manbetx官方网站

机械上和深度上资料。机器上(Machine Learning)&深度上(Deep Learning)资料。

九月 30th, 2018  |  国内足球

  • 《Brief History of Machine
    Learning》

机器上(Machine Learning)&深度上(Deep Learning)资料(Chapter 1)

介绍:这是如出一辙篇介绍机器上历史的文章,介绍好周全,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:这是一致首介绍机器上历史之稿子,介绍好周全,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:这是瑞士人工智能实验室Jurgen
Schmidhuber写的新星版本《神经网络与深上综述》本综述的特性是坐时间排序,从1940年起来称起,到60-80年间,80-90年份,一直称到2000年晚同近年来几年的拓展。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:这是平卖python机器上库,如果你是千篇一律号python工程师而且想深入的攻机器学习.那么就篇稿子或会拉及你.

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

介绍:这同一首介绍如果计划以及治本属于您自己之机上类的文章,里面提供了管理模版、数据管理与实施方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还免亮什么是机上,或虽然是正上感觉到大枯燥乏味。那么推荐一诵读。这篇稿子曾让翻成汉语,如果生趣味可以倒http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上的显要语言,有众多之爱侣想学学R语言,但是接连忘记一些函数和第一字之意思。那么就首文章或会协助及公

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠怎么抉择机器上算法,这篇稿子于直观的于了Naive
Bayes,Logistic
Regression,SVM,决策树等方式的三六九等,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了底版本: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,作者对例子的选择、理论的牵线都蛮到位,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>这是相同遵照机器上之小册子,
短短300大抵页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有一样垛坨公式的烦恼. 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,
也许就按照你重新需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是来源于百度,不过他自我曾在2014年4月份提请离职了。但是及时篇稿子好科学如果你免掌握深度上及支持于量机/统计上理论有什么联系?那么该立即看看这首文章.

  • 《计算机科学中之数学》

介绍:这本书是出于谷歌公司与MIT共同出品的电脑对中之数学:[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

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

介绍:信息时代的微机科学理论,目前国内有纸质书购买,iTunes购买

  • 《Data Science with R》

介绍:这是一模一样仍由雪城大学新编的次本子《数据是入门》教材:偏实用型,浅显易懂,适合想学学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个问题,内容连TAOCP,P/NP问题,图灵机,逻辑,以及为何大神不用电邮等等。

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

介绍:不会见统计怎么收拾?不晓哪些选适用的统计模型怎么处置?那就首文章你的可观读一读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了平等篇有关automatic
statistician的文章。可以自行选择回归模型类别,还能够半自动写报告…

  • 《ICLR 2014论文集》

介绍:对纵深上及representation learning最新进展产生趣味的校友可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是相同照信息搜索有关的书,是由于斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最为被欢迎之信息搜索教材有。最近作者多了该课程的幻灯片和作业。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张精美的觊觎来分解机器上重点概念: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

  • 《雅虎研究院的多少集汇总》

介绍:雅虎研究院的数集汇总:
包括语言类数据,图以及集体交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的多少。

  • 《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年元月已经开课: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专为机械上新家推荐的上乘学习资源,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,那么我提议您先押一样押中文的介绍。

  • My deep learning reading
    list

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

  • Cross-Language Information
    Retrieval

介绍:这是同等比照书籍,主要介绍的凡跨语言信息搜索方面的文化。理论很多

  • 追究推荐引擎内部的机要,第 1 有:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是来自IBM的工程师。它主要介绍了引进引擎相关算法,并拉扯读者很快之兑现这些算法。 追究推荐引擎内部的秘闻,第
2 组成部分: 深度推荐引擎相关算法 –
协同过滤,探讨推荐引擎内部的绝密,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《对机器上新师的少数提议》,
写的百般实在,强调实行及辩论结合,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.”

  • 分布式并行处理的数额

介绍:这是均等遵照关于分布式并行处理的数量《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年来他直以机器上园地耕耘。近年来机器上变得炙手可热,Platt和共事等遂决定举办博客,向公众介绍机器上之研究进展。机器上是什么,被以在哪?来拘禁Platt的即时首博文

  • 《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日于国会着力隆重举办。本次大会由微软亚洲研究院和清华大学一头主办,是此装有30几近年历史并著名世界之机上园地的盛会首糟糕到华,已成功引发全球1200几近个专家的申请与。干货很多,值得深刻上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子要是坐Learning to
Rank为条例说明企业界机器上之实际行使,RankNet对NDCG之类不敏感,加入NDCG因素后化作了LambdaRank,同样的沉思从神经网络改呢利用至Boosted
Tree模型就成功了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一誉为得主,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:本课程将阐述无监控特征上与深上的要害观点。通过上,你也拿落实多独作用学/深度上算法,能收看它们也而工作,并上怎样以/适应这些想法及新题材上。本学科假定机器上之基本知识(特别是熟悉的监督上,逻辑回归,梯度下降之想法),如果您莫熟悉这些想法,我们建议乃失去这里机器上课程,并先成功第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已经起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。如果用全清楚,需要肯定之机上基础。不过小地方会面给丁前同亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是均等篇介绍图像卷积运算的篇章,讲的早已算比较详细的了

  • 《Machine Learning Summer School》

介绍:每天要一个大牛来讲座,主要干机械上,大数据解析,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,那背后是列表会重新被你怪:【Awesome
Awesomeness】,国内已来热心的心上人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》课程有视频已经足以以斯坦福公开课网站上望了(如Chrome不行,可用IE观看)
作业以及试验也可下载。

  • 《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:神经网络的免费在线书,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 爱好者的教义。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台与开源之机上库,按照大数量、NLP、计算机视觉及Deep
Learning分类开展了整理。看起格外全的,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:机器上的算法很多。很多时节困惑人们都是,很多算法是平等类算法,而小算法又是由另外算法中延长出的。这里,我们于有限个点来被大家介绍,第一单地方是上之主意,第二独面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你就亮了是啊内容,没错。里面有那么些经文的机器上论文值得仔细跟数的开卷。

  • 《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:总结了机上之经典图书,包括数学基础和算法理论的书,可开呢入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16仍机器上的电子书,可以下载下来当pad,手机者任意时刻去阅读。不多我建议您看了一按又下充斥同论。

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

介绍:标题非常特别,从新手到大家。不过看了上面装有资料。肯定是大方了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的不得了多,而且自早就拉您摸手拉手了。

  • 《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材,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的下结论

  • 《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施人检测

  • 《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:这还要是同等篇机器上新学者的入门文章。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 & 机器读 &
    数据挖掘兵器谱》

介绍:python的17单有关机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此神奇的伽玛函数(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,王益博士毕业后以google任研究。这首稿子王益博士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级,每级需要上学的讲义及左右的知识。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,整个网站还是有关机器上之,资源大丰富。

  • 《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:这是同样照来自小的研究员 li Peng和Dong
Yu所展示的有关深度上的点子及以之电子书

  • 《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
有将近50小时之视频、十多只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曰讲师都是牛人:包括好牛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的宽泛机器上体系》

介绍:在今年的IEEE/IFIP可靠系统跟网络(DSN)国际会达成,Google软件工程师Tushar
Chandra做了一个有关Sibyl系统的主题发言。
Sibyl是一个监督式机器上系统,用来缓解预测方面的题材,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上大概地介绍了她们当年与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。如果非是充分绝望可看概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友提问伯克利机器上大牛、美国双双院士Michael I.
Jordan:”如果您来10亿美金,你怎么花?Jordan:
“我会见用这10亿美金建造一个NASA级别之自然语言处理研究型。”

  • 《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,此外作者还有一对旁的机械上及数据挖掘文章和深度上文章,不仅是论战还有源码。

  • 《文本以及数据挖掘视频汇总》

介绍:Videolectures上顶让欢迎之25只公文以及数码挖掘视频汇总

  • 《怎么选深度上之GPUs》

介绍:在Kaggle上时得是成绩的Tim
Dettmers介绍了外自己是怎选择深度上的GPUs,
以及个体怎么样构建深度上的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,国内的机上爱好者非常热心的拿此课程翻译成了汉语。如果你英语不好,可以望这

  • 《Deep Learning 101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就比如非常数额)。其实过多人口且还未掌握啊是深浅上。这首稿子由浅入深。告诉您深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学召开的如出一辙免费课程(很勉强),这个可给您以深上的中途让你一个读之笔触。里面涉及了有的基本的算法。而且告诉您什么错过采用至骨子里条件被。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学开的一个纵深上用来鉴别图片标签/图转文字的demo。是一个实在利用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是情节需发得的基本功。

  • 《R工具包的归类集中》

介绍: (CRAN Task Views,
34种植常见任务,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,多重变量分析,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解析世界的一个看好内容。很多总人口以平常底干活负还或多或者遗失会用到机械上的算法。本文为而总结一下大的机器上算法,以供应您于干活与上着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了某些独密密麻麻。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)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列的(三)

Deep
Learning(深度上)学习笔记整理系列的(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列的(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的故深度上做计算机是清醒的NIPS 2013课程。有mp4,
mp3,
pdf各种下载 他是纽约大学教授,目前呢当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发之开源中文自然语言处理(NLP)工具包
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、语法分析等功能,对找引擎
文本分析等远有价。

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源的机械上工具确保,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,但同时挺想念上机器上之情侣。是一个雅的便利。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》的重点数学先导课程。其实《线代》这门课称得浅显易懂特别不便于,如果一致齐来即使叙逆序数及陈行列式性质,很易让生去学习之趣味。我个人推举的极品《线性代数》课程是麻省理工Gilbert
Strang教授的学科。 课程主页

  • 《Big-data》

介绍:大数量数据处理资源、工具不齐全列表,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:雅虎邀请了一样叫来自本古里什么大学之访问学者,制作了一致仿照关于机器上的文山会海视频课程。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反驳基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着老数据时,量子机器上的首先单实验 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脚论决定正在12只账号,下载了谈情说爱网站2万女性用户之600万问题答案,对她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研究生级别之课程,对机器人和非线性动力系统感兴趣之爱侣不妨可以挑战一下随即宗学科!

