betway官网

betway官网机上及深度上资料。机器上(Machine Learning)&深度上(Deep Learning)资料。

九月 19th, 2018  |  betway体育网站

  • 《Brief History of Machine
    Learning》

机上(Machine Learning)&深度上(Deep Learning)资料(Chapter 1)

介绍:这是同等首介绍机器上历史的稿子,介绍好周到,从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

 
  • 《Brief History of Machine
    Learning》

介绍:这是如出一辙首介绍机器上历史之稿子,介绍很全面,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写的新型版本《神经网络与深度上综述》本综述的特征是因时排序,从1940年开班说话起,到60-80年份,80-90年份,一直称到2000年后及近年来几年之进展。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:这是相同卖python机器上库,如果您是同样员python工程师而且想深入之读书机器学习.那么这首文章或会助到你.

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

介绍:这无异首介绍如果规划与管理属于您协调的机器上类的稿子,里面提供了管住模版、数据管理暨履行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还不明白呀是机械上,或虽然是刚刚上感觉到异常枯燥乏味。那么推荐一念。这首文章就为翻译成中文,如果起趣味可以移动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机上之重要性语言,有成千上万底朋友想上学R语言,但是连忘记一些函数和主要字的意思。那么就首文章或会助及公

  • 《Choosing a Machine Learning
    Classifier》

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

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

介绍:深度上概述:从感知机到深度网络,作者对于例子的选取、理论的牵线都坏成功,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

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

介绍:<机器上与优化>这是相同如约机器上之小册子,
短短300大多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, 也称老手温故而知新.
比从MLAPP/PRML等大部头,
也许这仍你重新亟待!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月份报名离职了。但是这篇稿子很不利如果你免知道深度上与支持于量机/统计上理论出什么关系?那么应该马上看看这篇文章.

  • 《计算机是中的数学》

介绍:这本书是由于谷歌公司以及MIT共同出品的计算机是中之数学:[Mathematics
for Computer Science](Mathematics for Computer Science),Eric Lehman et
al 2013
。分为5多数:1)证明,归纳。2)结构,数论,图。3)计数,求与,生成函数。4)概率,随机行。5)递归。等等

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

介绍:信息时代的处理器是理论,目前境内发生纸质书购买,iTunes购买

  • 《Data Science with R》

介绍:这是一律按部就班由雪城大学新编的亚本《数据科学入门》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:这并无是如出一辙首文档或书籍。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,内容包括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?不晓哪抉择当的统计模型怎么惩罚?那就篇稿子你的绝妙读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了千篇一律首关于automatic
statistician的篇章。可以自行选择回归模型类别,还能够自动写报告…

  • 《ICLR 2014论文集》

介绍:对纵深上及representation learning最新进展产生趣味的同班可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是一致以信息寻找有关的图书,是由斯坦福Manning和谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美极端让欢迎之信寻找教材有。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摆放精彩的图来诠释机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清楚

  • 《雅虎研究院的多少集汇总》

介绍:雅虎研究院的数量集汇总:
包括语言类数据,图跟集体交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数额。

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

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且在2014年一月既开课: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总揽为机械上新家推荐的上乘学习资源,帮助新家快速入门。而且这篇文章的介绍就给翻译成中文版。如果你有点熟悉,那么自己提议您先押一样扣押中文的介绍。

  • My deep learning reading
    list

介绍:主要是顺着Bengio的PAMI
review的章找出来的。包括几论综述文章,将近100篇论文,各位山头们的Presentation。全部且足以在google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是一样按部就班图书,主要介绍的是跨语言信息寻找方面的学识。理论很多

  • 探索推荐引擎内部的地下,第 1 片段:
    推荐引擎初探

介绍:本文共有三只系列,作者是自IBM的工程师。它主要介绍了引进引擎相关算法,并拉扯读者很快的实现这些算法。 深究推荐引擎内部的黑,第
2 组成部分: 深度推荐引擎相关算法 –
协同过滤,探究推荐引擎内部的机密,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系助手教授David
Mimno写的《对机器上新家的某些提议》,
写的不得了实在,强调实行和辩论结合,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.”

  • 分布式并行处理的数码

介绍:这是同一依关于分布式并行处理的多寡《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”是啊?】John
Platt是微软研究院独立科学家,17年来他直以机械上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定举办博客,向群众介绍机器上的研究进展。机器上是呀,被采取在哪?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)已经被6月21-26日于国会着力繁华举办。本次大会由微软亚洲研究院和清华大学共同主办,是这富有30差不多年历史并著名世界之机械上世界的盛会首软到华,已成功掀起全世界1200多各类学者的提请参与。干货很多,值得深刻上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇文章主要是坐Learning to
Rank为条例说明企业界机器上之具体行使,RankNet对NDCG之类不敏感,加入NDCG因素后化作了LambdaRank,同样的合计从神经网络改吗使用至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,尤其以LambdaMART最为突出,代表论文呢: From
RankNet to LambdaRank to LambdaMART: An
Overview另外,Burges还有多响当当的代表作,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和深度上的重点观点。通过上,你呢以实现多单力量学/深度上算法,能来看她啊卿工作,并就学怎么样下/适应这些想法及新题材及。本学科假定机器上的基本知识(特别是轻车熟路的督察上,逻辑回归,梯度下降的想法),如果您不熟识这些想法,我们建议您去这里机械上课程,并事先形成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已产生python版本了 UFLDL
Tutorial Code

