香港澳门葡京网址机上与深度上资料

  • 《Brief History of Machine
    Learning》

介绍:这是同等篇介绍机器上历史的篇章,介绍很周全,从感知机、神经网络、决策树、SVM、Adaboost到自由森林、Deep
Learning.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的行版本《神经网络与深度上综述》本综述的特色是为时排序,从1940年始于出口起,到60-80年间,80-90年间,一直讲到2000年后以及近年来几乎年之展开。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:这是千篇一律份python机器上库,如果你是如出一辙各类python工程师而且想深入之上机器学习.那么就首文章或能扶助及你.

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

介绍:这同样篇介绍如果计划及管制属于你自己之机器上型之文章,里面提供了保管模版、数据管理以及执行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还无懂得呀是机器上,或则是刚上感觉到不可开交枯燥乏味。那么推荐一朗诵。这首文章已被翻译成中文,如果产生趣味可以走http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机械上之要害语言,有那么些的冤家想学习R语言,但是连忘记一些函数和根本字的义。那么这篇稿子或能帮忙到您

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该如何抉择机器上算法,这首稿子于直观的比较了Naive
Bayes,Logistic
Regression,SVM,决策树等措施的好坏,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了之版:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深度网络,作者对例子的选、理论的介绍都非常到位,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:<机器上及优化>这是同样论机器上的小册子,
短短300多页道尽机器学习之方方面面. 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, 也符合老手温故而知新.
比由MLAPP/PRML等大部头,
也许这按照你又需!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上及统计上理论》

介绍:作者是自百度,不过他自身已以2014年4月份报名离职了。但是这首文章非常不错如果您无清楚深度上与支持为量机/统计上理论出啊关系?那么应该这看看就首文章.

  • 《计算机是中的数学》

介绍:这本书是由于谷歌公司跟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

  • 《信息时代的微机是理论(Foundations of Data
    Science)》

介绍:信息时代的处理器对理论,目前国内发生纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是千篇一律随由雪城大学新编的第二版本《数据正确入门》教材:偏实用型,浅显易懂,适合想学习R语言的同学选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是一样首文档或书籍。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:不会见统计怎么惩罚?不了解哪选择合适的统计模型怎么收拾?那这首文章你的漂亮读一朗诵了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了一致篇有关automatic
statistician的章。可以自动选择回归模型类别,还能自行写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上和representation learning最新进展发趣味的校友可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是均等按信息寻找相关的书,是由于斯坦福Manning同谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美绝让欢迎之音搜索教材有。最近作者多了该科目的幻灯片和课业。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摆精美的觊觎来诠释机器上要概念: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

  • 《雅虎研究院的多少集汇总》

介绍:雅虎研究院的数量集汇总:
包括语言类数据,图以及社交类数据,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,并且以2014年元月就开课: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材料汇集是总揽为机上新大方推荐的甲学习资源,帮助新家快速入门。而且就首文章的牵线就让翻成中文版。如果您稍微熟悉,那么自己建议您先看一样看押中文的牵线。

  • My deep learning reading
    list

介绍:主要是挨Bengio的PAMI
review的篇章找出来的。包括几随综述文章,将近100首论文,各位山头们的Presentation。全部且可当google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是相同比照书籍,主要介绍的是跨语言信息搜索方面的学识。理论很多

  • 追推荐引擎内部的秘密,第 1 部分:
    推荐引擎初探

介绍:本文共有三个系列,作者是根源IBM的工程师。它最主要介绍了推介引擎相关算法,并扶持读者很快的贯彻这些算法。
探讨推荐引擎内部的私房,第 2 有些: 深度推荐引擎相关算法 –
协同过滤,追推荐引擎内部的秘,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有关助手教授David
Mimno写的《对机械上新大家的一些建议》,
写的怪实在,强调实行以及理论做,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寡

介绍:这是同随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 的童鞋可以参见下

  • 《“机器上”是啊?》

介绍:【“机器上”是啊?】John
Platt是微软研究院独立科学家,17年来他直接在机器上园地耕耘。近年来机器上变得炙手可热,Platt和共事们遂决定设立博客,向公众介绍机器上之研究进展。机器上是什么,被利用在乌?来拘禁Platt的立首博文

