. on Graphics
(TOG)论文中之代码整理为一个开源之算法框架,共享出来了。欢迎大家以。可以实时的采集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会见延续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好读书她?可以给你当浏览器中,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉您,最佳技巧是,当你从头勾画代码,一切以更换得清。他恰好发布了一如既往以书籍,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

介绍:前Google广告系统工程师Josh Wills
讲述工业界和学界机器上的异议,大实话

  • 《Deep Learning Sentiment Analysis for Movie Reviews using
    Neo4j》

介绍:使用Neo4j
做影视评论的感情分析。

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

介绍:不仅是材料,而且还对小资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了我们啊?

  • 《scikit-learn:用于机器上的Python模块》

介绍:scikit-learn是在SciPy基础及构建的用来机器上的Python模块。

  • 《对话机器上大神Michael
    Jordan:解析领域被各队模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机上园地神经网络的大牛,他针对性纵深上、神经网络有着十分浓厚的志趣。因此,很多发问的题材被寓了机上世界的个模型,乔丹教授对准斯一一做了讲及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*找寻是人为智能基本算法,用于高效地找图中少触及之顶尖路线,
核心是 g(n)+h(n):
g(n)是打起点至顶点n底实际代价,h(n)凡是顶点n到目标顶点的估计代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本项目下了Microsoft Azure,可以以几乎私分种内形成NLP on Azure
Website的安排,立即开始针对FNLP各种特色的试用,或者以REST
API的款型调用FNLP的语言分析效益

  • 《吴立德《概率主题模型&数据科学基础》》

介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所合所长.内部课程

  • 《机器上入门资源不全集中》》

介绍:好东西的干货真的多

  • 《收集从2014年开始深度上文献》

介绍:从硬件、图像及正规、生物、大数额、生物信息重新到量子计算等,Amund
Tveit等保障了一个DeepLearning.University小项目:收集从2014年初始深度上文献,相信可以视作深度上之起点,github

  • 《EMNLP上一丁点儿篇有关股票方向的利用论文

介绍:EMNLP上点滴首关于stock
trend
用到了deep model组织特征;Exploiting Social Relations and Sentiment for
Stock
Prediction用到了stock
network。

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深浅上一线好牛Bengio组写的科目,算法深入显出,还有实现代码,一步步拓展。

  • 《学习算法的Neural Turing Machine

介绍:许多风的机器上任务还是在就学function,不过谷歌目前有开始攻读算法的来头。谷歌另外的及时首学习Python程序的Learning
to
Execute也发生相似之处

  • 《Learning to Rank for Information Retrieval and Natural Language
    Processing》

介绍:作者是华为技术有限公司,诺亚方舟实验室,首席科学家的李航博士写的关于信息寻找和自然语言处理的稿子

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的鉴别上的施用,此外还有少数单。一个是辨垃圾和假信息之paper.还发出一个是纱舆论及其分析技术

  • 《R机器学习履》

介绍:该科目是网易公开课的收款课程,不值钱,超级福利。主要适合吃对利用R语言进行机上,数据挖掘感兴趣的食指。

  • 《大数据解析:机器上算法实现之演化》

介绍:本章中笔者总结了三替代机上算法实现的演变:第一替非分布式的,
第二代表工具而Mahout和Rapidminer实现冲Hadoop的扩张,第三代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析及机具视觉》

介绍:讲计算机视觉的季管辖奇书(应该让经典吧)之一,另外三按是Hartley的《多图几哪里》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的引荐系统文章Browsemaps》

介绍:里面基本无提到到实际算法,但笔者介绍了CF在LinkedIn的过剩用,以及她们于召开推荐过程中得的片段经验。最后一久经验是当监控log数据的质地,因为推荐的身分大靠数据的色!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初师如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上及特别数据构建对话系统