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

介绍:这卖文档来自微软研究院,精髓多。如果需要了清楚,需要一定的机械上基础。不过有点地方会受人口前同等亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是一模一样首介绍图像卷积运算的稿子,讲的就算比较详细的了

  • 《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:一个至上完整的机器上开源库总结,如果您道这个碉堡了,那后面是列表会再次受您好奇:【Awesome
Awesomeness】,国内已发出热情的冤家进行了翻华语介绍,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公然课网站上视了(如Chrome不行,可用IE观看)
作业和试验也得下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

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

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台及开源之机器上库,按照老数量、NLP、计算机视觉及Deep
Learning分类开展了整治。看起挺全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太基本的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多辰光困惑人们都是,很多算法是相同近似算法,而有点算法又是自其它算法中拉开出的。这里,我们打零星个点来为大家介绍,第一单方面是学之章程,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你曾经明白了凡呀内容,没错。里面来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按照机器上之电子书,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遵循又下充斥同照。

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

介绍:标题很要命,从新手到大方。不过看罢上面有材料。肯定是师了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的大多,而且自己曾经帮助您摸手拉手了。

  • 《Sibyl》

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

  • 《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:计算机视觉入门的推行人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这又是一模一样首机器上新学者的入门文章。值得一念

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17只有关机器上的工具

  • 《神奇之伽玛函数(上)》

介绍:下集在此处神乎其神之伽玛函数(下)

  • 《分布式机器上的故事》

介绍:作者王益时凡是腾讯广告算法总监,王益博士毕业后以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,每级需要学习的课本及操纵的知。这样,给机器学习者提供一个升华的路线图,以免走弯路。另外,整个网站还是有关机器上之,资源非常丰富。

  • 《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:这是相同准来自小的研究员 li Peng和Dong
Yu所著的关于深度上之不二法门以及用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机械上夏季课刚刚结束
有接近50小时的视频、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名讲师都是牛人:包括颇牛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的宽广机器上系统》

介绍:在当年的IEEE/IFIP可靠系统和网(DSN)国际会达成,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体系,用来化解预测方面的问题,比如YouTube的视频推荐。详情请阅读google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客及粗略地介绍了他们当年列席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。如果未是特别干净可看概率编程语言及贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友问伯克利机器上大牛、美国偶院士Michael I.
Jordan:”如果您产生10亿美金,你怎么花?Jordan:
“我会见就此这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,此外作者还有有任何的机上及数量挖掘文章和纵深上文章,不仅是论战还有源码。

  • 《文本以及数据挖掘视频汇总》

介绍:Videolectures上无比让欢迎之25只文本以及数码挖掘视频汇总

  • 《怎么选深度上之GPUs》

介绍:在Kaggle上常得正确成绩的Tim
Dettmers介绍了外好是怎选择深度上的GPUs,
以及个人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,国内的机械上爱好者非常热心的拿这课程翻译成了汉语。如果您英语不好,可以望这个

  • 《Deep Learning 101》

介绍:因为近两年来,深度上以媒体界被炒作死厉害(就像非常数据)。其实过多口且还免晓得啊是深上。这篇稿子由浅入深。告诉你深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学开的一致免费课程(很勉强),这个可被你在深度上的中途让您一个修之思绪。里面涉及了有为主的算法。而且告诉您什么错过采用至实际条件面临。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学做的一个深上用来辨别图片标签/图转文字的demo。是一个实在采用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是内容需要发必然的基础。

  • 《R工具包的归类集中》

介绍: (CRAN Task Views,
34栽常见任务,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,多再度变量分析,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:
机器学习的是当下数量解析世界的一个香内容。很多总人口于平常底工作被还或多还是掉会就此到机械上之算法。本文为而总结一下广泛的机器上算法,以供应您于做事和习中参考.

  • 《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好几个系列。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)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的用深度上做计算机是苏的NIPS 2013学科。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之开源中文自然语言处理(NLP)工具包
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,但又挺怀念学机器上的冤家。是一个非常之有益。机器上周刊目前第一提供中文版,还是面向周边国内爱好者,内容提到机械上、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便于,如果同齐来即使叙逆序数及陈行列式性质,很爱给学员去学习之志趣。我个人推举的超级《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。很赞赏之资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了相同誉为来本古里什么大学之访问学者,制作了同模拟关于机器上的不胜枚举视频课程。本课程并分为7期,详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等健康机器上算法的申辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着好数据时,量子机器上的第一单试验 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+机器上方式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只账号,下载了相恋网站2万阴用户的600万题材答案,对他们开展了统计抽样及聚类分析(图2,3),最后竟落了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开拍,该课属于MIT研究生级别的教程,对机器人及非线性动力系统感兴趣之意中人不妨可以挑战一下这门课程!

  • 《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年上马于电脑是的舆论中叫引用次数最多的论文

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

介绍:把今年底一个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。欢迎大家以。可以实时的募集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会延续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好习她?可以让你以浏览器中,跑起深度学习效果的超酷开源项目ConvNetJS笔者karpathy告诉你,最佳技巧是,当您从头勾画代码,一切将更换得清。他碰巧宣布了同依照图书,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
讲述工业界和学术界机器上的异议,大实话

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

介绍:使用Neo4j 做影视评论的结分析。

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

介绍:不仅是材料,而且还针对性有些资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了我们什么?