  • 《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年起来以处理器是的论文被被引用次数最多之舆论

  • 《InfiniTAM:
    基于深度图像的体制数据并框架》

介绍:把当年的一个ACM Trans. on Graphics
(TOG)论文被的代码整理为一个开源之算法框架,共享出来了。欢迎大家用。可以实时的征集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会连续公开。

  • 《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?可以为你当浏览器中,跑起深度学习效果的超酷开源项目ConvNetJS作者karpathy告诉你,最佳技巧是,当您从头勾画代码,一切以变得一清二楚。他正好揭晓了扳平依照书籍,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
讲述工业界和教育界机器上之异同,大实话

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

介绍:使用Neo4j 做电影评论的情愫分析。

  • 《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:机器上教会了俺们什么?

  • 《scikit-learn:用于机器上之Python模块》

介绍:scikit-learn是以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:解析领域中各模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机上世界神经网络的大牛,他针对性纵深上、神经网络有着十分浓的兴趣。因此,很多叩的问题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讲和展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*摸索是人为智能基本算法,用于高效地找图中有数触及的最佳路径,
核心是 g(n)+h(n):
g(n)是从起点到顶点n之实在代价,h(n)凡顶点n到对象顶点的估价代价。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,可以以几划分种内成功NLP on Azure
Website的布局,立即开始对FNLP各种风味的试用,或者以REST
API的形式调用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。计算机科学研究所契合所长.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年初始深度上文献》

介绍:从硬件、图像及健康、生物、大数目、生物信息还届量子计算等,Amund
Tveit等保障了一个DeepLearning.University小品种:收集从2014年始深度上文献,相信可以看做深度上的起点,github

  • 《EMNLP上点儿篇有关股票方向的施用论文

介绍:EMNLP上个别首关于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组写的课,算法深入显出,还有实现代码,一步步开展。

  • 《学习算法的Neural Turing Machine

介绍:许多风的机器上任务都是当上function,不过谷歌目前生始发念算法的大方向。谷歌另外的立刻首学习Python程序的Learning
to Execute呢产生相似之处

  • 《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辨别上之应用,此外还有零星独。一个凡甄别垃圾及假信息之paper.还来一个凡是网舆情及其分析技术

  • 《R机器学习实践》

介绍:该科目是网易公开课的收款课程,不贵,超级福利。主要适合为对利用R语言进行机上,数据挖掘感兴趣的口。

  • 《大数目解析:机器上算法实现的演化》

介绍:本章中笔者总结了三代机上算法实现之演变:第一替非分布式的,
第二代表工具要Mahout和Rapidminer实现冲Hadoop的扩大,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,分析和机具视觉》

介绍:讲计算机视觉的季管辖奇书(应该吃经典吧)之一,另外三遵照是Hartley的《多图几哪》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的推介系统文章Browsemaps》

介绍:里面基本无提到到实际算法,但作者介绍了CF在LinkedIn的不在少数采取,以及他们当开推荐过程被取的一部分经历。最后一条经验是当监控log数据的质地,因为推荐的身分好靠数据的身分!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初大方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:用树莓派和相机模块进行人脸识别

  • 《利用深度上和大数量构建对话系统

介绍:如何采取深度上和特别数额构建对话系统

  • 《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初综合(书):Sparse Modeling for
Image and Vision Processing,内容涉及Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及以图像以及视觉上的动,而且率先有有关Why does
the l1-norm induce sparsity的讲吗甚科学。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机械上中一言九鼎之概念,其于large
margin分类器上之施用为是广为熟知的。如果无于好之数学基础,直接了解RKHS可能会见正确。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:许多同学对机械上与深度上之迷惑在于,数学方面曾盖知道了,但是动于手来可未掌握哪些入手写代码。斯坦福深度上博士Andrej
Karpathy写了相同首实战版本的深度上与机上课程,手把手教而用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:本文会过相同整整最流行的机器上算法,大致了解如何方法可用,很有帮。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来广大关于机器上、信号处理、计算机视觉、深入学习、神经网络等世界的大度源代码(或只是实施代码)及连锁论文。科研写论文的好资源

  • 《NYU
    2014年之纵深上课程资料》

介绍:NYU 2014年之深上课程资料,有视频

  • 《计算机视觉数据集不完全集中》

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:数码挖掘十那个经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100只好过硬的品种

  • 《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上社区保护在306个数据集。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、视频语义分析世界获得了科研和工程及的突破,发之稿子非多,但每个都分外踏实,在每一个题材达成还形成了state-of-art.

  • 《Andrej
    Karpathy的吃水加深学习演示》

介绍:Andrej
Karpathy的纵深加深学习演示,论文在此地

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一致各项英国落地之计量机学家和心理学家,以那个在神经网络方面的献闻名。辛顿是倒转往传来算法和对待散度算法的发明人之一,也是深度上的积极向上推进者.

  • 《自然语言处理的深度上理论和实际》

介绍:微软研究院深度学习技术中心以CIKM2014
上关于《自然语言处理的深浅上理论以及事实上》教学讲座的幻灯片

  • 《用特别数据以及机具上做股票价格预计》

介绍: 本文基于<支持于量机的屡屡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.

  • 《关于机器上的几驳问题》

介绍:徐宗本
院士将受爱机器上的小伙伴联手追有关于机器上之几单理论性问题,并被来一部分出含义之下结论。最后经有些实例来验证这些理论问题之物理意义以及事实上行使价值。

  • 《深度上以自然语言处理的采取》

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

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读的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

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《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”机器上及其使用”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几率统计模型并采用模型对数码进行预测和剖析的平等宗是,统计上为变为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的靶子是对计算机编程,以便使样本数还是以往之涉来化解给定的问题.

  • 《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

  • 《人工智能与机器上园地有趣的开源项目》

介绍:部分国语列表

  • 《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写了一如既往篇超赞的数值优化博文,从牛顿法讲到起牛顿法,再道到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上道概述(一)》

介绍:还有续集大庭广众深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数额及机具上之结缘》

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
”边模仿边用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,并当其实比中比调参数和清数据。
如果既作了gensim不要忘记升级

  • 《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:这文章说将多年来型识别及的突破用至围棋软件上,打16万摆放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,只拘留棋盘就给来下同样步,大约10层棋力。但就首稿子最过乐观,说啊人类的结尾一片堡垒马上就要超过掉了。话说得极度早。不过,如果和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,他表示,根据这次实验的结果,如果今年NIPS重新审稿的讲话,会来一半底舆论被拒绝。

  • 《2014年最佳的老数据,数据正确文章》

介绍:KDNuggets分别总结了2014年14单阅读最多同享受最多之章。我们从中可以看到多个主题——深度上,数据科学家职业,教育及薪酬,学习数据对的家伙比如R和Python以及群众投票的极给欢迎之数码科学与数目挖掘语言

  • 《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,作者还来其他异常硬的章援引可望

  • 《2014神州老大数据技术大会33各项中心专家发言PDF》

介绍:2014中华很数目技术大会33员中心专家发言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在情感分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布在github(目前是拖欠的)。这表示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终于揭秘面纱了呗。

  • 《NLPIR/ICTCLAS2015细分词系大会上的技艺演讲

介绍:NLPIR/ICTCLAS2015分开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。
我们实验室同学的演讲包括:孙梦姝-基于评论意见挖掘的商品搜索技术研究 李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反倒朝求导及练习》

介绍:介绍CNN参数在以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算法本质上同,但花样达到或略微区别之,很明确在成就CNN反朝传播前询问bp算法是必的。此外作者也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:如果要是于同篇稿子被匹配配十万独关键词怎么惩罚?Aho-Corasick 算法利用上加了归来边的Trie树,能够当线性时间外就匹配。
但如果匹配十万单正则表达式呢 ?
这早晚可据此到把多只刚则优化成Trie树的主意,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是一个开源的纵深上框架,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实现的开源人工神经网络库

介绍:LambdaNetLambdaNet是由于Haskell实现的一个开源之人工神经网络库,它抽象了网络创建、训练并应用了高阶函数。该库还提供了同一组预定义函数,用户可以运用多法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,那么就宗核心课程你必深入了解。

  • 《杨强于TEDxNanjing谈智能的自》

介绍:”人工智能研究分众派别。其中有为IBM为表示,认为要出强性能计算就只是取得智能,他们的‘深蓝’击败了世界象棋冠军;另一样流派认为智能来自动物本能;还闹个可怜强的流派认为使找来专家,把她们之思想用逻辑一条条写下,放到计算机里就是实施……”
杨强在TEDxNanjing谈智能的根源

  • 《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:网易有道的老三各项工程师写的word2vec之分析文档,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,基本上是网上关于word2vec材料之大合集,对word2vec谢谢兴趣的恋人可以省

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上的各种编程语言学术和经贸的开源软件.与是类似的还有不少像:[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:作者是计算机研二(写文章的时段,现在凡2015年了该将毕业了),专业方向自然语言处理.这是少数客的阅历的谈.对于入门的冤家可能会发帮扶

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一模一样首关于机器上算法分类的篇章,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,在此处来一对之好内容即是出自机器上日报.

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

介绍:这是平等首关于图像分类在深上着之章

  • 《自动语音识别:深度上方式》

介绍:作者与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中之国语分词技术》

介绍: 作者是360电商技术组成员,这是一致首NLP在华语分词中之运

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

介绍: 使用deep
learning的总人口脸要点检测,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多牛文,涉及CV、NLP等领域,值得一朗诵。网上公开之几乎节草稿: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方勾勒出来,是死好的手册,领域内之paper各种证明都以就此其中的结果。虽说是初等的,但要生之麻烦

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费不行数据集,有些早就是习,有些可能还是率先坏听说,内容过文本、数据、多媒体等,让他们陪您起来数据对的同吧,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章,覆盖了RNN的概念、原理、训练及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还时有发生平等首Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了累累的资源,例如角,在线课程,demo,数据整合等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望当争鸣和实施里找到平衡点,各主要内容都伴随有实在例子及数量,书被之例子程序都是故R语言编写的。

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

介绍:IVAN VASILEV写的深上导引:从浅层感知机到深网络。高可读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒以及福利的人为智能优先研究计划:一查封公开信,目前曾经产生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等丁签The Future of Life
Institute
(FLI).这封信的背景是近日霍金及Elon
Musk提醒人们瞩目AI的机密威胁。公开信的情是AI科学家等站于便利社会之角度,展望人工智能的前途提高动向,提出开发AI系统的Verification,Validity,
Security,
Control四触及要求,以及用专注的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究比较少。其实还有一样部美剧《疑犯追踪》,介绍了AI的变异从平开始之自学习,过滤,图像识别,语音识别等看清危险,到第四季的时光起了机通过学习成长之后想操纵世界之状态。说到此处推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了累累资源,还发出相关知识结构,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)开源了扳平多元软件库,以援手开发者建立重特别、更快之深上型。开放之软件库在
Facebook 被号称模块。用它们替代机械上世界常用的开支环境 Torch
中的默认模块,可以于再次缺乏的时光内训练还老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,但是这首文章完全是作者的更的作。