介绍:如何以深度上及好数额构建对话系统

  • 《经典论文Leo Breiman:Statistical Modeling: The Two Cultures

介绍:Francis Bach合作之关于稀疏建模的新综合(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像及视觉及之采用,而且率先有的关于Why does
the l1-norm induce sparsity的讲也酷对。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机械上着一言九鼎的定义,其于large
margin分类器上之动为是广为熟知的。如果没比好的数学基础,直接掌握RKHS可能会见是。本文由基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同班对于机器上和深度上之困惑在于,数学方面曾经盖知道了,但是动于手来可无明了什么入手写代码。斯坦福深度上博士Andrej
Karpathy写了一如既往首实战版本的深度上及机上课程,手把手教你用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的一起》

介绍:本文会过相同百分之百最盛行的机上算法,大致了解哪些措施可用,很有救助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来成千上万关于机器上、信号处理、计算机视觉、深入上、神经网络等领域的大气源代码(或可尽代码)及连锁论文。科研写论文的好资源

  • 《NYU
    2014年之深上课程资料》

介绍:NYU 2014年的纵深上课程资料,有视频

  • 《计算机视觉数据集不全集中》

介绍:计算机视觉数据集不完全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数挖掘十深经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100只特别高的品类

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高等学校欧文分校为机械上社区保安在306单数据集。询问数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上在图像、视频语义分析世界取得了科研与工程达到之突破,发之章不多,但每个都不行实在,在列一个问题达到还得了state-of-art.

  • 《Andrej
    Karpathy的深度加深学习演示》

介绍:Andrej
Karpathy的吃水加深学习演示,论文在此地

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

介绍:CIKM Cup(或者叫做CIKM Competition)是ACM
CIKM举办的国际数码挖掘竞赛的号。

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是平等个英国诞生之盘算机学家和心理学家,以其当神经网络方面的孝敬闻名。辛顿是相反往传播算法和自查自纠散度算法的发明人之一,也是深上之主动促进者.

  • 《自然语言处理的深浅上理论以及实际》

介绍:微软研究院深度学习技术中心在CIKM2014
上有关《自然语言处理的吃水上理论及实际》教学讲座的幻灯片

  • 《用异常数量与机具上做股票价格预计》

介绍: 本文基于<支持为量机的往往限价订单的动态建模>采用了 Apache
Spark和Spark
MLLib从纽约股票交易所的订单日志数据构建价格移动预测模型。(股票来高风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上的若干驳斥问题》

介绍:徐宗本
院士将被爱机器上之同伙一起探究有关于机器上之几只理论性问题,并给有有生出意义之结论。最后经过有实例来证实这些理论问题的情理意义及事实上利用价值。

  • 《深度上在自然语言处理的动》

介绍:作者还出示有《这就算是寻找引擎:核心技术详解》一书写,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献和业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其应用”研讨会PPT

  • 《统计机器上》

介绍:统计上是有关电脑基于数构建的几率统计模型并运用模型对数码进行预测和剖析的相同派别是,统计上吧变成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之对象是针对性计算机编程,以便使样本数或者以往的更来化解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

介绍:CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主题报告的幻灯片,
Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry
Track报告的幻灯片

  • 《人工智能和机械上园地有趣之开源项目》

介绍:部分汉语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有雷同首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了一如既往首超赞的数值优化博文,从牛顿法讲到起牛顿法,再谈到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上方法概述(一)》

介绍:还有续集显深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数额及机具上之三结合》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边学边用word2vec跟deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并在其实比中比调参数与清数据。
如果既装了gensim不要遗忘升级

  • 《PyNLPIR》

介绍:PyNLPIR提供了NLPIR/ICTCLAS汉语分词的Python接口,此外Zhon供了常用汉字常量,如CJK字符和偏旁,中文标点,拼音,和汉字正则表达式(如找到文本中的繁体字)