  • 《scikit-learn:用于机器上之Python模块》

介绍:scikit-learn是以SciPy基础及构建的用于机器上的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)教授是机上园地神经网络的大牛,他针对性纵深上、神经网络有着不行浓的兴。因此,很多发问的题目中蕴含了机械上园地的号模型,乔丹教授对斯一一做了讲和展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*找寻是人为智能基本算法,用于高效地找图被点滴触及的最佳路径,
核心是 g(n)+h(n):
g(n)是由起点到顶点n的实在代价,h(n)凡顶点n到目标顶点的估价代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本项目采用了Microsoft Azure,可以当几划分种内就NLP on Azure
Website的配置,立即开始针对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。计算机科学研究所合所长.内部课程

  • 《机器上入门资源不全集中》

介绍:好东西的干货真的多

  • 《收集从2014年启幕深度上文献》

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

  • 《EMNLP上点滴首关于股票方向的运用论文

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:作者是深上一丝很牛Bengio组写的教程,算法深入显出,还有实现代码,一步步进行。

  • 《学习算法的Neural Turing Machine

介绍:许多风的机器上任务都是以念function,不过谷歌目前发生始上学算法的大势。谷歌另外的就首学习Python程序的Learning
to Execute否有相似之处

  • 《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识上之使用,此外还有少独。一个凡可辨垃圾及假信息的paper.还发出一个凡是网络舆论及其分析技术

  • 《R机器学习履》

介绍:该科目是网易公开课的收费课程,不值钱,超级福利。主要适合为对下R语言进行机上,数据挖掘感兴趣的丁。

  • 《大数额解析:机器上算法实现之演化》

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,
第二代表工具要Mahout和Rapidminer实现冲Hadoop的恢宏,第三代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析与机具视觉》

介绍:讲计算机视觉的季总理奇书(应该于经典吧)之一,另外三按部就班是Hartley的《多图几何》、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:里面基本无提到到具体算法,但作者介绍了CF在LinkedIn的众运,以及她们以举行推荐过程遭到取的一对涉。最后一长达经验是该监控log数据的色,因为推荐的成色不行倚重数据的质量!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初学者如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上及大数量构建对话系统

介绍:如何利用深度上及特别数据构建对话系统

  • 《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,以及当图像以及视觉上的行使,而且率先有些有关Why does
the l1-norm induce sparsity的解说为非常科学。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上中重大的定义,其以large
margin分类器上之采取为是广为熟知的。如果无于好之数学基础,直接了解RKHS可能会见是。本文由基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同学对于机械上与深度上之迷离在于,数学方面业已盖了解了,但是动于手来可无明了如何入手写代码。斯坦福深度上博士Andrej
Karpathy写了一致首实战版本的纵深上和机上课程,手把手教你用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的同》

介绍:本文会过千篇一律满最盛的机器上算法,大致了解怎么方法可用,很有帮带。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有多关于机器上、信号处理、计算机视觉、深入学习、神经网络等领域的恢宏源代码(或可尽代码)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年的深上课程资料,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:数码挖掘十非常经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单非常过硬的类型

  • 《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、视频语义分析世界取得了科研和工程上之突破,发之章未多,但每个都死实在,在每一个题材及都形成了state-of-art.

  • 《Andrej
    Karpathy的深加深学习演示》

介绍:Andrej
Karpathy的吃水加深学习演示,舆论在此地

  • 《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。

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同个英国落地之计算机学家和心理学家,以那个在神经网络方面的贡献闻名。辛顿是反朝传播算法和自查自纠散度算法的发明人之一,也是深浅上的主动促进者.

  • 《自然语言处理的吃水上理论及实际》

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

  • 《用十分数据以及机器上做股票价格预计》

介绍: 本文基于<支持于量机的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.

  • 《关于机器上的多少驳问题》

介绍:徐宗本
院士将给爱机器上的小伙伴联手探索有关于机器上之几乎独理论性问题,并让来部分闹义之定论。最后经过一些实例来证明这些理论问题之情理意义与实际采用价值。

  • 《深度上以自然语言处理的运用》

介绍:作者还显得有《这即是摸索引擎:核心技术详解》一写,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读的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:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是有关电脑基于数构建的几率统计模型并应用模型对数码进行预测和分析的同一帮派科学,统计上呢化为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之靶子是指向计算机编程,以便利用样本数量或者以往之经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

  • 《人工智能和机具上园地有趣的开源项目》

介绍:部分汉语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有平等篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了千篇一律首超赞的数值优化博文,从牛顿法讲到起牛顿法,再谈到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上方式概述(一)》

介绍:还有续集显深度上道概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数据以及机具上之结缘》

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及deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并于事实上比之中比调参数和清数据。
如果已经装了gensim不要遗忘升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这文章说把多年来型识别及之突破用至围棋软件上,打16万摆业棋谱训练模型识别功能。想法是。训练后即能成功永不计算,只拘留棋盘就让起下同样步,大约10层棋力。但眼看篇文章最过乐观,说啊人类的尾声一片堡垒马上将过掉了。话说得太早。不过,如果与别的软件成该还有潜力可挖。@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,他意味着,根据这次实验的结果,如果今年NIPS重新审稿的口舌,会生一半之论文被驳回。

  • 《2014年最佳的生数额,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之文章。我们从中可以看到多只主题——深度上,数据科学家职业,教育和薪酬,学习数据对的家伙比如R和Python以及公众投票的极致受欢迎之数量正确和数量挖掘语言

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

介绍:Python实现线性回归,作者还发生其他大硬的稿子援引可看

  • 《2014神州甚数目技术大会33员中心专家发言PDF》

介绍:2014华夏好数量技术大会33各类中心专家发言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(目前是空的)。这意味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终于揭秘面纱了嘛。