  • 《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)已经于6月21-26日在国会中心繁华举办。本次大会由微软亚洲研究院同清华大学合主办,是此有30大多年历史并著名世界之机械上园地的盛会首不良到中国,已成吸引世界1200差不多各项专家的报名与。干货很多,值得深入上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首稿子主要是坐Learning to
Rank为例说明企业界机器上的切切实实以,RankNet对NDCG之类不灵活,加入NDCG因素后成为了LambdaRank,同样的合计从神经网络改也利用及Boosted
Tree模型就形成了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一叫作得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文也:
From RankNet to LambdaRank to LambdaMART: An
Overview
除此以外,Burges还有许多名的代表作,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纵深上之基本点观点。通过学习,你吗以实现多只作用上/深度上算法,能望其啊汝办事,并学习怎样用/适应这些想法到新题材达成。本课程假定机器上的基本知识(特别是习的督察上,逻辑回归,梯度下降的想法),如果您免熟识这些想法,我们建议您去这里机械上课程,并先行就第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已经发生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。如果需要了明白,需要肯定之机械上基础。不过有点地方会于丁面前相同亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是一律首介绍图像卷积运算的稿子,讲的早已算是比较详细的了

  • 《Machine Learning Summer
    School》

介绍:每天要一个大牛来讲座,主要涉及机械上,大数量解析,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器上开源库总结,如果您看此碉堡了,那后面是列表会再次受您怪:【Awesome
Awesomeness】,国内已发出热情的对象进行了翻译中文介绍,机器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、斯坦福大学电脑系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)
作业及考试呢可下载。

  • 《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,已经勾勒了三回了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的福音。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台以及开源之机械上库,按照好数量、NLP、计算机视觉与Deep
Learning分类开展了整。看起挺全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太基本的入门文章,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。很多下困惑人们都是,很多算法是一样近似算法,而有些算法又是于旁算法中延长出的。这里,我们于少个点来吃大家介绍,第一单方面是上学之法,第二只面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你已了解了凡啊内容,没错。里面来许多经文的机器上论文值得仔细跟反复的读。

  • 《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。

  • 《机器上藏书籍》

介绍:总结了机械上的经文书籍,包括数学基础和算法理论的书,可开也入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16准机器上的电子书,可以下载下来当pad,手机方面任意时刻去阅读。不多我建议乃看了一如约再下充斥同依照。

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

介绍:标题非常怪,从新手到学者。不过看了上面有材料。肯定是师了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的死多,而且自己既帮助您摸手拉手了。

  • 《Sibyl》

介绍: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。

  • 《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:计算机视觉入门的推行人检测

  • 《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:这同时是同样首机器上新家的入门文章。值得一诵读

  • 《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 & 机器上 &
    数据挖掘兵器谱》

介绍:python的17单关于机器上的工具

  • 《神奇之伽玛函数(上)》

介绍:下集在此间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,王益博士毕业后当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之所见所闻。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级,每级需要学习的课本和摆布的学问。这样,给机器学习者提供一个提高的路图,以免走弯路。另外,整个网站都是有关机器上的,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:这是一模一样以来自小的研究员 li Peng和Dong
Yu所出示的有关深度上的法门和用的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机器上夏季课刚刚完结
有将近50时的视频、十大抵独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名讲师都是牛人: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的科普机器上系统》

介绍:在当年之IEEE/IFIP可靠系统及网(DSN)国际会议及,Google软件工程师Tushar
Chandra做了一个关于Sibyl系统的主题演讲。
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。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及略地介绍了她们当年到位ImageNet取得好成绩的GoogLeNet系统.是有关图像处理的。

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

介绍:贝叶斯学习。如果不是老绝望可省概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友发问伯克利机器上大牛、美国夹院士Michael I.
Jordan:”如果您发10亿美金,你怎么花?Jordan:
“我会见因此当下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,此外作者还有局部外的机器上和数挖掘文章和深上文章,不仅是理论还有源码。