  • 《如何成为同个数据科学家》

介绍:本文是指向《机器上实战》作者Peter
Harrington做的一个访谈。包含了开中一些的疑团解答和某些私有学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的吃水上概述,对几栽流行的纵深上型都进行了介绍与讨论

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

介绍:主要是描述了采用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您知道卷积神经网络,讲解很清晰,此外还有少首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其它的关于神经网络文章吧深过硬

  • 《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崛起之舆论

  • 《Learning Deep Architectures for
    AI》

介绍:一依照上人工智能的书,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,他的主页放了有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:一个之所以来快速的统计,机器上又对数据量大之数学库

  • 《ICLR
    2015会议的arXiv稿件合集》

介绍:在这边而可看最近深度上产生啊新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表 ,收录了信寻找、网络消息寻找、搜索引擎实现等地方相关的书籍、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:信息几哪法及其在机上着之采用

  • 《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及展望问题,相关的律采取包括预测编码、早期案例评估、案件完全状况的预计,定价以及工作人员预测,司法行为预测相当。法律领域大家也许都于陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中涉及了极端漂亮,模型,最大熵等等理论,此外还有用篇。推荐系统可以说凡是同等准无可非议的阅读稿,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的起图像生成自然语言描述的家伙。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个训练好之动物模型,你可以拿狮子大象的肖像来试试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了于Hadoop2.0达标应用深度上,文章来源paypal

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

介绍:用基于梯度下降的计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: 用统计与报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个摆机器上的Youtube视频教程。160会合。系统程度跟书可比拟。

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

介绍:
机器学习中的数学,作者的研讨方向是机上,并行计算如果你还想了解一些其它的足省他博客的别样文章

  • 《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选取

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

介绍: CNN用于WEB搜索,深度上在文书计算着之运用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的公开数据集

  • 《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,号称是速度极其抢的NLP库,快之案由一样是为此Cython写的,二凡是因此了只特别抢眼的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凡只数学研究为主,上面的当下卖ppt是发源Fields举办的位移中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,标注了严重性点

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

介绍:
多伦多大学以及Google合作之初论文,深度上吧足以为此来下围棋,据说能够达成六段子水平

  • 《机器上周刊第二巴》

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的舆论库已经选定了963篇经过分类的深上论文了,很多经典论文都曾经用

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

介绍: Radim
Řehůřek(Gensim开发者)在相同破机器上聚会及之告知,关于word2vec及其优化、应用及扩充,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多供销社还因此机器上来化解问题,提高用户体验。那么怎么可以为机器上再实时和行之有效呢?Spark
MLlib 1.2里边的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每半钟头1TB底研究数据,现在宣告为大家用了。

  • 《LDA入门与Java实现》

介绍:
这是平等首面向工程师的LDA入门笔记,并且提供相同份开箱即用Java实现。本文就记录基本概念与原理,并无涉公式推导。文中的LDA实现基本部分采用了arbylon的LdaGibbsSampler并力所能及地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《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、面向科技大数目的开掘。收集近4000万作者信息、8000万舆论信息、1亿多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec之诙谐应用,Omer
Levy提到了他当CoNLL2014至上论文里之解析结果跟新措施,Daniel
Hammack给来了查找特异词的小应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的稍课程就归档过了,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年的信

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个人脸图像识别库。包含正面与多视角口脸检测两独算法.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极端佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加深一些。通过全局的祥和分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之熏陶系数影响)。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,切实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常过硬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运节能贝叶斯分类器,取得了比SVM更美妙之效果,训练和分类时间呢大大降低——更主要之凡,不必花费大量时日以上学和优化SVM上——特征呢同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区别

  • 《实例详解机器上如何缓解问题》

介绍:随着大数量时代之赶来,机器上变成解决问题的如出一辙种关键且要之工具。不管是工业界还是学术界,机器上都是一个炙手可热的方向,但是学术界和工业界对机械上之研讨各个起珍惜,学术界侧重于对机械上理论的钻,工业界侧重于安用机器上来解决实际问题。这首文章是美团的莫过于条件遭到的实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和其余模型关系、大数据集的逼方法齐,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是冲Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你更快地创造与治本NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一企盼的机器上入门课程”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,
感兴趣之同桌可以关注,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,可再次好地发表图片内容相似性。由于无借助让人工标签(标注),可用来大规模图片处理,难在用户作为数据的博与清洗;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技术团队对前段时间开源的日序列非常检测算法(S-H-ESD)R包的牵线,其中针对特别的定义跟剖析深值得参考,文中也论及——异常是赛针对性的,某个世界支出之那个检测以外领域直接用而不行.

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

介绍:聚焦数据质量问题之对,数据质量对各种框框企业的特性及频率都要,文中总结出(不制止)22种典型数据质量问题表现的信号,以及卓越的多寡质量解决方案(清洗、去重新、统一、匹配、权限清理等)

  • 《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,用神经网络实现快捷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:做深度上怎样挑选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:
分类整理的机视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的创新频率为蛮频繁

  • 《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个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量:组合了BM11同BM15零星单模型。4)作者是BM25的倡导者和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简易介绍,ARMA是钻时序列的基本点措施,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: 把自target的attention signal加入source encoding
CNN的输入,得到了比BBN的范好之多neural network joint model

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

介绍:
揭开印度菜肴的鲜秘诀——通过对大气菜系原料关系之开挖,发现印度菜肴香的因之一是里面的味道互相冲突,很风趣之公文挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐华语分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

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

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《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。下载最简易的方式,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,在原始的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: 深度上之无所不包硬件指南,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】在颜识别及您本身都是大家,即使细微的差异吗能辨别。研究已经证实人类同灵长类动物在面加工及差于任何物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的圆满组合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调节梯度下降与可调节动量法设计和编码经典BP神经网络,网络经过训练可以做出惊人和佳之物出来。此外作者博客的任何文章也罢坏不利。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实在用场景NN选择参考表,列举了部分超人问题建议利用的神经网络

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

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

  • 《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,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她俩以MLlib中之分布式实现,以及展示一些简单的事例并提议该自何处达手.中文版.

  • 《Sum-Product Networks(SPN)

介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文和贯彻代码.

  • 《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,目前可是处理着英文语料,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前行历程,详细讲解神经网络语言模型在挨家挨户阶段的花样,其中的模子包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重大变形,总结的专门好.

  • 《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,包括总体的数据处理流程,是学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)是图像处理及图像分析的钻期刊,每篇文章都富含一个算法和相应的代码、Demo和尝试文档。文本和源码是经了同行评审的。IPOL是开的不利及而还的研讨期刊。我直接怀念做点类似之做事,拉近产品与技能中的距离.

  • 《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构,在多机多卡,同步更新参数的情状下中心达成线性加速。12片Titan
20钟头好形成Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然比较少.但蚊子再稍加也是肉.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高达之主题报告材料,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年上马到目前积淀了众多的正儿八经词语解释,如果你是相同各刚刚入门的朋友.可以借这按照词典让投机成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年到今日的竞赛数据,用PageRank计算世界杯参赛球队排名榜.

  • 《R Tutorial》

介绍:R语言教程,此外尚推荐一个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霎时算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即因此.

  • 《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,可当客户端浏览器中运作,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的优化和自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机械上的本,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: 基于深度上的几近标签分类,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,它目前托管在sourceforge上面

  • 《Data Journalism Handbook》

介绍: 免费电子书《数据新闻手册》,
国内发出热心的恋人翻译了中文版,大家吧得在线阅读

  • 《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、库调研和Theano的始发测试体会报告.

  • 《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等人口讲话深度上的新书,还不定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开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:好多数额科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目已开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的道吗能够和word2vec抱多的力量。另外,无论作者怎么碰,GloVe都较不过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:机器上着之最主要数学概念.

  • 《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,句子级相关性判断与情感分类效果异常好.实现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编制课程为机上(10-715)和中级统计学(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以及自由优化学科》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之对象一定要看看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数额利用》

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,其他的情好关心一下官方主页.

  • 《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,这个网址有之世界几可怜顶会的舆论列表,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:斯坦福的深上课程的Projects 每个人还如写一个论文级别之报告
里面来一部分怪有趣的利用 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比较现实方案包括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)都十分经典,Domnigos的机器上课为要命优秀

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深浅上的概率理论.

  • 《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最近在McGill
University研讨会及的晓,还提供了一如既往层层讲话机器上道的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:亚马逊以机械上方面的有些采用,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的机上基本概念教学.

  • 《DeepCLn》

介绍:一个根据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的引进系统.

  • 《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数据集的开源感情分析工具较,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分析与数目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&数据科学在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上及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年春天学期CMU的机上课程,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,国内镜像.

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

介绍:以往上千执行代码概率编程(语言)实现只需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,另外一个,此外尚引进《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起用论文列表,大部分舆论而采用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之要性.

  • 《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:有趣之机械上: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,包括大气底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:华盛顿大学的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,是祈求挖掘地方的学者。他主持设计与兑现的Arnetminer是国内领先的图挖掘系统,该网也是差不多单会议的支持商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习的国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半督察上,multi-label学习及合学习方面于国际直达产生得的熏陶力.

  • 《国内机器上算法和应用领域人物篇:王海峰》

介绍:信息搜索,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:吴军博士是时Google中日韩文搜索算法的显要设计者。在Google其间,他领导了重重研发项目,包括广大和中文相关的出品与自然语言处理的色,他的乍个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

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

介绍:如何评价机器上型系列文章,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艺》

介绍:机器翻译学术论文写作方法和技能,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:神经网络训练中之Tricks之迅速BP,博主的其余博客也颇了不起之.

  • 《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丰厚,推荐新入门的心上人阅读.

  • 《The h Index for Computer Science

介绍:UCLA的Jens Palsberg根据Google
Scholar建立了一个计算机世界的H-index牛人列表,我们熟悉的各个领域的大牛绝大多数还以榜上,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几近各类ACM
Fellow,在这里推荐的案由是豪门好以google通过寻找牛人的讳来取得更多之资源,这卖材料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

介绍:用巨型语料库学习概念的层次关系,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,用因子图刻画概念里依存关系,因引入兄弟关系,图有环,所以用出环扩散(loopy
propagation)迭代计量边际概率(marginal probability).