  • 《NLPIR/ICTCLAS2015区划词系大会上之技能演讲

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

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反为求导及练习》

介绍:介绍CNN参数在利用bp算法时欠怎么训练,毕竟CNN中来卷积层和下采样层,虽然与MLP的bp算法本质上一致,但形式上或稍区别的,很鲜明在形成CNN反为传来前询问bp算法是须的。此外作者吧举行了一个资源集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果只要于平等篇稿子被匹配配十万独至关重要词怎么处置?Aho-Corasick 算法利用上加了回来边的Trie树,能够当线性时间外得匹配。
但如果配合十万个正则表达式呢 ?
这下可以用到将多只刚则优化成Trie树的措施,如日本人写的 Regexp::Trie

  • 《Deep learning Reading List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源的深度上框架,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实现之一个开源之人工神经网络库,它抽象了网创建、训练并采取了高阶函数。该库还提供了同等组预定义函数,用户可用多种道组成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得深刻摸底。

  • 《杨强以TEDxNanjing谈智能的来》

介绍:”人工智能研究分多门。其中之一为IBM为代表,认为如果发生胜性能计算就只是抱智能,他们之‘深蓝’击败了社会风气象棋冠军;另一样山头认为智能来自动物本能;还起只可怜强的派别认为如果找来大家,把他们的盘算用逻辑一条条写下,放到计算机里就推行……”
杨强以TEDxNanjing谈智能的来自

  • 《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,再至word2vec之各种tricks,公式推导与代码,基本上是网上有关word2vec资料之大合集,对word2vec感谢兴趣的冤家可以看看

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机器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如:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是计算机研二(写稿子的早晚,现在凡是2015年了相应将毕业了),专业方向自然语言处理.这是某些客的经验的谈.对于入门的意中人或会发生帮助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是平篇有关机器上算法分类的文章,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,在此间有一部分的佳绩内容即是源于机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是一律篇有关图像分类在深度上中的篇章

  • 《自动语音识别:深度上道》

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

  • 《NLP中的国语分词技术》

介绍: 作者是360电商技术组成员,这是同一篇NLP在华语分词中的施用

  • 《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,值得一朗诵。网上公开的几乎节草稿: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描绘的矩阵概率不等式用初等之办法勾勒出来,是十分好的手册,领域外之paper各种证明都以就此其中的结果。虽说是初等的,但还是很之麻烦

  • 《The free big data sources you should
    know》

介绍:
不容错过的免费生数据集,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,让她们陪你起来数据对的同吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的议论递归神经网络的文章,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还时有发生一致篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了累累之资源,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之间找到平衡点,各要内容还陪有实在例子及数,书中之例证程序还是用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。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒和福利之人工智能优先研究计划:一封公开信,目前早已发出Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签约The Future of Life
Institute
(FLI).这封信的背景是近来霍金以及Elon
Musk提醒人们注意AI的机要威胁。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大方向,提出开发AI系统的Verification,Validity,
Security,
Control四碰要求,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的形成从同开始的自己学习,过滤,图像识别,语音识别等判定危险,到第四季的时起了机器通过上成才之后想控制世界的状态。说交此推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了重重资源,还发出有关文化结构,路线图,用时长等。号称是”机器上“搜索引擎

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

介绍:Facebook人工智能研究院(FAIR)开源了一样密密麻麻软件库,以救助开发者建立更充分、更快之吃水上型。开放的软件库在
Facebook 被称作模块。用它替代机械上园地常用之开销条件 Torch
中之默认模块,可以当重新短的时刻外训练再次怪局面之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是写为2012年,但是就首文章完全是笔者的更的作。

  • 《如何成为同号数据科学家》

介绍:本文是本着《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少数私学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的吃水上概述,对几种植流行的深浅上型都进展了介绍与座谈

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

介绍:主要是讲述了用R语言进行多少挖掘

  • 《Understanding
    Convolutions》

介绍:帮你懂卷积神经网络,讲解很清晰,此外还有零星首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其它的有关神经网络文章也罢颇过硬

  • 《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:一准学习人工智能的书籍,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:一个于是来飞的统计,机器上又于数据量大之数学库

  • 《ICLR
    2015集会的arXiv稿件合集》

介绍:在此处您得看看最近深度上来啊新势头。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表 ,收录了音讯搜索、网络信息搜索、搜索引擎实现等方面有关的图书、研究为主、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪里法及其于机上着的下

  • 《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与展望问题,相关的法网运用包括预测编码、早期案例评估、案件完全状况的预测,定价与工作人员预测,司法行为预测等。法律领域大家莫不还较陌生,不妨了解下。

  • 《文本上的算法》

介绍:
文中涉嫌了无与伦比出彩,模型,最大熵等等理论,此外还有使用篇。推荐系统可说凡是同仍科学的阅读稿,关于模型还引进一篇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的自图像生成自然语言描述的工具。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个训好之动物模型,你得拿狮子大象的照来试试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了在Hadoop2.0达标行使深度上,文章来源paypal

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

介绍:用基于梯度下降的法门训练深度框架的推行推荐指导,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: 一个提机器上的Youtube视频教程。160成团。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械上,并行计算如果您还惦记打听一些别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,深度上在文书计算着之应用

  • 《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,号称是速度最好抢的NLP库,快之来由一样凡是为此Cython写的,二凡因此了只很抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍: Fields是只数学研究中心,上面的即卖ppt是出自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 的藏论文,标注了重要点