  • 《文本和数量挖掘视频汇总》

介绍:Videolectures上极给欢迎之25个文件和数据挖掘视频汇总

  • 《怎么选择深度上之GPUs》

介绍:在Kaggle上时常得不错成绩的Tim
Dettmers介绍了他协调是怎么取舍深度上的GPUs,
以及个体怎么构建深度上之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此科目翻译成了华语。如果您英语不好,可以省这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上以媒体界被炒作死厉害(就比如非常数据)。其实过多口还还不知情啊是深浅上。这篇稿子由浅入深。告诉你深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学开的相同免费课程(很勉强),这个可以让你在深上之路上让您一个念的笔触。里面涉及了一部分基本的算法。而且告诉你怎样去动及骨子里条件遭到。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识别图片标签/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,阅读之情节要来肯定的根底。

  • 《R工具包的归类集中》

介绍: (CRAN Task Views,
34种常见任务,每个任务而分别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,多更变量分析,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:
机器学习的是眼前数码解析世界的一个热内容。很多人数当平常之做事遭到都还是多或者遗失会因此到机械上之算法。本文也卿总结一下广泛的机械上算法,以供应你在工作暨读书着参考.

  • 《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少数独密密麻麻。另外还作者还了一个文章导航.非常之谢作者总结。

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(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)学习笔记整理系列之(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苏的NIPS 2013课程。有mp4,
mp3,
pdf各种下载
他是纽约大学教授,目前吗当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开支之开源中文自然语言处理(NLP)工具确保
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、语法分析等效果,对寻找引擎
文本分析等远有价。

  • 《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,但又坏想深造机器上的冤家。是一个死之有利。机器上周刊目前任重而道远提供中文版,还是面向周边国内爱好者,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》的严重性数学先导课程。其实《线代》这门课称得浅显易懂特别不便于,如果同齐来即使叙逆序数及陈行列式性质,很爱为学生去学习之志趣。我个人推举的最佳《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、工具不完备列表,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:雅虎邀请了一样叫做来自本古里安大学之访问学者,制作了一致模拟关于机器上的层层视频课程。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论争基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着老数据时代,量子机器上的首先只实验 paper
下载

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

介绍:Wired杂志报导了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),最后到底得到了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开拍,该课属于MIT研究生级别的课,对机器人和非线性动力系统感兴趣之心上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年开头在电脑对的舆论中给引用次数最多的舆论

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

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的算法框架,共享出来了。欢迎大家使用。可以实时的收集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会见持续公开。

  • 《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),怎样更好读书她?可以叫你当浏览器被,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,当您开写代码,一切以变得一清二楚。他正颁布了相同本书籍,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
讲述工业界和知识界机器上的异议,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,而且还针对性有些资料做了诠释。

  • 《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:机器上教会了我们什么?

  • 《scikit-learn:用于机器上的Python模块》

介绍:scikit-learn是以SciPy基础及构建的用于机器上之Python模块。

  • 《对话机器上大神Michael
    Jordan:解析领域面临个模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上世界神经网络的大牛,他针对纵深上、神经网络有着充分厚的趣味。因此,很多提问的问题被寓了机器上世界的各模型,乔丹教授对准这一一做了说与展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*追寻是人造智能基本算法,用于高效地摸图中有数接触之顶尖路线,
核心是 g(n)+h(n):
g(n)是自起点至顶点n之实在代价,h(n)是顶点n到对象顶点的量代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档用了Microsoft Azure,可以在几乎瓜分种内就NLP on Azure
Website的配置,立即开始对FNLP各种特色的试用,或者以REST
API的样式调用FNLP的言语分析效益

  • 《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。计算机科学研究所入所长.内部课程

  • 《机器上入门资源不净集中》》

介绍:好东西的干货真的多

  • 《收集从2014年始于深度上文献》

介绍:从硬件、图像及正常、生物、大数目、生物信息更至量子计算等,Amund
Tveit等保护了一个DeepLearning.University小项目:收集从2014年起来深度上文献,相信可以看做深度上之起点,github

