365bet体育在线客户端机器上与深度上资料

  • 《Brief History of Machine
    Learning》

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

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的时版本《神经网络与深度上综述》本综述的性状是盖日排序,从1940年始于称起,到60-80年份,80-90年份,一直说到2000年后与近年来几年之进展。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:这是同等卖python机器上库,如果你是平等员python工程师而且想深入之习机器学习.那么就首文章或能够助及你.

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

介绍:这无异于篇介绍如果计划和保管属于你协调之机上型之章,里面提供了管制模版、数据管理与实践方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还不知情啊是机上,或虽然是正上感觉到老枯燥乏味。那么推荐一念。这篇稿子都深受翻成汉语,如果发生趣味可以运动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机上的第一语言,有广大底意中人想学R语言,但是接连忘记一些函数和重大字的意义。那么就首稿子或能够帮助及您

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该如何选择机器上算法,这首文章于直观的比了Naive
Bayes,Logistic
Regression,SVM,决策树等办法的高低,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了之版:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深网络,作者对例子的精选、理论的介绍都十分到位,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:<机器上和优化>这是相同据机器上之小册子,
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, 也合乎老手温故而知新.
比打MLAPP/PRML等大部头,
也许就按照你重新亟待!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上及统计上理论》

介绍:作者是出自百度,不过他自己都当2014年4月份报名离职了。但是及时首文章好对如果您切莫明白深度上及支持于量机/统计上理论来啊关系?那么该就看看就首文章.

  • 《计算机是中之数学》

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

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

介绍:信息时代的处理器对理论,目前国内发生纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是相同遵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,适合想读R语言的校友选读。

  • 《Twenty Questions for Donald
    Knuth》

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

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

介绍:不见面统计怎么处置?不知晓怎么选择适当的统计模型怎么惩罚?那立首稿子你的佳读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了一如既往篇有关automatic
statistician的篇章。可以活动选择回归模型类别,还会自行写报告…

  • 《ICLR
    2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是同样如约信息寻找相关的书,是由斯坦福Manning跟谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美无限让欢迎之信息寻找教材有。最近作者多了拖欠课程的幻灯片和学业。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布置精彩的希冀来诠释机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很鲜明

  • 《雅虎研究院的数目集汇总》

介绍:雅虎研究院的数额集汇总:
包括语言类数据,图及团队交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数量。

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

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且在2014年元月已开张: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为机械上新师推荐的上乘学习资源,帮助新家快速入门。而且就首文章的介绍都深受翻成中文版。如果您多少熟悉,那么我建议乃先看无异收押中文的牵线。

  • My deep learning reading
    list

介绍:主要是沿Bengio的PAMI
review的篇章找出来的。包括几比照综述文章,将近100首论文,各位山头们的Presentation。全部还好当google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是同样本书籍,主要介绍的是跨语言信息搜索方面的知。理论很多

  • 深究推荐引擎内部的隐秘,第 1 片:
    推荐引擎初探

介绍:本文共有三独密密麻麻,作者是来IBM的工程师。它主要介绍了引进引擎相关算法,并赞助读者很快之落实这些算法。
探究推荐引擎内部的机要,第 2 局部: 深度推荐引擎相关算法 –
协同过滤,追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《对机械上新大方的某些提议》,
写的不胜实在,强调实行与理论结合,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.”

  • 分布式并行处理的数目

介绍:这是同等遵照有关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”是什么?》

介绍:【“机器上”是呀?】John
Platt是微软研究院独立科学家,17年来他径直于机械上世界耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定办博客,向群众介绍机器上的研究进展。机器上是啊,被运在乌?来拘禁Platt的立刻首博文