  • 《深度卷积神经网络下围棋》

介绍:这篇说拿多年来型识别达到的突破用到围棋软件达到,打16万张业棋谱训练模型识别功能。想法是。训练后即能成功决不计算,只拘留棋盘就被来下一样步,大约10级棋力。但随即篇文章最过乐观,说啊人类的最后一片堡垒马上快要跨越掉了。话说得最为早。不过,如果跟别的软件做该还有潜力可打。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他代表,根据这次试验的结果,如果今年NIPS重新审稿的言语,会时有发生一半之舆论被驳回。

  • 《2014年超级的不胜数目,数据对文章》

介绍:KDNuggets分别总结了2014年14独阅读最多跟享受最多的文章。我们从中可以观看多独主题——深度上,数据科学家职业,教育同薪酬,学习数据正确的家伙比如R和Python以及民众投票的极受欢迎之数码正确与数量挖掘语言

  • 《机器上藏算法详解及Python实现–线性回归(Linear
    Regression)算法》

介绍:Python实现线性回归,作者还来另大棒的稿子推荐可看

  • 《2014中国颇数额技术大会33号中心专家发言PDF》

介绍:2014神州深数目技术大会33个中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

介绍:这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and
Discriminative Techniques for Sentiment Analysis of Movie Reviews
,使用RNN和PV在情感分析效益不错,[项目代码](https://github.com/mesnilgr/iclr15)公布在github(目前凡拖欠的)。这意味Paragraph
Vector终于揭开面纱了嘛。

  • 《NLPIR/ICTCLAS2015瓜分词系大会上之艺演讲

介绍:NLPIR/ICTCLAS2015细分词系发布与用户交流大会上的演说,请复多朋友检阅新版分词吧。
我们实验室同学的讲演包括:孙梦姝-基于评论意见挖掘的货品搜索技术研究
李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的倒为求导及练习》

介绍:介绍CNN参数在运bp算法时该怎么训练,毕竟CNN中有卷积层和下采样层,虽然同MLP的bp算法本质上同,但款式上或略微区别的,很明白以就CNN反为传来前询问bp算法是须的。此外作者为开了一个资源集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果如在同等首稿子中相当配十万只关键词怎么处置?Aho-Corasick
算法利用上加了归来边的Trie树,能够在线性时间外得匹配。
但如果配合十万只正则表达式呢 ?
这下可以为此到将多个刚则优化成Trie树的措施,如日本口形容的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源之吃水上框架,作者目前以google工作,作者主页Yangqing
Jia (贾扬清)

  • 《GoogLeNet深度上型的Caffe复现

介绍:2014
ImageNet冠军GoogLeNet深度上型的Caffe复现模型,GoogleNet论文.

  • 《LambdaNet,Haskell实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由Haskell实现的一个开源的人工神经网络库,它抽象了网创建、训练并采用了高阶函数。该库还提供了同等组预定义函数,用户可用多种计做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果你从互联网搜寻,在线广告,用户作为分析,图像识别,自然语言理解,或者生物信息学,智能机器人,金融展望,那么这门核心课程你得深刻摸底。

  • 《杨强在TEDxNanjing谈智能的来》

介绍:”人工智能研究分多派别。其中有为IBM为代表,认为使来高性能计算就不过抱智能,他们的‘深蓝’击败了世道象棋冠军;另一样家认为智能来自动物本能;还出只非常强的门户认为只要找来大家,把他们之盘算用逻辑一条条写下,放到计算机里便行……”
杨强以TEDxNanjing谈智能的来

  • 《深度RNN/LSTM用于结构化学习 0)序列标注Connectionist Temporal
    ClassificationICML06》

介绍:1)机器翻译Sequence to Sequence
NIPS14
2)成分句法GRAMMAR AS FOREIGN
LANGUAGE

  • 《Deep
    Learning实战之word2vec》

介绍:网易有道的老三号工程师写的word2vec之辨析文档,从着力的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再到word2vec的各种tricks,公式推导与代码,基本上是网上有关word2vec资料的大合集,对word2vec谢谢兴趣之对象可以省