  • 《EMNLP上点滴篇有关股票方向的下论文

介绍:EMNLP上简单首关于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:作者是深浅上一丝特别牛Bengio组写的教程,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:许多习俗的机器上任务都是当上function,不过谷歌目前发生始发念算法的可行性。谷歌另外的立刻首学习Python程序的Learning
to
Execute为闹相似之处

  • 《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有关信息搜索和自然语言处理的篇章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的分辨上之以,此外还有一定量独。一个凡甄别垃圾以及假信息之paper.还起一个凡是网络舆情及其分析技术

  • 《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头。

  • 《大数额解析:机器上算法实现之嬗变》

介绍:本章中笔者总结了三替机上算法实现之演化:第一代表非分布式的,
第二替代工具而Mahout和Rapidminer实现基于Hadoop的扩充,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,分析与机具视觉》

介绍:讲计算机视觉的季总统奇书(应该叫经典吧)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最新的引进系统文章Browsemaps》

介绍:里面基本没干到现实算法,但笔者介绍了CF在LinkedIn的居多使用,以及他们在举行推荐过程中获的一对更。最后一漫漫经验是应有监控log数据的质地,因为推荐的质地大倚重数据的身分!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初学者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

  • 《利用深度上及坏数额构建对话系统

介绍:如何下深度上与那个数目构建对话系统

  • 《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,以及当图像及视觉及之采用,而且首先片段关于Why does
the l1-norm induce sparsity的讲也异常不错。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上着重要之概念,其在large
margin分类器上的使也是广为熟知的。如果没有比较好的数学基础,直接掌握RKHS可能会见不错。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:许多同室对机械上及深度上的疑惑在于,数学方面现已约知道了,但是动于手来也休了解怎么下手写代码。斯坦福深度上博士Andrej
Karpathy写了千篇一律首实战版本的吃水上及机上课程,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

  • 《机器上算法的同》

介绍:本文会了千篇一律任何最盛的机械上算法,大致了解怎么措施可用,很有帮带。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有不少有关机器上、信号处理、计算机视觉、深入上、神经网络等世界的大气源代码(或只是实施代码)及有关论文。科研写论文的好资源

  • 《NYU
    2014年之吃水上课程资料》

介绍:NYU 2014年之纵深上课程资料,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:数量挖掘十那个经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100只很棒的种类

  • 《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护在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,使用机器上以图像、视频语义分析世界得到了科研及工程上之突破,发的篇章不多,但每个都好实在,在列一个问题达到且好了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(或者叫做CIKM Competition)是ACM
CIKM举办的国际数码挖掘竞赛的名号。

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是如出一辙各类英国诞生的计机学家和心理学家,以那于神经网络方面的奉献闻名。辛顿是倒为传来算法和对待散度算法的发明人之一,也是深上之积极向上推进者.

  • 《自然语言处理的深度上理论同事实上》

介绍:微软研究院深度学习技术中心于CIKM2014
上有关《自然语言处理的深浅上理论以及实际》教学讲座的幻灯片

  • 《用大数量和机具上做股票价格预计》

介绍: 本文基于<支持为量机的一再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活动预测模型。(股票来风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上的若干争辩问题》

介绍:徐宗本
院士将吃爱机器上的伴侣联手追有关于机器上之几乎单理论性问题,并被有部分来义之定论。最后经过一些实例来验证这些理论问题之情理意义以及事实上应用价值。

  • 《深度上以自然语言处理的采用》

介绍:作者还显得有《这就是是寻找引擎:核心技术详解》一开,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:人脸识别必读文章推荐

  • 《推荐系统经典论文文献与业界应用》

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”机器上及其应用”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票房价值统计模型并应用模型对数据开展预测与分析的如出一辙派别是,统计上吧改为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之对象是本着电脑编程,以便利用样本数量还是以往之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