  • 《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)已经让6月21-26日以国议会中心隆重举办。本次大会由微软亚洲研究院以及清华大学一起主办,是这个装有30几近年历史并著名世界的机器上世界的盛会首差赶到华,已成功引发世界1200基本上各类学者的报名参与。干货很多,值得深刻上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首稿子主要是以Learning to
Rank为条例说明企业界机器上之有血有肉以,RankNet对NDCG之类不灵敏,加入NDCG因素后成了LambdaRank,同样的思维从神经网络改吗以至Boosted
Tree模型就得了LambdaMART。Chirs
Burges,微软的机器上大神,Yahoo
2010 Learning to Rank
Challenge第一名为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
另外,Burges还有好多知名的代表作,比如:A Tutorial on Support Vector
Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本课程将阐述无监督特征上与纵深上之显要观点。通过学习,你吗拿落实多个功能上/深度上算法,能望它也而工作,并学习怎么行使/适应这些想法到新题材上。本课程假定机器上之基本知识(特别是习的监督上,逻辑回归,梯度下降之想法),如果你免熟悉这些想法,我们建议你失去这里机上课程,并先行就第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已闹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。如果急需了理解,需要一定的机械上基础。不过有点地方会为人口前同样亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是如出一辙首介绍图像卷积运算的稿子,讲的都算比较详细的了

  • 《Machine Learning Summer
    School》

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

  • 《Awesome Machine
    Learning》

介绍:一个顶尖级完整的机器上开源库总结,如果您道这个碉堡了,那后面是列表会重新受您好奇:【Awesome
Awesomeness】,国内曾经有热情的意中人进行了翻华语介绍,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》课程有视频都得以于斯坦福明课网站上张了(如Chrome不行,可用IE观看)
作业和试验呢堪下载。

  • 《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,已经写了三段了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的佛法。

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台跟开源的机上库,按照老数目、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。很多上困惑人们都是,很多算法是同样类算法,而小算法又是打外算法中延长出的。这里,我们打区区个点来深受大家介绍,第一单方面是上之方法,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你既亮了凡呀内容,没错。里面来为数不少藏的机器上论文值得仔细跟一再的开卷。

  • 《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:总结了机上之藏图书,包括数学基础及算法理论的书籍,可举行呢入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16照机器上之电子书,可以下载下来当pad,手机端任意时刻去读。不多己建议你看罢一依又下充斥同以。

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

介绍:标题很可怜,从新手到大方。不过看罢上面有素材。肯定是家了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的不得了多,而且自己曾帮助您寻找一块了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上系统,用来化解预测方面的题目,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:计算机视觉入门的履人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这同时是一模一样首机器上新家的入门文章。值得一诵读

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17个有关机器上的工具

  • 《神奇之伽玛函数(上)》

介绍:下集在此地神乎其神之伽玛函数(下)

  • 《分布式机器上的故事》

介绍:作者王益时凡是腾讯广告算法总监,王益博士毕业后在google任研究。这首文章王益博士7年来起谷歌到腾讯对于分布机器上的所见所闻。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要上学的教科书及掌握的学识。这样,给机器学习者提供一个腾飞的途径图,以免走弯路。另外,整个网站还是关于机器上的,资源十分丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是相同据来自小的研究员 li Peng和Dong
Yu所出示的有关深度上的主意和采用的电子书

  • 《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
有靠近50小时之视频、十差不多独PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13名叫讲师都是牛人: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的广泛机器上体系》

介绍:在今年的IEEE/IFIP可靠系统跟网(DSN)国际会及,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目,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

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

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

介绍:贝叶斯学习。如果未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:网友问伯克利机器上大牛、美国夹院士Michael I.
Jordan:”如果你来10亿美金,你怎么花?Jordan:
“我会见因此这10亿美金建造一个NASA级别之自然语言处理研究型。”

  • 《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,此外作者还有一部分别样的机上与数量挖掘文章和纵深上文章,不仅是辩论还有源码。