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

介绍:
多伦多大学跟Google合作的新论文,深度上啊得以就此来下围棋,据说会落得六截水平

  • 《机器上周刊第二企》

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

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

介绍: 18 free eBooks on Machine Learning

  • 《Recommend :Hang Li Home》

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

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

介绍:
DEEPLEARNING.UNIVERSITY的论文库已经用了963篇经过分类的深浅上论文了,很多藏论文都曾经选定

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

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

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多供销社都为此机器上来解决问题,提高用户体验。那么怎么好被机器上还实时和中吗?Spark
MLlib 1.2里面的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各半小时1TB的钻研数据,现在颁布为大家之所以了。

  • 《LDA入门与Java实现》

介绍:
这是一样首面向工程师的LDA入门笔记,并且提供相同卖开箱即用Java实现。本文就记录基本概念与原理,并无干公式推导。文中的LDA实现中心部分使用了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,从学术网络被掏深度知识、面向科技特别数目的打。收集近4000万作者信息、8000万论文信息、1亿差不多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上之主题,讨论Word2Vec之妙趣横生应用,Omer
Levy提到了外于CoNLL2014顶尖级论文里的剖析结果与新章程,Daniel
Hammack给有了寻特异词的略应用并提供了(Python)代码

  • 《机器上公开课汇总》

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

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个丁脸图像识别库。包含正面与多视角总人口脸检测两单算法.优点:速度快(OpenCV
haar+adaboost的2-3加倍), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015最佳论文
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。通过全局的安澜分布去求解每个节点影响系数模型。假设合理(转移受到附近的影响系数影响)。可以据此来反求每个节点的震慑系数

  • 《机器上入门书单》

介绍:机器上入门书籍,现实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常硬的强调特征选择针对性分类器重要性的稿子。情感分类中,根据互信息对复杂高维特征降维再运节能贝叶斯分类器,取得了比SVM更出色之功效,训练和分类时间为大大降低——更要之是,不必花费大量光阴在攻读和优化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别

  • 《实例详解机器上怎么样缓解问题》

介绍:随着大数据时之来临,机器上变成解决问题的等同种植重要且主要之家伙。不管是工业界还是学术界,机器上都是一个炙手可热的可行性,但是学术界和工业界对机械上之钻研各个出尊重,学术界侧重于对机器上理论的研讨,工业界侧重于如何用机器上来缓解实际问题。这篇稿子是美团的其实条件遭受的实战篇

  • 《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、高斯模型与其它模型关系、大数据集的逼近方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是冲Theano的神经网络搭建框架,集成相关函数、管道和算法,帮你重新快地创建同管理NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一可望的机械上入门课程”Introduction to
Machine
Learning“近期恰好开拍,课程4K高清视频一起到Youtube上,目前正好更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同窗可以关注,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一块儿特征,可重复好地表述图片内容相似性。由于未依靠让人工标签(标注),可用以大规模图片处理,难在用户作为数据的取与洗;利用社会化特征的笔触值得借鉴.

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

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

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

介绍:聚焦数据质量问题之回,数据质量对各种框框企业之性及效率都至关重要,文中总结发生(不压)22种植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年旧金山深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的规格仍机场(CRF)介绍文章,作者的学习笔记

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

介绍: 来自Stanford,用神经网络实现迅速准确的依存关系解析器

  • 《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上之语,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年跟主题报告 、讲义.

  • 《Awesome Computer
    Vision》

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

  • 《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来形容NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息搜索排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三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思量:组合了BM11同BM15零星独模型。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)时间序列的概括介绍,ARMA是研讨时序列的要害措施,由由回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

  • 《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的型好的多neural network joint model

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

介绍:
揭开印度菜之好吃秘诀——通过对大量菜单原料关系之发掘,发现印度菜肴香的来头有是中的寓意互相冲突,很有趣的文本挖掘研究

  • 《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)词频与该降序排序的涉及,最有名的是语言学家齐夫(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)引入参数修正了对甚高频以及那个低频词的抒写 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的宏观硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在脸识别达到你自己还是师,即使细微之差距呢克鉴别。研究就说明人类与灵长类动物在脸部加工及差为外物种,人类用梭状回面孔区(FFA)。Khaligh-Razavi等经电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的面面俱到组合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了用而调试梯度下降以及可调节动量法设计及编码经典BP神经网络,网络经过训练可以做出惊人和大好之东西出来。此外作者博客的其他文章为异常不错。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的莫过于行使场景NN选择参考表,列举了一些独立问题建议使用的神经网络

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

介绍:一个深度上型,提供了Python, C/C++, Java, Scala, Go多单本子的代码

  • 《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的雄强回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上及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公司网站的平等篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她俩在MLlib中的分布式实现,以及显一些简的事例并建议该起哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前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迈入历程,详细讲解神经网络语言模型在逐个阶段的花样,其中的型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等关键变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之初研:利用文本以及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优惠方案源码及文档,包括总体的数目处理流程,是上Python数据处理与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)是图像处理与图像分析的钻研期刊,每篇文章还带有一个算法和相应的代码、Demo和试验文档。文本及源码是经过了同行评审的。IPOL是放之没错和可重复的钻期刊。我一直想做点类似的行事,拉近产品与技能之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密多少快速分类问题.

  • 《purine2》

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

  • 《Machine Learning
    Resources》

介绍:这是一个机械上资源库,虽然比少.但蚊子再聊吗是肉.有隆起部分.此外还有一个是因为zheng
Rui整理的机器上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是相同依自然语言处理的词典,从1998年开至眼前攒了多的科班词语解释,如果您是同一位正入门的朋友.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年交今天之比赛数据,用PageRank计算世界杯参赛球队排名榜.