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机器上的各种编程语言学术和商业的开源软件.与这类似之还有好多如:[DMOZ

  • Computers: Artificial Intelligence: Machine Learning:
    Software](https://link.jianshu.com?t=http://www.dmoz.org/Computers/Artificial_Intelligence/Machine_Learning/Software/), LIBSVM
    — A Library for Support Vector
    Machines, Weka
    3: Data Mining Software in
    Java, scikit-learn:Machine
    Learning in
    Python, Natural
    Language
    Toolkit:NLTK, MAchine
    Learning for LanguagE
    Toolkit, Data
    Mining – Fruitful and
    Fun, Open Source
    Computer Vision
    Library

  • 《机器上入门者学习指南》

介绍:作者是计算机研二(写文章的上,现在凡2015年了应有将毕业了),专业方向自然语言处理.这是一些客的阅历的谈.对于入门的对象或者会生辅助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是同样首关于机器上算法分类的章,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多情节,在此地发出局部底脍炙人口内容就是是缘于机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是同首关于图像分类在深上着之稿子

  • 《自动语音识别:深度上方式》

介绍:作者及Bengio的弟兄Samy 09年合编《自动语音识别:核方法》
3)李开复1989年《自动语音识别》专著,其博导、94年图灵奖得主Raj Reddy作序

  • 《NLP中的国语分词技术》

介绍: 作者是360电商技术组成员,这是一样首NLP在华语分词中之运用

  • 《Using convolutional neural nets to detect facial keypoints
    tutorial》

介绍: 使用deep
learning的丁脸要点检测,此外还有平等篇AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等丁编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界多牛文,涉及CV、NLP等世界,值得一诵读。网上公开之几章草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用高深装逼的数学语言描绘的矩阵概率不等式用初等的不二法门勾勒出来,是大好之手册,领域内的paper各种证明都以用其中的结果。虽说是初等的,但要么要命的难

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费不行数据集,有些已经是熟悉,有些可能要第一不行听说,内容超文本、数据、多媒体等,让他俩陪你起来数据对的同吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的深度上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的议论递归神经网络的稿子,覆盖了RNN的定义、原理、训练与优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还时有发生平等篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了过多之资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望在辩论与执行之间找到平衡点,各重大内容还陪伴有实际例子及数量,书被的例证程序都是用R语言编写的。

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

介绍:IVAN VASILEV写的深度上导引:从浅层感知机到深度网络。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒和福利的人为智能优先研究计划:一查封公开信,目前都出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).这封信的背景是近来霍金同Elon
Musk提醒人们瞩目AI的黑威胁。公开信的始末是AI科学家等站在便民社会之角度,展望人工智能的前程进步动向,提出开发AI系统的Verification,Validity,
Security,
Control四碰要求,以及需要小心的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究比较少。其实还有平等部美剧《疑犯追踪》,介绍了AI的多变从同开始的自己学习,过滤,图像识别,语音识别等判定危险,到第四季的时候出现了机通过上成才之后想控制世界的状态。说到此处推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了诸多资源,还发相关知识结构,路线图,用时长等。号称是”机器上“搜索引擎

  • 《FAIR open sources deep-learning modules for
    Torch》

介绍:Facebook人工智能研究院(FAIR)开源了一致层层软件库,以助开发者建立重老、更快之纵深上型。开放的软件库在
Facebook 被称呼模块。用它们替代机械上园地常用的开支条件 Torch
中之默认模块,可以当重新短的时外训练再度特别范围的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是形容为2012年,但是就首文章意是笔者的经验的作。

  • 《如何变成同员数据科学家》

介绍:本文是指向《机器上实战》作者Peter
Harrington做的一个访谈。包含了开被一些的疑问解答和少数个体学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的深浅上概述,对几种流行的深度上型都进行了介绍与讨论

  • 《Hands-On Data Science with R Text
    Mining》

介绍:主要是讲述了用R语言进行多少挖掘

  • 《Understanding
    Convolutions》

介绍:帮您了解卷积神经网络,讲解很清楚,此外还有点儿篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其他的有关神经网络文章为深棒