  • 《人工智能与机器上园地有趣的开源项目》

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:此外作者还有平等篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了同样首超赞的数值优化博文,从牛顿法讲到起牛顿法,再称到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:还有续集肯定深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数据以及机具上的结合》

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与deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并当骨子里比间比调参数与清数据。
如果都装过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提供了常用汉字常量,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:这篇说将多年来型识别达到的突破用到围棋软件达到,打16万布置业棋谱训练模型识别功能。想法是。训练后即会一气呵成决不计算,只看棋盘就受来下一致步,大约10层棋力。但立刻篇稿子最过乐观,说啊人类的终极一块堡垒马上将过掉了。话说得极度早。不过,如果同别的软件成该还有潜力可开。@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重新审稿的语,会发出一半的舆论被拒绝。

  • 《2014年超级的百般数据,数据科学文章》

介绍:KDNuggets分别总结了2014年14个阅读最多和享受最多之章。我们从中可以看出多独主题——深度上,数据科学家职业,教育与薪酬,学习数据正确的工具比如R和Python以及群众投票的最好让欢迎的多寡是与数量挖掘语言

  • 《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,作者还来另异常硬的章援引可省

  • 《2014中国生数据技术大会33各中心专家发言PDF》

介绍:2014华雅数据技术大会33号中心专家发言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在感情分析功能不错,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前凡是空的)。这意味Paragraph
Vector终于揭秘面纱了呗。

  • 《NLPIR/ICTCLAS2015私分词系大会上的技艺演讲

介绍:NLPIR/ICTCLAS2015瓜分词系发布暨用户交流大会上之发言,请复多朋友检阅新版分词吧。
我们实验室同学的演说包括:孙梦姝-基于评论意见挖掘的货色搜索技术研讨
李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的相反往求导及练习》

介绍:介绍CNN参数在利用bp算法时该怎么训练,毕竟CNN中产生卷积层和下采样层,虽然与MLP的bp算法本质上同,但形式达到或略微区别之,很明显在成就CNN反朝传来前询问bp算法是必的。此外作者也召开了一个资源聚合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果一旦以同一篇稿子中匹配配十万单第一词怎么处置?Aho-Corasick
算法利用上加了回来边的Trie树,能够以线性时间内就匹配。
但如果配合十万个正则表达式呢 ?
这时节可以用到管多只刚刚则优化成Trie树的方,如日本总人口形容的
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,作者目前在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实现的开源人工神经网络库

介绍:LambdaNetLambdaNet是出于Haskell实现的一个开源之人工神经网络库,它抽象了网创建、训练并以了高阶函数。该库还提供了同等组预定义函数,用户可用多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,那么这宗核心课程你不能不深入了解。

  • 《杨强以TEDxNanjing谈智能的来源于》

介绍:”人工智能研究分多门户。其中某为IBM为代表,认为只要发生胜过性能计算就可得智能,他们的‘深蓝’击败了世界象棋冠军;另一样门认为智能来自动物本能;还时有发生只雅强的门户认为要找来专家,把他们的沉思用逻辑一条条写下,放到计算机里虽执行……”
杨强在TEDxNanjing谈智能的源

  • 《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:网易有道的老三各类工程师写的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,再届word2vec底各种tricks,公式推导与代码,基本上是网上有关word2vec材料的大合集,对word2vec感谢兴趣之对象可望

  • 《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买卖的开源软件.与之类似之还有多如:[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(写文章的时光,现在凡2015年了相应将毕业了),专业方向自然语言处理.这是少数他的涉的谈.对于入门的情人可能会发生帮助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是均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内容,在这边产生有之名特优内容就是出自机器上日报.