  • 《文本及数据挖掘视频汇总》

介绍:Videolectures上极其让欢迎之25独文本及数码挖掘视频汇总

  • 《怎么选深度上的GPUs》

介绍:在Kaggle上时时得不错成绩的Tim
Dettmers介绍了外协调是怎选择深度上的GPUs,
以及民用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情的管此科目翻译成了国文。如果您英语不好,可以看这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上以媒体界被炒作死厉害(就像大数目)。其实过多口都还免晓得啊是深上。这篇稿子由浅入深。告诉你深度学究竟是什么!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学举行的相同免费课程(很勉强),这个得叫你当深度上的途中被您一个念之思绪。里面涉及了片主干的算法。而且告诉您哪错过采用到实在条件面临。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个深度上用来鉴别图片标签/图转文字的demo。是一个其实运用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要出早晚之底蕴。

  • 《R工具包的分类集中》

介绍: (CRAN Task Views,
34种普遍任务,每个任务而各自分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多更变量分析,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。很多人数在平时之做事负都还是多还是有失会为此到机械上之算法。本文也汝总结一下周边的机上算法,以供而当办事与学习中参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

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

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列之(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列的(七)

DeepLearning(深度上)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的之所以深度上做计算机是清醒的NIPS 2013课。有mp4,
mp3,
pdf各种下载
他是纽约大学教授,目前呢于Facebook工作,他2014年的8篇论文

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开支的开源中文自然语言处理(NLP)工具管
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、语法分析等作用,对寻找引擎
文本分析等极为有价。

  • 《Open Sourcing
    ml-ease》

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

  • 《机器上周刊》

介绍:对于英语不好,但以非常怀念学机器上的爱侣。是一个老大之造福。机器上周刊目前关键提供中文版,还是面向周边国内爱好者,内容涉及机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的要数学先导课程。其实《线代》这宗课称得浅显易懂特别非容易,如果同样达来就是说逆序数及陈行列式性质,很轻受学员去学习的兴。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的课。
学科主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了相同号称来自本古里什么大学之访问学者,制作了同样效关于机器上之文山会海视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等健康机器上算法的辩论基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对老数量时,量子机器上的率先独试验 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)通过杀数据手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定在12单账号,下载了恋爱网站2万女用户之600万题材答案,对他们进行了统计抽样及聚类分析(图2,3),最后竟获得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开张,该课属于MIT研究生级别之教程,对机器人和非线性动力系统感兴趣之爱人不妨可以挑战一下应声宗科目!

  • 《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年上马在计算机是的论文被于引述次数最多的论文

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

介绍:把当年之一个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),怎样更好读书她?可以让您当浏览器被,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉您,最佳技巧是,当你起来勾画代码,一切将易得一清二楚。他巧公布了平等照图书,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

介绍:前Google广告系统工程师Josh Wills
讲述工业界和知识界机器上之异同,大实话

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

介绍:使用Neo4j
做影视评论的结分析。

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

介绍:不仅是材料,而且还针对性小资料做了诠释。

  • 《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:机器上教会了俺们啊?

  • 《scikit-learn:用于机器上之Python模块》

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

  • 《对话机器上大神Michael
    Jordan:解析领域受到位模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上园地神经网络的大牛,他针对纵深上、神经网络有着充分厚的趣味。因此,很多问问的问题被蕴藏了机器上世界的个模型,乔丹教授对准这一一做了说与展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*追寻是人为智能基本算法,用于高效地找图中有数点的最佳路线,
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到目标顶点的估量代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档下了Microsoft Azure,可以当几乎分割种内完成NLP on Azure
Website的部署,立即开始针对FNLP各种特色的试用,或者以REST
API的款式调用FNLP的语言分析功能

  • 《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。计算机科学研究所称所长.内部课程

  • 《机器上入门资源不完全集中》》

介绍:好东西的干货真的多

  • 《收集从2014年始深度上文献》

介绍:从硬件、图像及正规、生物、大数据、生物信息再到量子计算相当于,Amund
Tveit等保障了一个DeepLearning.University小类:收集从2014年开班深度上文献,相信可以当深度上的起点,github