  • 《Bayesian
    analysis》

介绍:
这是相同慢贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册产生250多页,虽然R语言
已经出类似的项目,但到底可以增加一个可选项.

  • 《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、机器视觉应用之公司信息汇总.应用领域包括:自动帮助驾驶和交通管理、眼球与头颅跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和查、医药和生物、移动设备目标识别与AR、人群跟踪、摄像、安全监控、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/深度上之多少向量化工具Canova,github,
支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文书为量化.

  • 《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讲解了部分机器上技术,如SVM,NB,PCA,DT,以及特色工程、特征选择以及模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的飞跃机器上,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个数据科学家语录精选.

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

介绍:深度上以怪数据解析世界的施用和挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费之机上与数学书籍,除此之外还生其他的免费编程书,编程语言,设计,操作系统等.

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

介绍:一篇有关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能快速到位训练的宽广(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上之推介系统导论(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,博客的另机器上文章也不错.

  • 《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的风行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),路地址,此外推荐相关神经图灵机算法.

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

介绍:华盛顿大学之机视觉(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、降维和宽广机器上三章,电子版反之亦然免费.

  • 《Learning Deep
    Learning》

介绍:一个深度上资源页,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:白话数据挖掘十分外算法.

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

介绍:基于Mahout和Elasticsearch的推荐系统,境内译版.

  • 《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:面向数据新闻的文件挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用大网图片合成延时视频(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——从数及知识:版权的思辨,[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:监督上方式言传身教/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:基于机器上的漏洞检测工具VDiscover.

  • 《Minerva》

介绍:深度上系统minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上会当4上外用GoogLeNet训练及68.7%之top-1以及89.0%底top-5准确率。和与为dmlc项目之cxxnet相比,采用动态数据流引擎,提供再多灵活性。未来拿跟cxxnet一起结为mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉与模式识别会议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整理了各家技术连锁论文.

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

介绍:基于Caffe的加快深度上系统CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练和)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/自读/无监控特征上之语,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过机要知识迁移训练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:机器上预测股市之七只问题.

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

介绍:神经网络学习资料推荐.

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

介绍:面向序列上的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:矩阵和数码的肆意算法(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
是因Scipy为机械上建筑的底一个Python模块,他的特点就是是多样化的归类,回归和聚类的算法包括支持为量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient
Boosting,聚类算法和DBSCAN。而且为设计出了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个叫机器上钻研简单化的因Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个盖HTM学习算法为工具的机智能平台。HTM是肌肤的标准计算方式。HTM的为主是根据时间之不停学习算法和仓储与取消的时空模式。NuPIC适合给各种各样的题材,尤其是检测好和展望的流动多少出自。

  • 《Nilearn》

介绍:Nilearn
是一个力所能及迅速统计上神经影像数据的Python模块。它利用Python语言中的scikit-learn
工具箱和局部进行展望建模,分类,解码,连通性分析的应用程序来开展多重的统计。

  • 《PyBrain》

介绍:Pybrain是根据Python语言强化学习,人工智能,神经网络库的简称。
它的对象是供灵活、容易使以强大的机上算法和进行各种各样的预定义的环境遭受测试来比较而的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下之一个大网开模块。它吧数量挖掘,自然语言处理,网络分析和机器上提供工具。它支持向量空间模型、聚类、支持为量机和感知机并且因此KNN分类法进行分类。

  • 《Fuel》

介绍:Fuel为您的机上型提供数据。他发一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这类数据集的接口。你采取外来通过非常多种的道来代表自己之数。

  • 《Bob》

介绍:Bob是一个免费之信号处理和机械上之家伙。它的工具箱是因此Python和C++语言共同编辑的,它的规划目的是移得进一步快又减少开支时间,它是由于拍卖图像工具,音频和视频拍卖、机器上与模式识别的恢宏软件包构成的。

  • 《Skdata》

介绍:Skdata是机械上及统计的数据集的库程序。这个模块于玩具问题,流行的微处理器视觉与自然语言的数据集提供正规的Python语言的采取。

  • 《MILK》

介绍:MILK是Python语言下之机上工具包。它要是当众多不过获取的归类比如SVMS,K-NN,随机森林,决策树被利用监控分类法。
它还实施特征选择。
这些分类器在重重端互为结合,可以形成不同的诸如无监督上、密切关系金传播和出于MILK支持之K-means聚类等分类体系。

  • 《IEPY》

介绍:IEPY是一个留意于干抽取的开源性信息抽取工具。它要针对的是亟需对大型数据集进行信息提取的用户与想要尝试新的算法的科学家。

  • 《Quepy》

介绍:Quepy是经过改自然语言问题因此在数据库查询语言中开展询问的一个Python框架。他可概括的让定义为以自然语言和数据库查询中不同品类的题目。所以,你绝不编码就得起你自己的一个为此自然语言进入你的数据库的网。现在Quepy提供于Sparql和MQL查询语言的支持。并且计划以她延伸至其它的数据库查询语言。

  • 《Hebel》

介绍:Hebel是当Python语言中对此神经网络的吃水上之一个库程序,它使用的凡由此PyCUDA来拓展GPU和CUDA的增速。它是最紧要的神经网络模型的类型的家伙又会提供一些例外的走函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

  • 《mlxtend》

介绍:它是一个由于中之家伙与一般数据是任务的扩展组成的一个库程序。

  • 《nolearn》

介绍:这个顺序包容纳了大量能够针对而完成机器上任务有帮扶的实用程序模块。其中大量底模块和scikit-learn一起工作,其它的便更产生因此。

  • 《Ramp》

介绍:Ramp是一个在Python语言下制定机器上中加速原型设计的化解方案的库程序。他是一个轻型的pandas-based机器学习中而插入的框架,它现存的Python语言下的机械上及统计工具(比如scikit-learn,rpy2等)Ramp提供了一个略的声明性语法探索效能因此会高效灵地尽算法和更换。

  • 《Feature
    Forge》

介绍:这无异文山会海工具通过跟scikit-learn兼容的API,来创造与测试机上效果。这个库程序提供了平组工具,它会叫您于多机上程序下着老受用。当您使用scikit-learn这个家伙时,你晤面发到吃了深酷的救助。(虽然当时仅仅会以你出两样的算法时起作用。)

  • 《REP》

介绍:REP是为同一种植和谐、可再生的方也指挥数据移动驱动所提供的相同种植环境。它产生一个统一之分类器包装来提供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且它好在一个部落为平行的方式训练分类器。同时它吗提供了一个交互式的始末。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机上建筑的简软件收集。

  • 《Python-ELM》

介绍:这是一个当Python语言下基于scikit-learn的太学习机器的贯彻。

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外还援引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:预测模型的老三个方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度学习和自然语言处理课程,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:对本土化特征上之解析

 

 

  • 《Deep Learning in Neural Networks: An
    Overview》

机械上(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写的摩登版本《神经网络与深上综述》本综述的表征是因时日排序,从1940年初步讲话起,到60-80年代,80-90年间,一直讲到2000年后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.

横流:机器上材料篇目一共500条,篇目二开始更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
想转载的爱人,你得毫不联系自身.但是必要保留原文链接,因为此项目还当持续为以未定期更新.希望看到文章的情人会模拟到还多.此外:某些材料在华夏拜会需要梯子.
  • 《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独+稀疏优化1个;强化学习4个,深度上3单+深度上计算1只;贝叶斯非参、高斯过程与上理论3独;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及IEEE计算机视觉和模式识别(CVPR)大会于美国波士顿召开。微软研究员们以大会上亮了于往年再也快又遵循的计算机视觉图像分类新模型,并介绍了怎么行使Kinect等传感器实现在动态或者低光环境之快速大规模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:语义图像分割的实况演示,通过深度上技术以及几率图模型的语义图像分割.

  • 《Fully Convolutional Networks for Semantic
    Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,型代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长的烦恼.

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

介绍:基于三头版培育方法的文件流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础及新型进展.

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

介绍:深度上革命.

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

介绍:数据正确(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G底微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产条件(产品级)机器上的会同挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的布局化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机上小组关于在线Boosting的论文 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20个极端抢手的开源(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的行评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的展望分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

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

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

介绍:读了马上100篇论文
就能够成为那个数目高手,境内翻译.

  • 《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将发布只是扩大/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估计的很快LDA训练.

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

介绍:从实验室到工厂——构建机器上生产架构.

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

介绍:适合做多少挖掘的6单经典数据集(及另外100只列表).

  • 《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挑选机器上API.

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

介绍:Python+情感分析API实现故事情节(曲线)分析.

  • 《Movie selection using
    R》

介绍:(R)基于Twitter/情感分析的祝词电影推荐,此外推荐分类算法的实证比较分析.

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

介绍:CMU(ACL 2012)(500+页)面向NLP基于图的一半督查上到底法.

  • 《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的吃水加深学习教程.

  • 《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/政治及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)的加剧学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的飞快深度学习.

  • 《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:这是同一篇有关百度文章《基于深度上之图像识别进展:百度的几何履》的摘要,建议少篇稿子做起来阅读.

  • 《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 实现的机器上库资源集合总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上的统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的吃水上技术及技巧.

  • 《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:这是同等按机器上的电子书,作者Max
Welling儒在机上教学方面有丰富的经历,这本开小而精致.

  • 《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及计算机视觉类资料的博客,包含的情节:Hinton的CSC321课程的总;Deep
Learning综述;Notes on
CNN的总;python的规律总结;Theano基础知识和练习总结;CUDA原理和编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对实际问题(应用场景)如何选机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据对免费写分类集合

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

介绍:深度上在语音合成最新进展发哪?推荐MSRA的Frank
Soong老师关于语音合成的深上方式的拍和幻灯片与跟谷歌的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,算是不过广为认知的机械上读本有,内容覆盖全面,难度中达成,适合研究生中文版 or 备份

  • 《an introduction to visualizing
    DATA》

介绍:数据可视化介绍(23页袖珍小册子)

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

介绍:这首论文荣获EMNLP2015底顶尖数据/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:作者以深度上的思考.