  • 《R Tutorial》

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

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区发现的很快算法,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,可在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木本,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.近百首,内容涉嫌图像识别应用之各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做大LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它目前托管在sourceforge上面

  • 《Data Journalism Handbook》

介绍: 免费电子书《数据新闻手册》,
国内来热心的爱人翻译了中文版,大家为足以在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数额挖掘文章.

  • 《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的数据解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文件分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研以及Theano的初始测试体会报告.

  • 《DEEP learning》

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

  • 《simplebayes》

介绍: Python下起源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数码科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目早就开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的计吗能够同word2vec博多的法力。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:机器上中的根本数学概念.

  • 《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,先修课程为机械上(10-715)和高中级统计学(36-705),聚焦统计理论与措施以机上世界应用.

  • 《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看看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数据以》

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

  • 《ACL Anthology》

介绍:对自然语言处理技术或者机器翻译技术感兴趣的亲们,请于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,这个网址有夫小圈子几雅顶会的论文列表,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,落实代码.

  • 《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:斯坦福的深浅上课程的Projects 每个人都要描绘一个舆论级别的报告
里面有局部十分有趣的采用 大家可以看看 .

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

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

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

介绍:文中提到的老三篇论文(机器上那些从事、无监督聚类综述、监督分类归纳)都异常经典,Domnigos的机械上课也格外理想

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的纵深上之票房价值理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近在McGill
University研讨会达成的喻,还提供了同文山会海讲话机器上方法的ipn,很有价 GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊于机上地方的一些运用,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:一个基于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的推介系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

介绍:基于Yelp数据集的开源情分析工具比,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分析以及数量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&数据科学在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上与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年春天学期CMU的机器上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.国内镜像.

  • 《Big Data
    Processing》

介绍:大数目处理课.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,境内镜像.

  • 《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,除此以外一个,此外还推荐《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),相关课程资料,Reinforcement
Learning.

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

介绍:免费书写:Azure ML使用精要.

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

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

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

介绍:有趣的机器上: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.

  • 《Machine Learning Repository @ Wash
    U》

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

  • 《Machine learning cheat
    sheet》

介绍:机器上速查表.

  • 《Spark summit east 2015 agenda》

介绍:最新的Spark summit会议资料.

  • 《Spark summit east 2015 agenda》

介绍:最新的Spark summit会议资料.

  • 《Learning Spark》

介绍:Ebook Learning Spark.

  • 《Advanced Analytics with Spark, Early Release
    Edition》

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

  • 《国内机器上算法和应用领域人物篇:唐杰》

介绍:清华大学副教授,是祈求挖掘地方的大家。他牵头设计与贯彻的Arnetminer是国内领先的觊觎挖掘系统,该体系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:迁移学习之国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半监察上,multi-label学习与合并学习地方在国际直达闹必然的影响力.

  • 《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:吴军博士是眼下Google中日韩文搜索算法的显要设计者。在Google其间,他领导了众多研发型,包括广大暨中文相关的出品与自然语言处理的型,他的初个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

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

介绍:如何评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的骨干落实框架.

  • 《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:神经网络训练中的Tricks之迅速BP,博主的别博客也颇了不起之.

  • 《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,推荐新入门的恋人阅读.

  • 《The h Index for Computer Science

介绍:UCLA的Jens Palsberg根据Google
Scholar建立了一个处理器世界的H-index牛人列表,我们熟悉的各个领域的大牛绝大多数都当榜上,包括1位诺贝尔奖得主,35各项图灵奖得主,近百各美国工程院/科学院院士,300多个ACM
Fellow,在这边推荐的故是大家可以google通过查找牛人的名字来取得更多的资源,这卖材料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

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

  • 《Bayesian
    analysis》

介绍:
这是同一缓慢贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册有250大抵页,虽然R语言
已经来接近之项目,但归根结底可以加一个可选项.

  • 《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:图像指纹的更识别,作者源码,国内翻译版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用之局信息汇总.应用领域包括:自动帮助驾驶及交通管理、眼球与头部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和考查、医药和生物、移动设备目标识别以及AR、人群跟踪、摄像、安全督查、生物监控、三维建模、web和云应用.

  • 《Seaborn: statistical data
    visualization》

介绍:Python版可视化数据统计开源库.

  • 《IPython lecture notes for OCW MIT
    18.06》

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

  • 《Canova: A Vectorization Lib for
    ML》

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

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

介绍:快速入门:基于Apache Mahout的分布式机器学习.

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

介绍:基于scikit-learn讲解了部分机上技能,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的飞速机器上,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各数据科学家语录精选.

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

介绍:深度上以十分数额解析世界的利用及挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费的机器上和数学书籍,除此之外还出其它的免费编程书,编程语言,设计,操作系统等.

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

介绍:一首有关CNN模型对象识别Paper.

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

介绍:深度上的统计分析V:泛化和正则化.

  • 《Highway Networks》

介绍:用SGD能便捷到位训练之大面积(多层)深度网络HN.

  • 《What I Read For
    Deep-Learning》

介绍:深度上解读文章.

  • 《An Introduction to Recommendation
    Engines》

介绍:Coursera上的推荐系统导论(Introduction to Recommender
Systems)公开课.

  • 《Stanford Machine
    Learning》

介绍:Andrew Ng经典机器上课程笔记.

  • 《ICLR
    2015》

介绍:ICLR
2015见闻录,博客的其它机器上文章吧不错.