  • 《EMNLP上简单篇有关股票方向的利用论文

介绍:EMNLP上点儿篇关于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:作者是深度上一线很牛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:许多风俗的机器上任务还是以念function,不过谷歌目前出始念算法的样子。谷歌另外的就篇学习Python程序的Learning
to
Execute呢出相似之处

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

介绍:作者是华为技术有限公司,诺亚方舟实验室,首席科学家的李航博士写的关于信息寻找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鉴别上之动,此外还有少独。一个凡是可辨垃圾及假信息之paper.还发生一个是网舆情及其分析技术

  • 《R机器学习实践》

介绍:该学科是网易公开课的收款课程,不值钱,超级福利。主要适合给对以R语言进行机上,数据挖掘感兴趣的人数。

  • 《大数目解析:机器上算法实现的演变》

介绍:本章中笔者总结了三代机上算法实现之嬗变:第一替非分布式的,
第二代表工具如Mahout和Rapidminer实现冲Hadoop的扩展,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:讲计算机视觉的季总理奇书(应该被经典吧)之一,另外三依是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最新的引荐系统文章Browsemaps》

介绍:里面基本无提到到实际算法,但作者介绍了CF在LinkedIn的无数使,以及他们在举行推荐过程被取得的部分更。最后一漫长经验是应有监控log数据的身分,因为推荐的色非常靠数据的成色!

  • 《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

  • 《利用深度上和充分数目构建对话系统

介绍:如何以深度上及甚数据构建对话系统

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

介绍:Francis Bach合作的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施用,而且首先局部关于Why does
the l1-norm induce sparsity的讲啊生不错。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上着最主要之概念,其当large
margin分类器上的使为是广为熟知的。如果没比好的数学基础,直接了解RKHS可能会见对。本文由着力运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同校对机械上及深度上的迷惑在于,数学方面曾约知道了,但是动于手来也未晓哪些入手写代码。斯坦福深度上博士Andrej
Karpathy写了一样首实战版本的深度上及机上课程,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:本文会过相同合最流行的机上算法,大致了解什么方法可用,很有帮带。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来诸多有关机器上、信号处理、计算机视觉、深入学习、神经网络等世界的汪洋源代码(或只是尽代码)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了集中》

介绍:计算机视觉数据集不完全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数挖掘十好经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单大强的路

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高等学校欧文分校为机械上社区保安着306只数据集。查询数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上以图像、视频语义分析世界得到了科研及工程达到的突破,发之章不多,但每个都特别朴实,在各级一个问题及且完成了state-of-art.

  • 《Andrej
    Karpathy的深度加深学习演示》

介绍:Andrej
Karpathy的深加深学习演示,舆论在此处

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一模一样位英国诞生之盘算机学家和心理学家,以那当神经网络方面的奉献闻名。辛顿是倒朝传来算法和对比散度算法的发明人之一,也是深浅上之积极性推动者.

  • 《自然语言处理的深浅上理论及事实上》

介绍:微软研究院深度学习技术中心于CIKM2014
上有关《自然语言处理的深上理论同事实上》教学讲座的幻灯片

  • 《用十分数量与机械上做股票价格预计》

介绍: 本文基于<支持为量机的频繁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.

  • 《关于机器上之多辩护问题》

介绍:徐宗本
院士将让爱机器上之伙伴联手追有关于机器上的几乎单理论性问题,并于起一些有含义的结论。最后通过有些实例来说明这些理论问题的大体意义和实在使用价值。

  • 《深度上在自然语言处理的利用》

介绍:作者还显示有《这就是是寻觅引擎:核心技术详解》一开,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章推荐

  • 《推荐系统经典论文文献与业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其应用”研讨会PPT》

介绍:第十二届中国”机器上及其应用”研讨会PPT

  • 《统计机器上》

介绍:统计上是有关电脑基于数构建的票房价值统计模型并应用模型对数据开展预测与分析的如出一辙流派是,统计上呢改为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的对象是本着电脑编程,以便使样本数量还是以往之经历来缓解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能与机具上园地有趣的开源项目》