  • 《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校选读

  • 《Machine Learning
    Checklist》

介绍:机器上学习清单

  • 《NLP界有怎样神级人物?》

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

  • 《机器上温和指南》

介绍:机器上与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被的主要概念,应用程序和挑战,旨在为读者能继承寻找机器上知识。

  • 《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: 无需开深度上就是可知就此底分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数据及众包Mechanical
Turk上,实现了来彩票和处理的体制,以搜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,提升卖家利润以及消费者满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的宽泛机器学习.

  • 《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:这本开的发作者McKeown大凡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上丰富及4时之喻,共248页,是针对引进系统发展之一律蹩脚全面概括,其中还包Netflix在个性化推荐者的有经历介绍.

  • 《BigData Stream
    Mining》

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

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras深度上框架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数据得出的深度上热门”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大型人脸识别数据集: 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:面向机器视觉的凭监督特征上,Ross Goroshin’s
webpage.

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

介绍:谷歌研究院Samy Bengio等人口近来形容的RNN的Scheduled
Sampling训练方法论文.

  • 《Essential Machine Learning Algorithms in a
    nutshell》

介绍:机器上为主算法简要入门.

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

介绍:Github机器学习/数学/统计/可视化/深度上相关品种大列表.

  • 《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当人近来形容的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:来自斯坦福大学和NVIDIA的办事,很实际很实用。采用推网络连接及重新训练方法,可极大回落CNN模型参数。针对AlexNet、VGG等模型和ImageNet数据,不损失识别精度情况下,模型参数可大幅度削减9-13倍.

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

介绍:无需开深度上就是能够用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号非常数量科学家,通过他们之名字然后放在google中查找一定能找到多死硬的资源译文.

  • 《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:重点引进的20单数据正确相关课程.

  • 《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)基于深度上之商业图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费于线书《Neural Networks and Deep
Learning》神经网络与深度上。目前提供了面前四段的草稿,第一章经过手写数字识别的事例介绍NN,第二节说反往传播算法,第三章节讲反为传来算法的优化,第四回说NN为什么能起合任意函数。大量python代码例子和互动动画,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上面知名论文可以以此网站找到github的型链接.

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

介绍:深度上以视觉跟踪的探索.

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

介绍:Spark机器学习入门实例——大数据集(30+g)二分开类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前的产物,他们本想要召开进一步的加强。于是推出了新的,专门对科学家设计之学术搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监控上,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)二分叉类.

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

介绍:为入门者准备的深浅上与神经网络免费资源.

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

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

  • 《Veles:Distributed machine learning
    platform》

介绍:三星星开源之飞跃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:语义大数量——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)深度上与深度数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

介绍:免费书写:面向数据科学的高级线性模型.

  • 《Net2Net: Accelerating Learning via Knowledge
    Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

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

介绍:徐亦达机器上课程 Variational Inference.

  • 《Learning the Architecture of Deep Neural
    Networks》

介绍:深度神经网络结构学习.

  • 《Multimodal Deep
    Learning》

介绍:来自斯坦福大学之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学生做的CS183c课程的一个note,该科目是由Reid
Hoffman等互联网boss级人物设置的,每节课请一位巨头公司的连锁主管来开访谈,讲述该企业是怎scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中之应用.

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

介绍:思维上——RL+RNN算法信息论.

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

介绍:数据科学家毕业后连续学的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年中华计算机学会(CCF)优秀博士学位论文》

介绍:2015春秋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.

  • 《神经网络与深上读本》

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.

  • 《语音识别的技巧原理是呀?》

介绍:语音识别的艺原理分析

  • 《Michael I. Jordan》

介绍:迈克尔·I.乔丹的主页.根据主页可以找到多资源。迈克尔·I.乔丹是资深的计算机是与统计学学者,主要研究机器上及人为智能。他的最主要贡献包括指出了机上与统计学之间的牵连,并推动机械学习界广泛认识及贝叶斯网络的基本点。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同等各英国诞生的计算机学家和心理学家,以那于神经网络方面的奉献闻名。辛顿是倒为传来算法和自查自纠散度算法的发明人之一,也是深上之主动推进者.通过他的主页可以开到异常多Paper以及优秀学生的paper,此外推荐他的学习者Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机器上方向的牛人,如果您莫明了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大规模深度上下演进

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

介绍:MIT出版的吃水上电子书,公开电子书

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

介绍:深度卷积神经网络(CNN)提取特征的数学理论

  • 《Microsoft Research Asia:Kaiming
    He》

介绍:推荐微软亚洲研究院何恺明主页

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

介绍:《语音及语言处理》第三版(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及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)深度上下之流量鉴别(协议鉴别/异常检测),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),%5Bmaterial%5D(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

  • 《LibRec:A Java Library for Recommender
    Systems》

介绍:一个引进系统的Java库

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

介绍:多为重图的谱说及其在网入侵检测中之运用(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底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,涵盖了书本,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学的任课,主要研究方向是机上与数挖掘.在2015年的ACM
webinar会议,曾刊登了有关盘点机器上园地的五良山头主题演讲.他的个人主页拥有不少相关研究之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/机器上有关资源》

介绍:这篇文章外的推荐系统资源很丰富,作者非常有心中,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且是斯坦福大学的授课,Trevor
Hastie更是以统计学上及建树多多

  • 《The Evolution of Distributed Programming in
    R》

介绍:R分布式计算的迈入,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会总第一片,第二片段.

  • 《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何组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篇会议(ECCV14,NIPS14ws),定位及甄别图片中之公文(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据与代码.

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

介绍:计算机视觉的一个比充分的数量集索引,
包含387只标签,共录取了314独数据集合,点击标签云就足以找到自己得之库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的总结: 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。在全民deep learning做visual
perception的下,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观看频.

  • 《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]据悉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:这是一律按照在线的纵深上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是平等个新入门的学员可先行押这本书籍Yoshua Bengio:
How can one get started with machine
learning?.汉语译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的纵深上阅读列表.

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

介绍:纽约州立大学布法罗分校2015年春天机械上课程主页.

  • 《Theano is a Deep learning Python library

介绍:
Theano是主流的纵深上Python库之一,亦支持GPU,入门比较难.推荐Theano
tutorial,Document

  • 《Statistical Language Models Based On Neural
    Networks》

介绍:博士论文:神经网络统计语言模型.

  • 《文本数据的机上机关分拣方法(上)》

介绍:文件数据的机器上活动分拣方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以将吃挡的图纸上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院把那个深度上工具包CNTK,想更询问及上学CNTK的同班可以关押眼前几上公布之《CNTK白皮书》An
Introduction to Computational Networks and the Computational Network
Toolkit.

  • 《Kalman and Bayesian Filters in
    Python》

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

  • 《Statistical inference for data
    science》

介绍:在线免费书写:面向数据正确的统计测算,R示例代码,很对GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由Yoshua
Bengio撰写的科目,其情涵盖了上学人工智能所运用的纵深上架构的学资源,书被的品种已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是平卖机器上和深度上课程,文章与资源的清单。这张清单根据各个主题进行创作,包括了广大以及深度上有关的种类、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。话题涵盖大数据、Hadoop、scikit-learn和正确Python堆栈以及广大外方面的内容。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为均被含有中,当然还有相关的特定构架和定义等.

  • 《Open Source Deep Learning Server》

介绍:开源的深度上服务,DeepDetect是C++实现之依据外部机器上/深度学习库(目前凡Caffe)的API。给来了图训练(ILSVRC)和文件训练(基于字之情愫分析,NIPS15)的样例,以及因图片标签索引至ElasticSearch中github.

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

介绍:这是海外的一个科技频道,涵盖了数量挖掘,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)不明确的不易——概率论导论(MITx).

  • 《R software and tools for everyday
    use》

介绍:R语言开发常用软件/工具推荐.

  • 《Implementing Dynamic memory
    networks》

介绍:动态记忆网络实现.

  • 《Deeplearning4j
    中文主页》

介绍:英文主页

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

介绍:50单非常数量解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上之圆满硬件指南,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:如何在社会媒体上开言语检测?没有多少怎么收拾?推特官方披露了一个万分贵重的数据集:12万标注过之Tweets,有70种语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上和机器上要集会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/数据收集/内容设计息息相关资源推荐

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

介绍:WikiTableQuestions——复杂真实问答数据集

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

介绍:(2016版)35单超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两各大家首次等共发文,CAFFE和SPARK完美结合,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的一个研项目,MLbase是一个分布式机器上管理体系

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

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

介绍:Spark视频集锦

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

介绍:R语言深度上第一省:从零开始

  • 《A Visual Introduction to Machine
    Learning》

介绍:图解机器上

  • 《Citation Network Dataset》

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

  • 《Best Free Machine Learning
    Ebooks》

介绍:10遵照最佳机器上免费书写

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

介绍:ICCV15视频集

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

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

  • 《A Short Introduction to Learning to
    Rank》

介绍:Learning to Rank简介

  • 《Global Deep learning
    researcher》

介绍:全球深度上专家列表,涵盖研究者主页

  • 《Top Spark Ecosystem
    Projects》

介绍:Spark生态顶级项目集中

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

介绍:ACM IUI’16论文集Conference Navigator –
Proceedings

  • 《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每当 Oxford
开设的纵深上课程,课程youtube地址,Google
DeepMind的钻研科学家,此外首页:computervisiontalks的始末为格外丰富,如果你是举行机械视觉方面的钻研,推荐吧看外内容.肯定得吧无小.还有,这号youtube主页交了之视频为够呛有分量

  • 《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.紧跟深度上之新闻、研究进展和连锁的创业项目。从事机械上,深度上世界的对象建议每日看同样扣押

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的会议paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上在生物工程领域的采用,如果您行生物工程领域,可以预先看一首文章详尽介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在海洋生物信息法领域的运

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

介绍:一些有关机器上要了解知识,对于刚刚入门机上之同桌应该读一诵读

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器学用户组主页,网罗了剑桥大学局部机上领域专家与谍报

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

介绍:Randy
Olson’s的组成部分数目解析和机具上型库,是读履的好素材

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果用的倒是多,而用来开机械上的即使比少了.Swift
Ai在当时地方举行了不少聚集.可以省

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

介绍:如何向同各5年的孩童解释支持于量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机械上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的片牛人博客,超有实力的钻单位等之网站链接.做计算机视觉方向的冤家建议大多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度上研讨主页,此外研究小组对2013年deep learning
的新式进展及连锁论文开了整治,其中useful
links的始末好受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是一样首关于寻找引擎的博士论文,对现行广大以的检索引擎google,bing等举行了分析.对于做搜索类似产品的坏有技巧参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这看似书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深上方面的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的复分布式梯度下降.同时援引大分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究有关问题综述.