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

介绍:这是如出一辙首关于图像分类在深上着的文章

  • 《自动语音识别:深度上道》

介绍:作者和Bengio的哥们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,这是相同首NLP在国语分词中之应用

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

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

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人口编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界众多牛文,涉及CV、NLP等世界,值得一诵读。网上公开的几节草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用大深装逼的数学语言描绘的矩阵概率不等式用初等之不二法门勾勒出来,是好好之手册,领域外的paper各种证明还以就此中的结果。虽说是初等的,但要么要命之难以

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费杀数据集,有些已是熟悉,有些可能要率先赖听说,内容超过文本、数据、多媒体等,让她们陪你从头数据科学的一起吧,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的纵深上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的座谈递归神经网络的章,覆盖了RNN的定义、原理、训练以及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还生同等篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了众的资源,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,该手册希望当争鸣同实施之间找到平衡点,各重大内容还陪有实在例子及数,书被的事例程序还是为此R语言编写的。

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

介绍:IVAN VASILEV写的纵深上导引:从浅层感知机到深网络。高只是读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒及便民之人造智能优先研究计划:一封闭公开信,目前曾经产生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签The Future of Life
Institute
(FLI).这封信的背景是多年来霍金以及Elon
Musk提醒人们注意AI的潜在威胁。公开信的内容是AI科学家等站于有利于社会的角度,展望人工智能的未来向上方向,提出开发AI系统的Verification,Validity,
Security,
Control四接触要求,以及用专注的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究于少。其实还有同统美剧《疑犯追踪》,介绍了AI的形成从同开始之自家学习,过滤,图像识别,语音识别等看清危险,到第四季的时刻出现了机通过上成长之后想控制世界之状态。说及这边推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了无数资源,还发生有关文化结构,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)开源了一致多元软件库,以协助开发者建立重怪、更快之深上型。开放的软件库在
Facebook 被誉为模块。用其替代机械上世界常用之开支环境 Torch
中的默认模块,可以于重新短的流年外训练还怪局面的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是摹写为2012年,但是及时首文章完全是笔者的阅历的作。

  • 《如何变成平等各数据科学家》

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

  • 《Deep learning from the bottom
    up》

介绍:非常好之纵深上概述,对几乎种植流行的深上型都开展了介绍和议论

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

介绍:主要是描述了动用R语言进行数据挖掘

  • 《Understanding
    Convolutions》

介绍:帮您懂卷积神经网络,讲解很鲜明,此外还有零星篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其它的有关神经网络文章也罢深过硬

  • 《Introduction to Deep Learning
    Algorithms》

介绍:Deep Learning算法介绍,里面介绍了06年3首让deep learning崛起之舆论

  • 《Learning Deep Architectures for
    AI》

介绍:一依上人工智能的书,作者是Yoshua
Bengio,相关境内通讯

  • 《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和课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个就此来很快的统计,机器上又于数据量大之数学库

  • 《ICLR
    2015集会的arXiv稿件合集》

介绍:在此地而可以观看最近深度上有什么新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在消息搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音讯搜索、网络信息寻找、搜索引擎实现等地方有关的书、研究中心、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:信息几哪里法及其于机器上中的使用

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法律相关分析以及展望问题,相关的法度运用包括预测编码、早期案例评估、案件完全情况的展望,定价和工作人员预测,司法行为预测相当。法律领域大家也许都比较陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中涉及了最优良,模型,最大熵等等理论,此外还有用篇。推荐系统可说凡是平等随科学的阅读稿,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的由图像生成自然语言描述的家伙。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个教练好的动物模型,你可以拿狮子大象的肖像来尝试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了当Hadoop2.0达成用深度上,文章来源paypal

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

介绍:用基于梯度下降的法门训练深度框架的实践推荐指导,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: 一个曰机器上的Youtube视频教程。160聚。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上,并行计算如果你还想了解一些别样的得看他博客的别文章

  • 《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精选

  • 《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利用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中之公开数据集

  • 《Search Engine &
    Community》

介绍: 一个学搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快最好抢的NLP库,快的由来一样凡故Cython写的,二是为此了单要命抢眼的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举凡单数学研究中心,上面的就卖ppt是来源于Fields举办的活动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经典论文》