介绍:部分华语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有雷同篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了平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:还有续集阳深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数额及机具上的结》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

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

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说拿多年来型识别达到的突破用到围棋软件上,打16万摆业棋谱训练模型识别功能。想法是。训练后即亦可好决不计算,只拘留棋盘就深受闹下一致步,大约10层棋力。但立刻首文章最过乐观,说啊人类的末尾一片堡垒马上将过掉了。话说得最为早。不过,如果与别的软件成该还有潜力可开。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他代表,根据这次试验的结果,如果今年NIPS重新审稿的言辞,会有一半的舆论被拒。

  • 《2014年超级的特别数量,数据对文章》

介绍:KDNuggets分别总结了2014年14只阅读最多同享受最多的篇章。我们从中可以观看多个主题——深度上,数据科学家职业,教育和薪酬,学习数据对的工具比如R和Python以及群众投票的极致受欢迎之数据正确及多少挖掘语言

  • 《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,作者还生其它特别硬的章推荐可省

  • 《2014华夏良数据技术大会33员中心专家发言PDF》

介绍:2014中国杀数量技术大会33各中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

介绍:这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and
Discriminative Techniques for Sentiment Analysis of Movie Reviews
,使用RNN和PV在感情分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前凡拖欠的)。这表示Paragraph
Vector终于揭开面纱了嘛。

  • 《NLPIR/ICTCLAS2015分割词系大会上的技能演讲

介绍:NLPIR/ICTCLAS2015区划词系发布与用户交流大会上之发言,请复多朋友检阅新版分词吧。
我们实验室同学的讲演包括: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的反朝求导及练习》

介绍:介绍CNN参数在利用bp算法时欠怎么训练,毕竟CNN中起卷积层和下采样层,虽然和MLP的bp算法本质上等同,但花样上或稍区别的,很明白在形成CNN反朝传来前询问bp算法是得的。此外作者为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:如果要于平等篇文章被匹配配十万独重要词怎么收拾?Aho-Corasick
算法利用上加了回到边的Trie树,能够以线性时间外形成匹配。
但如果配合十万单正则表达式呢 ?
这时刻可以用到管多只正则优化成Trie树的点子,如日本人数形容的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

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

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由于Haskell实现之一个开源之人工神经网络库,它抽象了网创建、训练并动用了高阶函数。该库还提供了千篇一律组预定义函数,用户可以下多种方式做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

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

  • 《杨强在TEDxNanjing谈智能的自》

介绍:”人工智能研究分多派别。其中之一为IBM为代表,认为要出强性能计算就不过收获智能,他们之‘深蓝’击败了社会风气象棋冠军;另一样流派认为智能来自动物本能;还闹个老强的家认为要找来专家,把她们之沉思用逻辑一条条写下,放到计算机里虽行……”
杨强以TEDxNanjing谈智能的起源

  • 《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:网易有道的老三个工程师写的word2vec底分析文档,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,再至word2vec底各种tricks,公式推导与代码,基本上是网上关于word2vec资料之大合集,对word2vec谢谢兴趣之朋友可以省

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上之各种编程语言学术和买卖的开源软件.与之类似之还有为数不少像:[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(写稿子的当儿,现在凡是2015年了应当将毕业了),专业方向自然语言处理.这是某些外的阅历的谈.对于入门的心上人或者会有扶持

  • 《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稿子,非常好

  • 《2014年的《机器上日报》大合集》

介绍:机器上日报中推荐多情,在此出部分的不错内容就是是来源于机器上日报.