  • 《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的风靡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究相关论文.

  • 《Neural Turing Machines
    implementation》

介绍:实现神经图灵机(NTM),型地址,此外推荐相关神经图灵机算法.

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

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

  • 《Mining of Massive Datasets》

介绍:”Mining of Massive Datasets”发布第二本子,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、降维和大机器上三章,电子版照例免费.

  • 《Learning Deep
    Learning》

介绍:一个深上资源页,资料十分丰富.

  • 《Learning Deep Learning》

介绍:免费电子书”Learning Deep Learning”.

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

介绍:Machine Learning for Astronomy with scikit-learn.

  • 《An Introduction to Random Forests for
    Beginners》

介绍:免费电子书”随机森林入门指南”.

  • 《Top 10 data mining algorithms in plain
    English》

介绍:白话数据挖掘十充分算法.

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

介绍:基于Mahout和Elasticsearch的引荐系统,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:面向数据新闻之文书挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用网络图片合成延时视频(SIGGRAPH 2015).

  • 《The Curse of Dimensionality in
    classification》

介绍:分类体系的维数灾难.

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

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

  • 《A Primer on Predictive
    Models》

介绍:预测模型入门.

  • 《Demistifying LSTM Neural
    Networks》

介绍:深入浅出LSTM.

  • 《ICLR
    2015》

介绍:2015年ICLR会议视频与讲义.

  • 《On Visualizing Data
    Well》

介绍:Ben Jones的多少可视化建议.

  • 《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上内用GoogLeNet训练及68.7%之top-1以及89.0%之top-5准确率。和及为dmlc项目之cxxnet相比,采用动态数据流引擎,提供再多灵活性。未来拿与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整理了各家技术相关论文.

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

介绍:基于Caffe的增速深度上体系CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练以及)存储.

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

介绍:新书预览:模型机学习.

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

 此外推荐Introduction to Bandits: Algorithms and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

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

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

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

介绍:Andrew
Ng关于深度上/自学习/无监督特征上的告诉,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过秘密知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向金融数据的情分析工具.

  • 《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的海量(7亿+)网页聚类.

  • 《NAACL 2015 Proceedings on ACL
    Anthology》

介绍:NAACL 2015 论文papers.

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

介绍:机器上预测股市的七单问题.

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

介绍:神经网络学习材料推荐.

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

介绍:面向序列上的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:矩阵和数目的随意算法(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为机上建筑的的一个Python模块,他的特性就是是多样化的归类,回归和聚类的算法包括支持为量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient
Boosting,聚类算法和DBSCAN。而且也计划有了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个给机器上研究简单化的冲Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个因HTM学习算法为工具的机器智能平台。HTM是肌肤的规范计算方式。HTM的骨干是基于时间之连学习算法和仓储与撤回的时空模式。NuPIC适合给五花八门的题材,尤其是检测好及展望的流淌多少来源于。

  • 《Nilearn》

介绍:Nilearn
是一个能够快速统计上神经影像数据的Python模块。它使用Python语言中之scikit-learn
工具箱和有些拓展预测建模,分类,解码,连通性分析的应用程序来进展多元的统计。

  • 《PyBrain》

介绍:Pybrain是根据Python语言强化学习,人工智能,神经网络库底简称。
它的对象是提供灵活、容易使以强大的机械上算法和进展各种各样的预定义的环境面临测试来比较而的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下之一个网开模块。它为数量挖掘,自然语言处理,网络分析和机具上提供工具。它支持向量空间模型、聚类、支持于量机和感知机并且用KNN分类法进行归类。

  • 《Fuel》

介绍:Fuel为公的机械上型提供数据。他发生一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这好像数据集的接口。你用他来由此杀多种的道来取代自己的数量。

  • 《Bob》

介绍:Bob是一个免费的信号处理以及机具上之家伙。它的工具箱是用Python和C++语言共同编写的,它的计划性目的是易得更为高效而减少支出时间,它是由拍卖图像工具,音频和视频拍卖、机器上及模式识别的大气软件包构成的。

  • 《Skdata》

介绍:Skdata是机器上和统计的数据集的库程序。这个模块于玩具问题,流行的电脑视觉及自然语言的数据集提供规范的Python语言的以。

  • 《MILK》

介绍:MILK是Python语言下之机械上工具包。它要是当许多可取得的归类比如SVMS,K-NN,随机森林,决策树被行使监控分类法。
它还实行特征选择。
这些分类器在众多地方互为结合,可以形成不同之诸如无监督上、密切关系金传播和由MILK支持之K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个小心让干抽取的开源性信息抽取工具。它要对的凡用针对大型数据集进行信息提取的用户和思如果品尝新的算法的科学家。

  • 《Quepy》

介绍:Quepy是经过转自然语言问题用以数据库查询语言中开展查询的一个Python框架。他好简简单单的吃定义为在自然语言和数据库查询中不同品类的题目。所以,你不要编码就足以建立你自己之一个所以自然语言进入你的数据库的系。现在Quepy提供于Sparql和MQL查询语言的支持。并且计划以它们延伸至其它的数据库查询语言。

  • 《Hebel》

介绍:Hebel是以Python语言中对于神经网络的深上的一个库程序,它应用的是透过PyCUDA来展开GPU和CUDA的增速。它是无限着重之神经网络模型的类的工具而能提供一些不一之走函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