介绍: Topic modeling 的经论文,标注了重要点

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

介绍:
多伦多大学和Google合作的新论文,深度上吧得以用来下围棋,据说能够上六段水平

  • 《机器上周刊第二意在》

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篇经过分类的纵深上论文了,很多经典论文还已用

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

介绍: Radim
Řehůřek(Gensim开发者)在平等涂鸦机器上聚会上的报,关于word2vec及其优化、应用以及壮大,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多店家还为此机器上来解决问题,提高用户体验。那么怎么好叫机器上再实时和行之有效吗?Spark
MLlib 1.2里头的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为着实时处理他们各半钟头1TB之钻研数据,现在宣布为大家用了。

  • 《LDA入门与Java实现》

介绍:
这是如出一辙首面向工程师的LDA入门笔记,并且提供相同客开箱即用Java实现。本文仅记录基本概念与原理,并无干公式推导。文中的LDA实现基本组成部分以了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,从学术网络中开深度知识、面向科技大数据的挖。收集近4000万作者信息、8000万论文信息、1亿几近引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上之主题,讨论Word2Vec的有趣应用,Omer
Levy提到了外于CoNLL2014顶尖论文里的剖析结果以及初方式,Daniel
Hammack给起了搜索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,虽然里的粗课程就归档过了,但是还有个别的音信没有。感谢课程图谱的小编

  • 《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年的信仰

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个丁脸图像识别库。包含正面与多视角人数脸检测两单算法.优点:速度快(OpenCV
haar+adaboost的2-3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极度佳论文
把马尔可夫链理论用当了图分析者,比一般的propagation
model更加深刻一些。通过全局的安澜分布去求解每个节点影响系数模型。假设合理(转移受到附近的熏陶系数影响)。可以据此来反求每个节点的影响系数

  • 《机器上入门书单》

介绍:机器上入门书籍,切实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常深的强调特征选择针对性分类器重要性的文章。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更美好的效力,训练与归类时间为大大降低——更关键的是,不必花费大量时间在学习和优化SVM上——特征也一样no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和电脑有关知名教授Larry Wasserman
在《机器崛起》,对比了统计与机械上之差异

  • 《实例详解机器上怎么化解问题》

介绍:随着大数据时之到来,机器上变成化解问题之同一栽要且主要的家伙。不管是工业界还是学术界,机器上还是一个炙手可热的可行性,但是学术界和工业界对机械上之研讨各个发生珍惜,学术界侧重于对机械上理论的钻,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受到之实战篇

  • 《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、模型选择和超参优化、高斯模型与另外模型关系、大数据集的压方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下的文本模糊匹配库,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是基于Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你再次快地创建及治本NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一意在的机器上入门课程”Introduction to
Machine
Learning“近期恰开拍,课程4K高清视频一起到Youtube上,目前正更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之校友可以关心,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起特征,可再好地发表图片内容相似性。由于无因让人工标签(标注),可用于大规模图片处理,难在用户作为数据的取和保洁;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间序列非常检测算法(S-H-ESD)R包的牵线,其中针对怪的概念和剖析颇值得参考,文中也涉——异常是赛针对性的,某个圈子支出的大检测以另外世界直接用而不行.

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

介绍:聚焦数据质量问题之作答,数据质量对各种框框企业之属性和效率还主要,文中总结发生(不压)22栽典型数据质量问题显现的信号,以及卓越的数量质量解决方案(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:很好的规范仍机场(CRF)介绍文章,作者的上笔记

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

介绍: 来自Stanford,用神经网络实现快速准确的依存关系解析器

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

介绍:做深上怎么样抉择GPU的提议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上的告诉,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年跟主题报告
、讲义.

  • 《Awesome Computer
    Vision》

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

  • 《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来形容NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息搜索排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三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)并且包含集成学习的盘算:组合了BM11及BM15零星独模型。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)时间序列的简便介绍,ARMA是研讨时序列的要艺术,由从回归模型(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: 把来自target的attention signal加入source encoding
CNN的输入,得到了比BBN的模子好的多neural network joint model

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

介绍:
揭开印度菜之水灵秘诀——通过对大气菜系原料关系之开掘,发现印度菜肴香的缘由之一是中间的味道互相冲突,很有意思之公文挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的关联,最著名的凡语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即双方成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对甚高频同异常低频词的抒写 2)Heaps’ law:
词汇表与语料规模之平方根(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,有好多RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您也会见受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相互速查表》