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

介绍:这是一律首关于图像分类在深度上着之章

  • 《自动语音识别:深度上方法》

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

  • 《NLP中之华语分词技术》

介绍: 作者是360电商技术组成员,这是同一首NLP在国语分词中的施用

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

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

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界众多牛文,涉及CV、NLP等世界,值得一念。网上公开的几段草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用强深装逼的数学语言形容的矩阵概率不等式用初等之法勾勒出来,是特别好之手册,领域外之paper各种证明还当为此其中的结果。虽说是初等的,但要大的不便

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费不行数据集,有些都是习,有些可能还是率先浅听说,内容越文本、数据、多媒体等,让他们陪您从头数据科学的同吧,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篇章,覆盖了RNN的概念、原理、训练和优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还时有发生雷同篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了森的资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望以理论以及实践里找到平衡点,各重点内容还伴随有实际例子及数,书被的事例程序还是为此R语言编写的。

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

介绍:IVAN VASILEV写的深度上导引:从浅层感知机到深网络。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒及利之人工智能优先研究计划:一封公开信,目前已经发生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签署The Future of Life
Institute
(FLI).这封信的背景是最近霍金与Elon
Musk提醒人们注意AI的地下威胁。公开信的始末是AI科学家等站在福利社会的角度,展望人工智能的前景向上方向,提出开发AI系统的Verification,Validity,
Security,
Control四接触要求,以及需要注意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究比较少。其实还有平等总统美剧《疑犯追踪》,介绍了AI的多变从平开始之本身学习,过滤,图像识别,语音识别等判断危险,到第四季的早晚出现了机械通过学习成长之后想操纵世界之状态。说及这边推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了诸多资源,还时有发生连锁文化结构,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)开源了同样多级软件库,以帮助开发者建立更不行、更快的深浅上型。开放的软件库在
Facebook 被号称模块。用其替代机械上园地常用之开条件 Torch
中之默认模块,可以在又缺少的时日外训练还充分局面之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描摹于2012年,但是这首文章完全是笔者的涉的作。

  • 《如何成为同各数据科学家》

介绍:本文是对准《机器上实战》作者Peter
Harrington做的一个访谈。包含了写中部分的疑点解答和一些民用学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的深浅上概述,对几种流行的纵深上型都开展了介绍和议论

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

介绍:主要是叙了运用R语言进行数据挖掘

  • 《Understanding
    Convolutions》

介绍:帮你了解卷积神经网络,讲解很清楚,此外还有少数首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的另的有关神经网络文章为特别硬

  • 《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崛起的论文

  • 《Learning Deep Architectures for
    AI》

介绍:一遵循学习人工智能的书,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E.
    Hinton个人主页》

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

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个为此来迅速的统计,机器上以于数据量大之数学库

  • 《ICLR
    2015会议的arXiv稿件合集》

介绍:在此地而可见到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有关的书籍、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行使

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析与展望问题,相关的王法运用包括预测编码、早期案例评估、案件完全情况的预测,定价与工作人员预测,司法行为预测等。法律领域大家兴许还较陌生,不妨了解下。

  • 《文本上的算法》

介绍:
文中干了极优秀,模型,最大熵等等理论,此外还有以篇。推荐系统可说凡是平据科学的阅读稿,关于模型还援引一篇Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的打图像生成自然语言描述的家伙。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自带了一个训好之动物模型,你得拿狮子大象的照来尝试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了当Hadoop2.0高达动深度上,文章来源paypal

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

介绍:用基于梯度下降之法子训练深度框架的履行推荐指导,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: 一个讲机器上之Youtube视频教程。160会师。系统程度跟书可比拟。

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

介绍:
机器学习着之数学,作者的研究方向是机器上,并行计算如果您还眷恋询问一些旁的足省他博客的另外文章

  • 《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句之挑三拣四

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

介绍: CNN用于WEB搜索,深度上在文书计算着之运用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的当众数据集

  • 《Search Engine &
    Community》

介绍: 一个学搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快最好抢的NLP库,快的来头一样凡为此Cython写的,二是因此了个深巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields凡单数学研究中心,上面的即刻卖ppt是根源Fields举办的倒中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经文论文》