  • 《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崛起之论文

  • 《Learning Deep Architectures for
    AI》

介绍:一按上人工智能的书籍,作者是Yoshua
Bengio,相关国内通讯

  • 《Geoffrey E.
    Hinton个人主页》

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

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个用来很快的统计,机器上以对数据量大的数学库

  • 《ICLR
    2015会的arXiv稿件合集》

介绍:在这里你可以看出最近深度上来什么新势头。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信息搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音搜索、网络消息寻找、搜索引擎实现等地方有关的书、研究中心、相关课程、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪法及其于机械上中的采取

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法律相关分析以及展望问题,相关的法规运用包括预测编码、早期案例评估、案件完全状况的前瞻,定价以及工作人员预测,司法行为预测等。法律领域大家兴许还较陌生,不妨了解下。

  • 《文本上之算法》

介绍:
文中提到了最良好,模型,最大熵等等理论,此外还有使用篇。推荐系统可说凡是平等遵照对的阅读稿,关于模型还援引一首Generative
Model 与 Discriminative
Model

  • 《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的打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自带了一个训练好之动物模型,你得拿狮子大象的肖像来试试看看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了于Hadoop2.0及利用深度上,文章来源paypal

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

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

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计和报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个操机器上之Youtube视频教程。160凑。系统程度跟书可比拟。

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

介绍:
机器学习着之数学,作者的研究方向是机器上,并行计算如果你还眷恋了解一些别样的可看他博客的任何文章

  • 《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

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句之挑三拣四

  • 《Learning Semantic Representations Using Convolutional Neural
    Networks for Web Search

介绍: CNN用于WEB搜索,深度上以文书计算中的施用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中的明数据集

  • 《Search Engine &
    Community》

介绍: 一个学问搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度极抢之NLP库,快的原因同样凡为此Cython写的,二凡是因此了单特别抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields是只数学研究中心,上面的及时卖ppt是出自Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的藏论文》

介绍: Topic modeling 的经典论文,标注了首要点

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

介绍:
多伦多大学暨Google合作的初论文,深度上呢可以为此来下围棋,据说能达到六截水平

  • 《机器上周刊第二梦想》

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

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

介绍: 18 free eBooks on Machine Learning

  • 《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

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

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经用了963首经过分类的深浅上论文了,很多经文论文都早就选定

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

介绍: Radim
Řehůřek(Gensim开发者)在相同糟糕机器上聚会及之喻,关于word2vec会同优化、应用以及壮大,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多局还为此机器上来解决问题,提高用户体验。那么怎么好被机器上再实时和行呢?Spark
MLlib 1.2里头的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为了实时处理他们各半时1TB底钻研数据,现在宣布于大家于是了。

  • 《LDA入门与Java实现》

介绍:
这是一律首面向工程师的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并力所能够和地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学术搜索引擎,从学术网络中开深度知识、面向科技大数目的打。收集近4000万作者信息、8000万舆论信息、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。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec的趣应用,Omer
Levy提到了他在CoNLL2014超级论文里之剖析结果跟新章程,Daniel
Hammack给来了搜寻特异词的有些应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的小课程都归档过了,但是还有个别的信尚未。感谢课程图谱的小编

  • 《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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个口脸图像识别库。包含正面与多视角丁脸检测两只算法.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。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015最为佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加深切一些。通过全局的安宁分布去求解每个节点影响系数模型。假设合理(转移受到附近的影响系数影响)。可以为此来反求每个节点的震慑系数

  • 《机器上入门书单》

介绍:机器上入门书籍,现实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常高的强调特征选择对分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再用节能贝叶斯分类器,取得了比SVM更美好之效力,训练及分类时间吧大大降低——更主要之凡,不必花费大量光阴以求学及优化SVM上——特征呢一样no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和计算机有关知名教授Larry Wasserman
在《机器崛起》,对比了统计和机器上之反差