介绍: Scikit-Learn官网提供,在初的Cheat
Sheet基础及丰富了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的完善硬件指南,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】在面识别及您本身还是大方,即使细微之反差吗克辨识。研究已经证实人类同灵长类动物在面加工上不同让外物种,人类用梭状回面孔区(FFA)。Khaligh-Razavi等经计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的圆组合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了为此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完美之物下。此外作者博客的外文章吧甚不错。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的莫过于运用场景NN选择参考表,列举了一部分突出问题建议采取的神经网络

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

介绍:一个深上类,提供了Python, C/C++, Java, Scala, Go多独版本的代码

  • 《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的强劲回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上直达99.63%准确率(新记录),FaceNet
embeddings可用以人脸识别、鉴别以及聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的一律篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们于MLlib中之分布式实现,以及展示一些简短的事例并提议该起哪里达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《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,目前只是处理面临英文语料,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逐个阶段的花样,其中的型包含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:利用文本和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)竞赛优化方案源码及文档,包括完全的多少处理流程,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钻研期刊,每篇文章还饱含一个算法和相应的代码、Demo和实验文档。文本以及源码是通过了同行评审的。IPOL是开放之对与而还的研究期刊。我一直想做点类似的劳作,拉近产品与技艺之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密多少快速分类问题.

  • 《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,同步创新参数的景象下中心达到线性加速。12块Titan
20小时得好Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然比较少.但蚊子再略吗是肉.有凸起部分.此外还有一个由于zheng
Rui整理的机械上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是千篇一律如约自然语言处理的词典,从1998年始于交当前积淀了诸多的正统词语解释,如果你是同个正入门的朋友.可以借这按照词典让祥和成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

介绍:R语言教程,此外还引进一个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飞跃算法,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,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化以及自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上之本,值得深入学习
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做大LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《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,大家呢足以在线阅读

  • 《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: 非常强的Python的数据解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文书分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研和Theano的启测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等丁谈话深度上的新书,还未定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开始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:好多数目科学家名人推荐,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,传统的法门呢会同word2vec到手多的职能。另外,无论作者怎么碰,GloVe都比较不过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:机器上着之重点数学概念.

  • 《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,句子级相关性判断及情感分类效果好好.落实代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机上课程,先编课程也机械上(10-715)和中等统计学(36-705),聚焦统计理论同道在机械上世界应用.

  • 《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教程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣的朋友肯定要看看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数额以》

介绍:生物医学的SPARK大数量应用.并且伯克利开源了她们之big data
genomics系统ADAM,其他的始末好关注一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术还是机器翻译技术感兴趣之亲们,请于提出好牛逼到无以伦比的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,这个网址有是领域几万分顶会的舆论列表,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的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:斯坦福的吃水上课程的Projects 每个人还要描写一个舆论级别的报告
里面有一对深有意思的动 大家可以看 .

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

介绍:R语言线性回归多方案速度比现实方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

介绍:文中提到的老三首论文(机器上那些从、无监督聚类综述、监督分类归纳)都十分经典,Domnigos的机械上课也酷优异

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的纵深上之概率理论.

  • 《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最近以McGill
University研讨会上的语,还提供了一致雨后春笋讲话机器上方法的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片段施用,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的机械上基本概念教学.

  • 《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|金融等世界)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较,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分析和数码挖掘的几率数据结构.

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

介绍:机器上在导航者的应用.

  • 《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&数据正确在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上与RNN的座谈 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年春季学期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.国内镜像.

  • 《Big Data
    Processing》

介绍:大数额处理课.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,境内镜像.

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

介绍:以往上千推行代码概率编程(语言)实现只待50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,除此以外一个,此外尚援引《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用论文列表,大部分舆论而采取Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的基本点性.

  • 《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:最显入门指南,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入自家的博客主页

发表评论

电子邮件地址不会被公开。 必填项已用*标注