介绍: Topic modeling 的经典论文,标注了关键点

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

介绍:
多伦多大学暨Google合作的新论文,深度上呢得据此来下围棋,据说能达到六段落水平

  • 《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首经过分类的深度上论文了,很多藏论文还早已用

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

介绍: Radim
Řehůřek(Gensim开发者)在同样不成机器上聚会及的告诉,关于word2vec会同优化、应用与壮大,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多小卖部还因此机器上来化解问题,提高用户体验。那么怎么可以叫机器上还实时和行之有效吗?Spark
MLlib 1.2之中的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是以实时处理他们每半小时1TB的研究数据,现在宣告为大家于是了。

  • 《LDA入门与Java实现》

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

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学搜索引擎,从学术网络中挖潜深度知识、面向科技特别数额的挖。收集近4000万作者信息、8000万舆论信息、1亿大抵引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec之诙谐应用,Omer
Levy提到了他当CoNLL2014最佳论文里之解析结果以及初方式,Daniel
Hammack给起了搜索特异词的有点应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其中的微课程已经归档过了,但是还有个别的信尚未。感谢课程图谱的小编

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个人口脸图像识别库。包含正面与多视角人脸检测两单算法.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极佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加深一些。通过全局的安定分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之熏陶系数影响)。可以用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:
非常强的强调特征选择对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更了不起之法力,训练和分类时间吧大大降低——更要之是,不必花费大量时在上与优化SVM上——特征也如出一辙no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和电脑有关知名教授Larry Wasserman
在《机器崛起》,对比了统计和机器上的距离

  • 《实例详解机器上怎么缓解问题》

介绍:随着大数额时代的至,机器上变成化解问题之如出一辙种植要且主要的家伙。不管是工业界还是学术界,机器上还是一个炙手可热的大方向,但是学术界以及工业界对机器上的研究各个发生侧重,学术界侧重于对机器上理论的钻,工业界侧重于如何用机器上来缓解实际问题。这篇稿子是美团的实际上条件面临的实战篇

  • 《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、高斯模型和其他模型关系、大数据集的侵方法齐,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是因Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您重新快地创造同管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一期的机器上入门课程”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,
感兴趣之同窗可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的一块儿特征,可重复好地表述图片内容相似性。由于不依靠让人工标签(标注),可用于大规模图片处理,难在用户作为数据的拿走与漱口;利用社会化特征的思路值得借鉴.

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

介绍:Twitter技术团队针对前段时间开源之时序列非常检测算法(S-H-ESD)R包的牵线,其中对充分的定义和分析颇值得参考,文中也关系——异常是强针对性的,某个圈子支出的大检测以另世界直接用而不行.

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

介绍:聚焦数据质量问题的应,数据质量对各种层面企业之属性和频率还至关重要,文中总结发生(不压制)22栽典型数据质量问题显现的信号,以及卓越的数据质量解决方案(清洗、去再、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年旧金山深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之法仍机场(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:做深上怎样挑选GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授于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!作者的翻新频率为特别频繁

  • 《Adam
    Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

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

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三只影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习之想想:组合了BM11及BM15少于只模型。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)时间序列的简介绍,ARMA是钻时序列的第一方式,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

介绍: 把来自target的attention signal加入source encoding
CNN的输入,得到了比BBN的模子好之多neural network joint model

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

介绍:
揭开印度菜的可口秘诀——通过对大气菜谱原料关系之掘进,发现印度菜肴香的故有是内部的含意互相冲突,很有意思的文件挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

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

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《学术种子网站:AcademicTorrents》

介绍:
成G上T的学术数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简便的不二法门,通过BT软件,RSS订阅各集合即可

  • 《机器上相速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的全面硬件指南,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】在颜识别及你本人还是大方,即使细微的反差也能辨识。研究都证明人类和灵长类动物在脸加工及差为任何物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等经电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的统筹兼顾组合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调试梯度下降和可调节动量法设计以及编码经典BP神经网络,网络经过训练可以做出惊人和大好之东西下。此外作者博客的其余文章也甚正确。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实际运用场景NN选择参考表,列举了一部分榜首问题建议采取的神经网络