  • 《实例详解机器上怎么样解决问题》

介绍:随着大数量时代的来临,机器上变成化解问题的相同种主要且要之工具。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器上之钻研各个发生侧重,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。这篇稿子是美团的其实条件遭受之实战篇

  • 《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、模型选择跟超参优化、高斯模型与其它模型关系、大数据集的压方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下的文件模糊匹配库,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

  • 《Blocks》

介绍:Blocks是因Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你还快地创建同管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一巴的机器上入门课程”Introduction to
Machine
Learning“近期正好开拍,课程4K高清视频一起到Youtube上,目前恰恰更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣的同窗可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的合特征,可更好地表述图片内容相似性。由于不负让人工标签(标注),可用来大规模图片处理,难在用户作为数据的取得与清洗;利用社会化特征的笔触值得借鉴.

  • 《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时光序列非常检测算法(S-H-ESD)R包的介绍,其中对那个的定义跟分析好值得参考,文中也关乎——异常是高针对性的,某个世界支出的死去活来检测在任何世界直接用而不行.

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

介绍:聚焦数据质量问题的答复,数据质量对各种框框企业的性能及效率都紧要,文中总结发生(不制止)22种典型数据质量问题显现的信号,以及卓越的数额质量解决方案(清洗、去又、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的尺度仍机场(CRF)介绍文章,作者的求学笔记

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

介绍: 来自Stanford,用神经网络实现高效准确之依存关系解析器

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

介绍:做深上怎么抉择GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授于H2O.ai
Meet-Up上之告诉,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年以及主题报告
、讲义.

  • 《Awesome Computer
    Vision》

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!作者的创新频率也生频繁

  • 《Adam
    Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《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.

  • 《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.

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

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来描写NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

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)并且包含集成学习之思辨:组合了BM11及BM15少个模型。4)作者是BM25底提出者和Okapi实现者Robertson.

  • 《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是研讨时序列的重要方式,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.

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

介绍: 把自target的attention signal加入source encoding
CNN的输入,得到了比BBN的范好的多neural network joint model

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

介绍:
揭开印度菜之鲜秘诀——通过对大量菜谱原料关系之打,发现印度菜肴香的来由之一是内部的意味互相冲突,很有趣之文书挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与该降序排序的涉及,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与怪低频词的抒写 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

  • 《I am Jürgen Schmidhuber,
    AMA》

介绍: Jürgen Schmidhuber在Reddit上之AMA(Ask Me
Anything)主题,有那么些RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信你吗会见受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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。下载最简易的点子,通过BT软件,RSS订阅各集合即可

  • 《机器上相速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的周全硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

  • 《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】在脸识别及你本人还是师,即使细微之出入也能辨识。研究都证明人类同灵长类动物在面加工上不同让其它物种,人类用梭状回面孔区(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通盘结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调剂梯度下降与可调节动量法设计和编码经典BP神经网络,网络经过训练可以做出惊人和良好的物下。此外作者博客的其余文章吧深正确。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实际上行使场景NN选择参考表,列举了一些一流问题建议使用的神经网络

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

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

  • 《Deep Learning
    Tutorials》

介绍:深度上课程

  • 《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: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.

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

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

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文自Databricks公司网站的相同首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们当MLlib中之分布式实现,以及展示一些简练的事例并提议该打哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

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,目前可处理面临英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》
思路实现.

  • 《神经网络语言模型》

介绍:本文根据神经网络的上进进程,详细讲解神经网络语言模型在相继阶段的样式,其中的模子包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重大变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之新研究:利用文本及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优厚方案源码及文档,包括总体的数额处理流程,是学习Python数据处理及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理和图像分析的钻研期刊,每篇文章还饱含一个算法和相应的代码、Demo和试验文档。文本及源码是通过了同行评审的。IPOL是开放之正确和可再次的研究期刊。我一直想做点类似的做事,拉近产品与技艺中的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数据快速分类问题.