  • 《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: 亚马逊对此同过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

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

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的推荐收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏表示和高维几何.12年由Elsevier、13年及今天由PAMI(仍由Elsevier赞助)设立的华年研究者奖(Young
Researcher
Award)授予好博士学位后七年内获得杰出贡献的;由CV社区提名,在CVPR会议上公布。2015年得主是哥大助理教授John
Wright,09年《健壮人脸识别的疏表示法》援已超越5K.

  • 《Software engineer how to learning Machine
    learning》

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

  • 《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:
软件工程领域现在啊针对机械上和自然语言处理很感兴趣,有人生产了“大代码”的定义,分享了森代码集合,并且认为ML可以为此在展望代码Bug,预测软件作为,自动写新代码等职责上。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.众确保激励机制的表现经济学研究:批量结算比单任务之姣好率大。2.在众包专家和新手间建立联系:微实习。3.词嵌入结合众包验证的歌词汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的动预计。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如出一辙节省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是平等慢性机上之开源框架,专为黑客打造,而未也科学家要发。它用Rust开发,传统的机械上,现今的深度上通吃。Leaf

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

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

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

介绍: OpenAI Gym:开发、比较强化学习算法工具箱

  • 《conference-iclr-2016 Papers and
    Code》

介绍: 机器学习会ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要涉嫌的凡贝叶斯网络以及马尔科夫逻辑网络的learning和inference问题,同时以针对PGM有深的反驳解释,是上概率图模型必看的书。难度中及,适合有有ML基础的研究生.[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:
这是同等份有关机器上与多少挖掘以网安全者采用之资源帖,包含了有的要的站点,论文,书籍,斯坦福课程与一些灵光之教程.

  • 《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观展频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线和参考资料

  • 《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:微软亚洲研究院之刘铁岩等人口近来当AAAI
2017高达开的有关优化以及周边机器上之Tutorial。很值得一看。里面对民俗的优化算法,特别是一对驳斥特性以及分布式算法的应和理论特性都来一个比详细的下结论。非常适合想迅速了解这些世界的大家及工程师。另外,这个Tutorial还介绍了DMTK的一些情景,作为一个分布式计算平台的利弊,还顺带比较了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规划思想及促成,比较多种植流行框架(Caffe、MXNet、TensorFlow、Chainer等)的性及异同。

  • 《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:视频发表: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深度求学NLP课程(2017)

  • 《Persontyle Workshop for Applied Deep
    Learning》

介绍:伦敦深上研讨会资料

  • 《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达成还有许多经推荐可翻阅

  • 《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:深度上论文及资源大列表(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:《计算机还是不克做呀——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,业内对其的褒贬是:”算是不过顶级也是最好早的关于社会计算的会”。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或非常前沿的。如果您是开社会计算的还是得省。毕竟是行内数一数二的会议。对了,只要是你明白名字的有名社交媒体都有投稿.[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

介绍:这是一致卖python机器上库,如果您是平等个python工程师而且想深入之读机器学习.那么就首文章或能够助及你.

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

介绍:这等同篇介绍如果计划及管制属于您自己之机械上类的文章,里面提供了管理模版、数据管理和实施方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还免知晓呀是机械上,或虽然是刚刚上感觉到老枯燥乏味。那么推荐一诵读。这篇稿子曾于翻成汉语,如果生趣味可以移动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机械上的重中之重语言,有广大的情人想学R语言,但是接连忘记一些函数和第一字的意思。那么就篇稿子或能扶助到公

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该如何选机器上算法,这首文章于直观的可比了Naive
Bayes,Logistic
Regression,SVM,决策树等方法的上下,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了底本子:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深度网络,作者对于例子的选项、理论的牵线都死成功,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:<机器上及优化>这是均等准机器上的小册子,
短短300几近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, 也可老手温故而知新.
比打MLAPP/PRML等大部头,
也许这按照你再次亟待!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是自百度,不过他本身都在2014年4月份提请离职了。但是这篇文章好正确如果你免晓得深度上与支持为量机/统计上理论有啊联系?那么该立即看看就首文章.

  • 《计算机科学中之数学》

介绍:这本书是出于谷歌公司同MIT共同出品的微机对中的数学:[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,目前国内产生纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是千篇一律按照由雪城大学新编的次本子《数据对入门》教材:偏实用型,浅显易懂,适合想上学R语言的同窗选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是一律篇文档或书籍。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个问题,内容连TAOCP,P/NP问题,图灵机,逻辑,以及为何大神不用电邮等等。

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

介绍:不会见统计怎么收拾?不懂得什么选适宜的统计模型怎么处置?那就首稿子你的佳读一念了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了平等首关于automatic
statistician的文章。可以自动选择回归模型类别,还能活动写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上与representation learning最新进展发趣味的同学可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是一样比照信息搜索有关的书籍,是出于斯坦福Manning以及谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美极其受欢迎之音搜索教材有。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张可以的图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.很鲜明

  • 《雅虎研究院的数集汇总》

介绍:雅虎研究院的数额集汇总:
包括语言类数据,图及团交类数据,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,并且在2014年一月就开张: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占据为机上新师推荐的上学习资源,帮助新家快速入门。而且这篇稿子的介绍曾被翻成中文版。如果你有点熟悉,那么我提议你先看一样圈中文的牵线。

  • My deep learning reading
    list

介绍:主要是顺Bengio的PAMI
review的稿子找出来的。包括几据综述文章,将近100篇论文,各位山头们的Presentation。全部都得以以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问。理论很多

  • 探讨推荐引擎内部的暧昧,第 1 有:
    推荐引擎初探

介绍:本文共有三独密密麻麻,作者是根源IBM的工程师。它要介绍了推荐引擎相关算法,并帮读者很快的贯彻这些算法。
探究推荐引擎内部的神秘,第 2 片: 深度推荐引擎相关算法 –
协同过滤,追究推荐引擎内部的心腹,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《对机械上新专家的少数建议》,
写的不胜实在,强调实行及辩论结合,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.”

  • 分布式并行处理的多寡

介绍:这是同等遵照有关分布式并行处理的数目《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 的童鞋可以参考下

  • 《“机器上”是啊?》

介绍:【“机器上”是呀?】John
Platt是微软研究院独立科学家,17年来他一直当机上世界耕耘。近年来机器上变得炙手可热,Platt和共事等遂决定办博客,向群众介绍机器上的研究进展。机器上是呀,被运在哪?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日当江山议会着力热闹举办。本次大会由微软亚洲研究院跟清华大学共同主办,是者装有30几近年历史并著名世界之机上世界的盛会首不良来华,已成吸引世界1200差不多员专家的提请与。干货很多,值得深刻学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子要是坐Learning to
Rank为条例说明企业界机器上之切实可行运用,RankNet对NDCG之类不灵动,加入NDCG因素后改为了LambdaRank,同样的思维从神经网络改吧利用及Boosted
Tree模型就水到渠成了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一叫做得主,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还有好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之要害意见。通过学习,你呢将促成多单功能学/深度上算法,能看她啊汝工作,并就学怎么样利用/适应这些想法及新题材达到。本学科假定机器上之基本知识(特别是驾轻就熟的监察上,逻辑回归,梯度下降的想法),如果您不熟识这些想法,我们建议你失去这里机上课程,并优先形成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已经生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。如果欲了知道,需要自然的机器上基础。不过有些地方会面被丁面前相同亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是同等篇介绍图像卷积运算的文章,讲的已算比较详细的了

  • 《Machine Learning Summer
    School》

介绍:每天要一个大牛来讲座,主要涉嫌机械上,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:一个最佳完整的机上开源库总结,如果您当是碉堡了,那后是列表会更叫您惊叹:【Awesome
Awesomeness】,国内就出热情的爱侣进行了翻华语介绍,机械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》课程有视频都好以斯坦福明课网站上看了(如Chrome不行,可用IE观看)
作业及考试呢足以下载。

  • 《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机器上有关平台与开源的机器上库,按照老数据、NLP、计算机视觉及Deep
Learning分类进行了整理。看起格外全的,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。很多时分困惑人们都是,很多算法是千篇一律像样算法,而有点算法又是从其他算法中拉开出来的。这里,我们由点滴只面来深受大家介绍,第一单方面是学习之点子,第二只面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你早已知晓了是什么内容,没错。里面有许多经典的机械上论文值得仔细跟高频的看。

  • 《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,包括数学基础和算法理论的书,可做也入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16据机器上的电子书,可以下载下来当pad,手机方面任意时刻去阅读。不多己提议乃看罢一依照再下充斥同按照。

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

介绍:标题很老,从新手到大方。不过看了上面装有素材。肯定是师了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的充分多,而且自既拉您追寻手拉手了。

  • 《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的下结论

  • 《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:这又是如出一辙首机器上新大家的入门文章。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 & 机器读书 &
    数据挖掘兵器谱》

介绍:python的17单关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在这边神奇的伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡是腾讯广告算法总监,王益博士毕业后以google任研究。这首稿子王益博士7年来打谷歌到腾讯对于分布机器上之眼界。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,每级需要学习的课本及操纵的知。这样,给机器学习者提供一个腾飞的路线图,以免走弯路。另外,整个网站都是有关机器上的,资源异常丰富。

  • 《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:这是平等按部就班来自小的研究员 li Peng和Dong
Yu所著的有关深度上之方法和以的电子书

  • 《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
有守50钟头的视频、十差不多个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曰讲师都是牛人:包括充分牛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:在当年底IEEE/IFIP可靠系统与网(DSN)国际会议达成,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系统,用来化解预测方面的问题,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上大概地介绍了她们当年在场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。如果非是那个绝望可看概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友提问伯克利机器上大牛、美国双双院士Michael I.
Jordan:”如果你产生10亿美金,你怎么花?Jordan:
“我会见为此当下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,此外作者还有部分其他的机上与数挖掘文章和纵深上文章,不仅是辩论还有源码。

  • 《文本以及数挖掘视频汇总》

介绍:Videolectures上极度受欢迎之25单公文以及数量挖掘视频汇总

  • 《怎么取舍深度上的GPUs》

介绍:在Kaggle上不时得是成绩的Tim
Dettmers介绍了他自己是怎么选深度上之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,国内的机上爱好者非常热情的拿这个课程翻译成了汉语。如果你英语不好,可以望是