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

介绍:一个深度上类,提供了Python, C/C++, Java, Scala, Go多只本子的代码

  • 《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的有力回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上达标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公司网站的同等首博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们于MLlib中之分布式实现,以及显一些概括的事例并建议该自何方达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前不过处理着英文语料,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进历程,详细讲解神经网络语言模型在一一阶段的款式,其中的范包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要害变形,总结的专门好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新研:利用文本以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,包括完整的数码处理流程,是习Python数据处理及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理以及图像分析的研讨期刊,每篇文章都含有一个算法和相应的代码、Demo和实验文档。文本及源码是透过了同行评审的。IPOL是开放之不错和而另行的研究期刊。我直接惦念做点类似之干活,拉近产品跟技巧中的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数据快速分类问题.

  • 《purine2》

介绍:新加坡LV实验室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,同步更新参数的场面下中心达成线性加速。12片Titan
20时好完成Googlenet的训练。

  • 《Machine Learning
    Resources》

介绍:这是一个机械上资源库,虽然比较少.但蚊子再稍加吗是肉.有隆起部分.此外还有一个由于zheng
Rui整理的机器上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是同论自然语言处理的词典,从1998年起来到目前积攒了诸多的科班词语解释,如果你是一律各类正入门的朋友.可以借这仍词典让祥和成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

介绍:R语言教程,此外尚引进一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

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

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

介绍: 支持node.js的JS神经网络库,可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的优化以及自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上的基业,值得深入上
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.近百首,内容提到图像识别应用的各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内来热心的情人翻译了中文版,大家也得365bet体育在线客户端在线阅读

  • 《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: 非常有力的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的开始测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等丁讲深度上之新书,还免定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下起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:实现种都开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的办法吧能与word2vec获得多的机能。另外,无论作者怎么碰,GloVe都于不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上中的首要数学概念.

  • 《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感情分类功能特别好.兑现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机器上课程,先编制课程也机械上(10-715)和中级统计学(36-705),聚焦统计理论与方法以机器上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

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

  • 《生物医学的SPARK大数额运用》

介绍:生物医学的SPARK大数量应用.并且伯克利开源了他们之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,请在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,这个网址有这个领域几很顶会的舆论列表,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,实现代码.

  • 《NIPS 2014 CIML
    workshop》

介绍:NIPS CiML 2014底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:斯坦福的深度上课程的Projects 每个人犹设描写一个舆论级别之报告
里面有局部杀有意思的下 大家可以望 .

  • 《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实际方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

介绍:文中涉及的老三篇论文(机器上那些从事、无监督聚类综述、监督分类归纳)都坏经典,Domnigos的机械上课为够呛妙

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的吃水上的票房价值理论.

  • 《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研讨会达成之告诉,还提供了平等名目繁多讲话机器上方式的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:亚马逊在机上地方的有运,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的推荐系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

介绍:基于Yelp数据集的开源情分析工具比,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分析及数据挖掘的几率数据结构.

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

介绍:机器上在导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp

介绍:{swirl}数据训练营:R&数据对在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上及RNN的议论 Sequence to Sequence Learning with Neural
Networks.

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

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

  • 《Big Data
    Processing》

介绍:大数据处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机械上,国内镜像.

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

介绍:以往上千履代码概率编程(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,此外尚援引《A
new data processing workflow for R: dplyr, magrittr, tidyr,
ggplot2》.

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted
    paper》

介绍:国际人工智能联合会议选用论文列表,大部分舆论而采取Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的重要性性.

  • 《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),相关学科资料,Reinforcement
Learning.

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

介绍:免费写:Azure ML使用精要.

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

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

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

介绍:有趣之机上:最显著入门指南,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.

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进来我的博客主页

admin

网站地图xml地图