  • 《purine2》

介绍:新加坡LV实验室的神经网络并行框架Purine: A bi-graph based deep
learning
framework,支持构建各种互动的架构,在多机多卡,同步更新参数的景象下中心达成线性加速。12片Titan
20钟头可就Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然于少.但蚊子再聊吗是肉.有隆起部分.此外还有一个出于zheng
Rui整理的机器上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是千篇一律依照自然语言处理的词典,从1998年始发至眼前累积了众的正统词语解释,如果您是同样员刚刚入门的朋友.可以借这按照词典让自己成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年交今天的比赛数据,用PageRank计算世界杯参赛球队排名榜.

  • 《R
    Tutorial》

介绍:R语言教程,此外尚援引一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区发现的短平快算法,Gephi中的[Community
detection](The Louvain method for community detection in large
networks)即基于此.

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《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

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

介绍: 决策树

  • 《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

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化和人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机械上的木本,值得深刻学
国内云(视频)

  • 《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

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做大规模LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

介绍: 基于深度上之大都标签分类,用基于RBM的DBN解决多标签分类(特征)问题

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内产生热情的心上人翻译了中文版,大家为堪在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数目挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常有力的Python的数量解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文件分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研与Theano的开端测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等人谈话深度上之新书,还未定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下起来源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language
    processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数码科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种都开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的章程呢能够同word2vec得多的效应。另外,无论作者怎么碰,GloVe都于不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着的要紧数学概念.

  • 《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异常好.心想事成代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编制课程也机械上(10-715)和中路统计学(36-705),聚焦统计理论与艺术在机上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法及自由优化学科》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之心上人一定要探望,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数据利用》

介绍:生物医学的SPARK大数目应用.并且伯克利开源了他们之big data
genomics系统ADAM,其他的内容好关心一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或者机器翻译技术感兴趣的亲们,请以提出自己牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有这世界几雅顶会的舆论列表,切不可断章取义,胡乱假设.

  • 《Twitter Sentiment Detection via Ensemble Classification Using
    Averaged Confidence
    Scores》

介绍:论文+代码:基于集成方法的Twitter情感分类,兑现代码.

  • 《NIPS 2014 CIML
    workshop》

介绍:NIPS CiML 2014之PPT,NIPS是神经信息处理系统进展大会的英文简称.

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福的深上课程的Projects 每个人且使描绘一个论文级别的报告
里面来一部分充分有趣的使 大家好看看 .

  • 《A Speed Comparison Between Flexible Linear Regression
    Alternatives in
    R》

介绍:R语言线性回归多方案速度较实际方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

  • 《Back-to-Basics Weekend Reading – Machine
    Learning》

介绍:文中提到的老三篇论文(机器上那些从、无监控聚类综述、监督分类归纳)都非常经典,Domnigos的机上课为蛮理想

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的纵深上之票房价值理论.

  • 《Nonsensical beer reviews via Markov
    chains》

介绍:基于马尔可夫链自动生成啤酒评论的开源Twitter机器人,github地址.

  • 《Deep Learning for Natural Language Processing (without
    Magic)》

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近以McGill
University研讨会上的语,还提供了一致层层讲话机器上方法的ipn,很有价
GitHub.国内

  • 《Beyond Short Snippets: Deep Networks for Video
    Classification》

介绍:基于CNN+LSTM的视频分类,google演示.

  • 《How does Quora use machine learning in
    2015?》

介绍:Quora怎么用机器学习.

  • 《Amazon Machine Learning – Make Data-Driven Decisions at
    Scale》

介绍:亚马逊在机器上地方的一对使,代码示例.

  • 《Parallel Machine Learning with scikit-learn and
    IPython》

介绍:并行机器学习指南(基于scikit-learn和IPython).notebook

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机器上基本概念教学.