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上以媒体界被炒作特别厉害(就如大数据)。其实过多总人口还还未知道啊是深上。这首文章由浅入深。告诉您深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学做的相同免费课程(很勉强),这个得叫您当深度上的旅途吃您一个读书之思路。里面涉及了一部分着力的算法。而且告诉你怎么样去用到实在条件中。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学开的一个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,阅读是内容需要出自然之功底。

  • 《R工具包的分类集中》

介绍: (CRAN Task Views,
34种植常见任务,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:
机器学习的是现阶段数解析世界的一个热门内容。很多人于平常的办事中还还是多还是遗失会就此到机械上的算法。本文也您总结一下大的机械上算法,以供你于工作与习中参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了某些独密密麻麻。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)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的故深度上做计算机是清醒的NIPS 2013课程。有mp4,
mp3,
pdf各种下载
他是纽约大学教书,目前吧当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出的开源中文自然语言处理(NLP)工具保管
Fudan
NLP里含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功效,对寻找引擎
文本分析等多有价。

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源的机上工具确保,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,但同时坏想上学机器上的意中人。是一个好之有利。机器上周刊目前要提供中文版,还是面向周边国内爱好者,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》的主要数学先导课程。其实《线代》这门课称得浅显易懂特别不容易,如果一致达成来就是说逆序数及陈行列式性质,很易受学员去学习的兴。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的科目。
课主页

  • 《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。很赞之资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了一如既往号称来本古里什么大学的访问学者,制作了扳平效仿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
等常规机器上算法的申辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对异常数额时,量子机器上之率先单试验 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)通过大数额手段+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独账号,下载了婚恋网站2万女性用户的600万问题答案,对她们开展了统计抽样及聚类分析(图2,3),最后到底落了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开张,该课属于MIT研究生级别的学科,对机器人及非线性动力系统感兴趣的冤家不妨可以挑战一下立即宗学科!

  • 《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年开当处理器科学的舆论被吃引用次数最多之舆论

  • 《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)论文中之代码整理也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也会持续公开。

  • 《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),怎样更好习她?可以为你以浏览器中,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,当您从头勾画代码,一切以移得清清楚楚。他恰好揭晓了同等按书籍,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
讲述工业界和教育界机器上的异议,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,而且还针对小材料做了诠释。

  • 《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:机器上教会了俺们什么?

  • 《scikit-learn:用于机器上之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,他针对纵深上、神经网络有着充分浓厚的趣味。因此,很多问问的问题遭到涵盖了机器上园地的个模型,乔丹教授对斯一一做了讲以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*找是人为智能基本算法,用于高效地找图中有数碰的顶尖路线,
核心是 g(n)+h(n):
g(n)是起起点至顶点n之实在代价,h(n)是顶点n到对象顶点的估计代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档用了Microsoft Azure,可以在几细分种内做到NLP on Azure
Website的部署,立即开始对FNLP各种特色的试用,或者以REST
API的样式调用FNLP的言语分析功能

  • 《吴立德《概率主题模型&数据正确基础》》

介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所顺应所长.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、生物信息重新至量子计算相当于,Amund
Tveit等保护了一个DeepLearning.University小项目:收集从2014年启幕深度上文献,相信可以看做深度上的起点,github

  • 《EMNLP上个别首关于股票方向的应用论文

介绍:EMNLP上有数首关于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:作者是深上一线很牛Bengio组写的教程,算法深入显出,还有实现代码,一步步进展。

  • 《学习算法的Neural Turing Machine

介绍:许多风俗的机械上任务都是当攻读function,不过谷歌目前出起上算法的样子。谷歌另外的就篇学习Python程序的Learning
to
Execute呢起相似之处

  • 《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辨别上的使用,此外还有少数个。一个是辨垃圾以及假信息之paper.还发出一个凡纱舆情及其分析技术

  • 《R机器学习实践》

介绍:该学科是网易公开课的收费课程,不值钱,超级福利。主要适合给对使用R语言进行机上,数据挖掘感兴趣之口。

  • 《大数目解析:机器上算法实现的嬗变》

介绍:本章中笔者总结了三代表机上算法实现之嬗变:第一代非分布式的,
第二替工具要Mahout和Rapidminer实现基于Hadoop的恢弘,第三替代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析和机具视觉》

介绍:讲计算机视觉的季统奇书(应该被经典吧)之一,另外三按照是Hartley的《多图几哪》、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:里面基本无提到到实际算法,但笔者介绍了CF在LinkedIn的森施用,以及她们于召开推荐过程被收获的片更。最后一条经验是应该监控log数据的质,因为推荐的质地非常据数据的身分!

  • 《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:用树莓派和相机模块进行人脸识别

  • 《利用深度上和死数目构建对话系统

介绍:如何运用深度上及充分数量构建对话系统

  • 《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运,而且首先局部关于Why does
the l1-norm induce sparsity的分解啊格外是。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上中至关重要的概念,其以large
margin分类器上的利用为是广为熟知的。如果没有比较好的数学基础,直接掌握RKHS可能会见正确。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:许多同班对机械上与深度上的迷惑在于,数学方面曾经大约知道了,但是动于手来也休知晓什么下手写代码。斯坦福深度上博士Andrej
Karpathy写了同篇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

  • 《机器上算法的一起》

介绍:本文会了千篇一律普最盛的机器上算法,大致了解什么措施可用,很有帮。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来成千上万有关机器上、信号处理、计算机视觉、深入学、神经网络等世界的大度源代码(或只是尽代码)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年之吃水上课程资料,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了集中

  • 《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:多少挖掘十死经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单非常过硬的档次

  • 《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与工程及的突破,发的稿子不多,但每个都老踏实,在各级一个问题达成且完成了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,论文在此处

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

介绍:CIKM Cup(或者称CIKM Competition)是ACM
CIKM举办的国际数据挖掘竞赛的称呼。

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同个英国诞生的计算机学家和心理学家,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促进者.

  • 《自然语言处理的深度上理论同实际》

介绍:微软研究院深度学习技术中心当CIKM2014
上有关《自然语言处理的纵深上理论和实际》教学讲座的幻灯片

  • 《用很数额及机具上做股票价格预计》

介绍: 本文基于<支持于量机的累累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。(股票来高风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上之多驳问题》

介绍:徐宗本
院士将给爱机器上的小伙伴一起探索有关于机器上之几独理论性问题,并让来有些来义之下结论。最后经一些实例来证实这些理论问题的物理意义以及事实上用价值。

  • 《深度上在自然语言处理的应用》

介绍:作者还显有《这便是寻找引擎:核心技术详解》一修,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读的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和业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《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票房价值统计模型并下模型对数码进行预测与剖析的同一派别是,统计上呢改成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之目标是对准电脑编程,以便利用样本数量要以往的阅历来化解给定的问题.

  • 《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

  • 《人工智能与机器上园地有趣的开源项目》

介绍:部分国语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有一样首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了千篇一律首超赞的数值优化博文,从牛顿法讲到拟牛顿法,再道到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:还有续集明白深度上方式概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数目与机具上的重组》

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
”边模仿边用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,并当骨子里比中间比调参数与清数据。
如果就装过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:这篇说把多年来型识别及之突破用及围棋软件达到,打16万布置业棋谱训练模型识别功能。想法是。训练后即能不辱使命决不计算,只看棋盘就为有下一样步,大约10级棋力。但就首文章最过乐观,说啊人类的结尾一片堡垒马上就要超过掉了。话说得无比早。不过,如果同别的软件做该还有潜力可开。@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重新审稿的语句,会出一半之舆论被驳回。

  • 《2014年最佳的雅数额,数据是文章》

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以及群众投票的最为给欢迎的数据科学及数目挖掘语言

  • 《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,作者还出任何甚过硬的篇章推荐可看看

  • 《2014华夏充分数量技术大会33各项中心专家发言PDF》

介绍:2014神州很数量技术大会33员中心专家发言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)。这意味着Paragraph
Vector终于揭秘面纱了嘛。

  • 《NLPIR/ICTCLAS2015划分词系大会上的技艺演讲

介绍:NLPIR/ICTCLAS2015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物搜索技术研讨
李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反倒朝求导及练习》

介绍:介绍CNN参数在动用bp算法时欠怎么训练,毕竟CNN中生卷积层和下采样层,虽然与MLP的bp算法本质上同样,但形式上还是有点区别的,很醒目以就CNN反朝传播前询问bp算法是得的。此外作者为开了一个资源集合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果要是以同一首文章被匹配配十万单主要词怎么惩罚?Aho-Corasick
算法利用上加了归来边的Trie树,能够当线性时间内成功匹配。
但如果配合十万个正则表达式呢 ?
这上可以用到管多只正则优化成Trie树的方法,如日本人口形容的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源之深度上框架,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实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是出于Haskell实现的一个开源的人工神经网络库,它抽象了网络创建、训练并利用了高阶函数。该库还提供了一样组预定义函数,用户可行使多种术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:如果你行互联网搜寻,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,那么就门核心课程你不能不深刻摸底。

  • 《杨强以TEDxNanjing谈智能的源》

介绍:”人工智能研究分多门户。其中某为IBM为代表,认为只要来胜过性能计算就只是取得智能,他们的‘深蓝’击败了社会风气象棋冠军;另一样门认为智能来自动物本能;还时有发生个老强的帮派认为如果找来专家,把他们的合计用逻辑一条条写下,放到计算机里虽实行……”
杨强在TEDxNanjing谈智能的自

  • 《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:网易有道的老三各项工程师写的word2vec底解析文档,从中心的词向量/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之各种tricks,公式推导与代码,基本上是网上关于word2vec资料的大合集,对word2vec谢谢兴趣之朋友可以看

  • 《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的开源软件.与这个类似之还有好多诸如:[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:作者是电脑研二(写稿子的时,现在凡是2015年了相应将毕业了),专业方向自然语言处理.这是某些异的经历的谈.对于入门的情侣或会出拉

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是同等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,在此出一些底美内容就是是自机器上日报.

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

介绍:这是一致首关于图像分类在深上着之篇章

  • 《自动语音识别:深度上方式》

介绍:作者与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中之汉语分词技术》

介绍: 作者是360电商技术组成员,这是同等篇NLP在国语分词中的用

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

介绍: 使用deep
learning的人口脸要点检测,此外还有平等首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多牛文,涉及CV、NLP等世界,值得一诵读。网上公开之几回草稿: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章程勾勒出来,是十分好的手册,领域外之paper各种证明都当为此其中的结果。虽说是初等的,但要生的不便

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费不行数据集,有些已经是习,有些可能要第一次等听说,内容超文本、数据、多媒体等,让他们随同您开始数据正确的一起吧,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的深浅上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好之座谈递归神经网络的文章,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还起雷同篇Deep Learning in a
Nutshell值得推介

  • 《机器上:学习资源》

介绍:里面融合了众之资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上之统计基础》在线版,该手册希望于答辩和执行之间找到平衡点,各关键内容还伴随有实际例子及数据,书被的例子程序都是故R语言编写的。

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

介绍:IVAN VASILEV写的吃水上导引:从浅层感知机到深网络。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒同便利之人工智能优先研究计划:一封公开信,目前都出Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签字The Future of Life
Institute
(FLI).这封信的背景是近些年霍金和Elon
Musk提醒人们注意AI的绝密威胁。公开信的始末是AI科学家们站在福利社会之角度,展望人工智能的前程提高动向,提出开发AI系统的Verification,Validity,
Security,
Control四沾要求,以及要注意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有同总理美剧《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,语音识别等看清危险,到第四季的早晚起了机器通过上成长之后想控制世界之状态。说交这里推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了重重资源,还时有发生有关文化结构,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)开源了平等多元软件库,以救助开发者建立重可怜、更快之深上型。开放的软件库在
Facebook 被号称模块。用它们替代机械上园地常用之支出条件 Torch
中之默认模块,可以当更短的时外训练再度可怜范围的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描摹给2012年,但是及时篇稿子意是作者的涉的作。

  • 《如何变成平等各类数据科学家》

介绍:本文是对《机器上实战》作者Peter
Harrington做的一个访谈。包含了书写被部分的问号解答和某些私家学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好之纵深上概述,对几乎栽流行的深度上型都进展了介绍及议论

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

介绍:主要是描述了采用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮你懂卷积神经网络,讲解很鲜明,此外还有零星篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其他的有关神经网络文章为老棒

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一据学习人工智能的图书,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,他的主页放了部分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:一个之所以来快速的统计,机器上而于数据量大的数学库

  • 《ICLR
    2015会的arXiv稿件合集》

介绍:在这边您得视最近深度上来什么新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信息寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了信息寻找、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中的运

  • 《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和预测问题,相关的法规采取包括预测编码、早期案例评估、案件完全状况的前瞻,定价与工作人员预测,司法行为预测相当。法律领域大家可能都比较陌生,不妨了解下。

  • 《文本上的算法》

介绍:
文中提到了太漂亮,模型,最大熵等等理论,此外还有以篇。推荐系统可说凡是同仍科学的阅读稿,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的自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自带了一个教练好之动物模型,你得拿狮子大象的像来试试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了当Hadoop2.0上采取深度上,文章来源paypal

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

介绍:用基于梯度下降之计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: 用统计以及报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个叙机器上的Youtube视频教程。160集合。系统程度跟书可比拟。

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

介绍:
机器学习着的数学,作者的研讨方向是机器上,并行计算如果您还眷恋了解一些旁的可看看外博客的别样文章

  • 《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选择

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

介绍: CNN用于WEB搜索,深度上在文件计算着之利用

  • 《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,号称是快极其抢的NLP库,快之因一样凡是用Cython写的,二是为此了单非常抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields凡只数学研究为主,上面的当下卖ppt是发源Fields举办的移位中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,标注了第一点

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

介绍:
多伦多大学跟Google合作之初论文,深度上呢足以为此来下围棋,据说能够落得六截水平

  • 《机器上周刊第二巴》

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的舆论库已经用了963首经过分类的深上论文了,很多经论文还早已用

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

介绍: Radim
Řehůřek(Gensim开发者)在同等次等机器上聚会及之报,关于word2vec会同优化、应用以及扩充,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

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

  • 《LDA入门与Java实现》

介绍:
这是平首面向工程师的LDA入门笔记,并且提供平等份开箱即用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实现核心部分以了arbylon的LdaGibbsSampler并力所能和地诠释了,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,从学术网络被挖深度知识、面向科技不行数目的打桩。收集近4000万作者信息、8000万论文信息、1亿基本上引用关系、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底幽默应用,Omer
Levy提到了外于CoNLL2014至上论文里的剖析结果跟初章程,Daniel
Hammack给有了追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,虽然其中的粗课程都归档过了,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年之迷信

  • 《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单算法.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无限佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加浓厚一些。通过全局的平静分布去求解每个节点影响系数模型。假设合理(转移受到附近的熏陶系数影响)。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,现实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常过硬的强调特征选择针对性分类器重要性的篇章。情感分类中,根据互信息对复杂高维特征降维再使用节能贝叶斯分类器,取得了比SVM更美之功用,训练及分类时间吗大大降低——更重要之是,不必花费大量岁月在学及优化SVM上——特征也同等no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上如何解决问题》

介绍:随着大数量时代的至,机器上变成化解问题的同等种主要且要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的方向,但是学术界和工业界对机器上的研讨各个起重,学术界侧重于对机器上理论的钻研,工业界侧重于安用机器上来解决实际问题。这篇稿子是美团的实际条件被的实战篇

  • 《Gaussian Processes for Machine
    Learning》

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

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是因Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您更快地开创及治本NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一要的机上入门课程”Introduction to
Machine
Learning“近期恰巧开拍,课程4K高清视频并到Youtube上,目前恰好更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣之同桌可以关心,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联合特征,可重新好地发表图片内容相似性。由于无借助让人工标签(标注),可用来大规模图片处理,难在用户作为数据的博与漱口;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技术团队对前段时间开源的流年序列非常检测算法(S-H-ESD)R包的牵线,其中对大的定义跟分析深值得参考,文中也关系——异常是高针对性的,某个世界支出之挺检测以另外领域直接用而不行.

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

介绍:聚焦数据质量问题的对答,数据质量对各种层面企业的特性及频率还重点,文中总结出(不压制)22种典型数据质量问题表现的信号,以及卓越的多少质量解决方案(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:很好的原则仍机场(CRF)介绍文章,作者的就学笔记

  • 《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教授于H2O.ai
Meet-Up上的告知,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年同主题报告
、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!作者的翻新频率也深频繁

  • 《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一篇有意思的Arxiv文章,作者用Shannon Entropy来描写NLP中各项任务的难度.

  • 《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)并且包含集成学习之构思:组合了BM11及BM15零星独模型。4)作者是BM25之发起人和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的略介绍,ARMA是研究时序列的根本措施,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: 把自target的attention signal加入source encoding
CNN的输入,得到了比BBN的范好之多neural network joint model

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

介绍:
揭开印度菜肴的可口秘诀——通过对大气菜系原料关系之挖,发现印度菜肴香的故有是内部的寓意互相冲突,很有意思的文本挖掘研究

  • 《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,最闻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)引入参数修正了对甚高频及死低频词的描摹 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,有很多RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信你为会见受益匪浅.

  • 《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。下载最简便的方式,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,在原有的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: 深度上的无所不包硬件指南,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】在面部识别及而自我还是大家,即使细微之异样吗能辨别。研究已证实人类同灵长类动物在颜加工及差于其他物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的圆满组合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了为此而调节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优质的物出来。此外作者博客的任何文章也罢充分正确。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实际应用场景NN选择参考表,列举了有的超人问题建议用的神经网络

  • 《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多个本子的代码

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

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的如出一辙篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她俩以MLlib中的分布式实现,以及展示一些简约的例子并提议该由哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

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

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

  • 《神经网络语言模型》

介绍:本文根据神经网络的上扬过程,详细讲解神经网络语言模型在相继阶段的款式,其中的型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新研究: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,包括完全的数码处理流程,是学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)是图像处理及图像分析的钻期刊,每篇文章都含有一个算法和相应的代码、Demo和尝试文档。文本和源码是经了同行评审的。IPOL是开的正确性及而另行的研讨期刊。我直接怀念做点类似之做事,拉近产品与技能中的距离.

  • 《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,同步更新参数的状态下中心达成线性加速。12片Titan
20钟头可完成Googlenet的教练。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然较少.但蚊子再稍微吗是肉.有隆起部分.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:这是一致本自然语言处理的词典,从1998年始于至眼前积累了好多的规范词语解释,如果您是平员正入门的朋友.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年至今日的竞技数据,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短平快算法,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,可在客户端浏览器被运作,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,优化理论是机械上之内核,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,内容涉及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: 基于深度上的大半标签分类,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》,
国内来热心的情人翻译了中文版,大家也可在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数挖掘文章.

  • 《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: 非常强大的Python的数额解析工具包.

  • 《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、库调研和Theano的开测试体会报告.

  • 《DEEP
    learning》

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

  • 《simplebayes》

介绍: Python下开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:好多多少科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种就开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的法为会跟word2vec获多的意义。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深度上和自然语言处理课程,Richard Socher主讲.

  • 《Math Essentials in Machine
    Learning》

介绍:机器上中的重要数学概念.

  • 《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功能很好.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),聚焦统计理论和艺术以机上园地应用.

  • 《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的冤家肯定要是省,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数目应用》

介绍:生物医学的SPARK大数据应用.并且伯克利开源了她们之big data
genomics系统ADAM,其他的情节可以关注一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或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,这个网址有此领域几杀顶会的论文列表,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,心想事成代码.

  • 《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 每个人犹设描写一个论文级别之报告
里面来有百般风趣的用 大家可看 .

  • 《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:文中涉及的老三篇论文(机器上那些从事、无监督聚类综述、监督分类归纳)都格外经典,Domnigos的机械上课为甚可观

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上的票房价值理论.

  • 《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最近当McGill
University研讨会达成之晓,还提供了平等多级讲话机器上方式的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:亚马逊于机上地方的片利用,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:一个因OpenGL实现之卷积神经网络,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比,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分析以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&数据是在线交互教程.

  • 《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年春季学期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.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:以往上千履行代码概率编程(语言)实现就待50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,此外一个,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起用论文列表,大部分论文而下Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的重要性性.

  • 《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:有趣之机上:最强烈入门指南,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入我的博客主页

相关文章

标签:, ,

Your Comments

近期评论

    功能


    网站地图xml地图