  • 《DeepCLn》

介绍:一个冲OpenGL实现的卷积神经网络,支持Linux及Windows系.

  • 《An Inside Look at the Components of a Recommendation
    Engine》

介绍:基于Mahout和Elasticsearch的推介系统.

  • 《Forecasting in Economics, Business, Finance and
    Beyond》

介绍:Francis X. Diebold的《(经济|商业|金融等领域)预测方法.

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

  • 《A comparison of open source tools for sentiment
    analysis》

介绍:基于Yelp数据集的开源情感分析工具于,评测覆盖Naive
Bayes、SentiWordNet、CoreNLP等 .

  • 《Pattern Recognition And Machine
    Learning》

介绍:国内Pattern Recognition And Machine
Learning读书会资源集中,各章pdf讲稿,博客.

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析和数据挖掘的几率数据结构.

  • 《Machine learning in navigation devices: detect maneuvers using
    accelerometer and
    gyroscope》

介绍:机器上以导航者的应用.

  • 《Neural Networks Demystified

介绍:Neural Networks Demystified系列视频,Stephen
Welch制作,纯手绘风格,浅显易懂,国内云.

  • 《swirl + DataCamp

介绍:{swirl}数据训练营:R&数据对在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上及RNN的议论 Sequence to Sequence Learning with Neural
Networks.

  • 《深度加深学习(Deep Reinforcement
    Learning)的资源》

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

介绍:(PyCon2015)Scikit-Learn机器学习课程,Parallel Machine Learning with
scikit-learn and
IPython.

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春天学期CMU的机器上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.国内镜像.

  • 《Big Data
    Processing》

介绍:大数量处理课.内容覆盖流处理、MapReduce、图算法等.

  • 《Spark MLlib: Making Practical Machine Learning Easy and
    Scalable》

介绍:用Spark
MLlib实现好用而扩大的机械上,国内镜像.

  • 《Picture: A Probabilistic Programming Language for Scene
    Perception》

介绍:以往上千履行代码概率编程(语言)实现只需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,除此以外一个,此外尚推荐《A
new data processing workflow for R: dplyr, magrittr, tidyr,
ggplot2》.

  • 《Using Structured Events to Predict Stock Price Movement: An
    Empirical
    Investigation》

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted
    paper》

介绍:国际人工智能联合会议选用论文列表,大部分舆论而使Google找到.

  • 《Why GEMM is at the heart of deep
    learning》

介绍:一般矩阵乘法(GEMM)对纵深上的主要性.

  • 《Distributed (Deep) Machine Learning
    Common》

介绍:A Community of awesome Distributed Machine Learning C++ projects.

  • 《Reinforcement Learning: An
    Introduction》

介绍:免费电子书<强化学习介绍>,第一版(1998),第二版(2015草稿),相关学科资料,Reinforcement
Learning.

  • 《Free ebook: Microsoft Azure Essentials: Azure Machine
    Learning》

介绍:免费写:Azure ML使用精要.

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

介绍:A Deep Learning Tutorial: From Perceptrons to Deep Networks.

  • 《Machine Learning is Fun! – The world’s easiest introduction to
    Machine
    Learning》

介绍:有趣之机上:最明白入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

介绍:CNN开源实现横向评测,参评框架包括Caffe 、Torch-7、CuDNN
、cudaconvnet2 、fbfft、Nervana Systems等,NervanaSys表现突出.

  • 《This catalogue lists resources developed by faculty and students
    of the Language Technologies
    Institute.》

介绍:卡耐基梅隆大学计算机学院语言技术系的资源全,包括大气之NLP开源软件工具确保,基础数据集,论文集,数据挖掘教程,机器上资源.

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

转载请注明作者Jason Ding及其出处
GitCafe博客主页(http://jasonding1354.gitcafe.io/)
Github博客主页(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
简书主页(http://www.jianshu.com/users/2bd9b48f6ea8/latest\_articles)
百度搜索jasonding1354上自家之博客主页

相关文章