  • 《mlxtend》

介绍:它是一个由中之家伙与平常数据是任务的扩展组成的一个库程序。

  • 《nolearn》

介绍:这个次包容纳了汪洋会针对君就机器上任务产生帮带的实用程序模块。其中大量之模块和scikit-learn一起干活,其它的便更有因此。

  • 《Ramp》

介绍:Ramp是一个以Python语言下制定机器上着增速原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习着可插入的框架,它现存的Python语言下之机器上与统计工具(比如scikit-learn,rpy2等)Ramp提供了一个粗略的声明性语法探索效能因此能够快速有效地尽算法和更换。

  • 《Feature
    Forge》

介绍:这同名目繁多工具通过与scikit-learn兼容的API,来创造与测试机上效果。这个库程序提供了同一组工具,它见面被你在众多机械上程序用被好受用。当你使用scikit-learn这个家伙时,你晤面感到到被了非常可怜的鼎力相助。(虽然当时单会于您出异的算法时于作用。)

  • 《REP》

介绍:REP是以同一种植和谐、可再生的不二法门为指挥数据移动驱动所提供的一样种植环境。它有一个联之分类器包装来供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且她可以于一个部落为平行的主意训练分类器。同时其吗供了一个交互式的内容。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机械上建筑的简易软件收集。

  • 《Python-ELM》

介绍:这是一个于Python语言下基于scikit-learn的极学习机器的落实。

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外还引进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:预测模型的老三独方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度上学与自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015上Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上机关发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上的剖析

 

 

  • 《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写的流行版本《神经网络与深上综述》本综述的表征是为时排序,从1940年开始出口起,到60-80年份,80-90年份,一直说到2000年后和近年来几年之进行。涵盖了deep
learning里各种tricks,引用非常全面.

注:机器上材料篇目一共500条,篇目二始于更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
希望转载的恋人,你可以绝不联系自身.但是毫无疑问要封存原文链接,因为这个类别还于后续为于非定期更新.希望见到文章的冤家能模拟到再也多.此外:某些材料在中华做客需要梯子.
  • 《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单+稀疏优化1只;强化学习4只,深度上3独+深度上计算1独;贝叶斯非参、高斯过程以及读书理论3单;还有划算广告和社会选择.ICML2015
Sessions.

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28至IEEE计算机视觉与模式识别(CVPR)大会以美国波士顿开。微软研究员等在大会上出示了比往日再快更以的电脑视觉图像分类新模型,并介绍了何等使Kinect等传感器实现以动态或者低光环境的高速大规模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/库的汇总/比较.

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

介绍:数据可视化最佳实践指南.

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

介绍:Day
1、Day
2、Day
3、Day
4、Day
5.

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

介绍:深度上的“深”——DNN的隐喻分析.

  • 《Mixture Density
    Networks》

介绍:混合密度网络.

  • 《Interview Questions for Data Scientist
    Positions》

介绍:数据科学家职位面试题.

  • 《Accurately Measuring Model Prediction
    Error》

介绍:准确评估模型预测误差.

  • 《Continually updated Data Science Python
    Notebooks》

介绍:Continually updated Data Science Python Notebooks.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《The Eyescream Project NeuralNets dreaming natural
    images》

介绍:来自Facebook的图像自动生成.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《A Neural Conversational Model》

介绍:(Google)神经(感知)会话模型.

  • 《The 50 Best Masters in Data
    Science》

介绍:The 50 Best Masters in Data Science.

  • 《NLP常用信息资源》

介绍:NLP常用信息资源.

  • 《Conditional Random Fields as Recurrent Neural
    Networks》

介绍:语义图像分割的真情演示,通过深度上技能同几率图模型的语义图像分割.

  • 《Fully Convolutional Networks for Semantic
    Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,范代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长的烦恼.

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

介绍:基于三初次培训方法的文件流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础与新型进展.

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

介绍:深度上革命.

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

介绍:数据正确(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G之微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产条件(产品级)机器上之时机和挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的组织化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机上小组关于在线Boosting的论文 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20只极度香的开源(Python)机器上项目.

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

介绍:C++并行贝叶斯推理统计库QUESO,github code.

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

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

  • 《Palladium》

介绍:基于Scikit-Learn的预测分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

介绍:John Langford和Hal Daume III在ICML2015达到关于Learning to
Search的教学讲座幻灯片.

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

介绍:读毕这100首论文
就能变成雅数目高手,国内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体和公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写给开发者的机械学习指南.

  • 《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之层系递归编解码器.

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

介绍:GPU上根据Mean-for-Mode估计的迅速LDA训练.

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

介绍:从实验室到厂子——构建机器上生产架构.

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

介绍:适合做多少挖掘的6独经典数据集(及另外100独列表).

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

介绍:Google面向机器视觉的吃水学习.

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

介绍:构建预测类应用时怎样抉择机器上API.

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

介绍:Python+情感分析API实现故事情节(曲线)分析.

  • 《Movie selection using
    R》

介绍:(R)基于Twitter/情感分析的贺词电影推荐,此外推荐分拣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基于图的一半监察上到底法.

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

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的吃水加深学习教程.

  • 《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/政治以及实时预测的机器学习.

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

介绍:Stanford社交网络与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的霎时深度学习.

  • 《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:这是均等篇有关百度文章《基于深度上的图像识别进展:百度的多行》的摘要,建议少首稿子做起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机械上技术.

  • 《Training Recurrent Neural
    Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的灰色区域:可解释性问题,中文版.

  • 《Machine Learning Libraries in GoLang by
    Category》

介绍:Golang 实现之机上库资源集聚总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上的统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的深度上技术和技巧.

  • 《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:这是同依照机器上的电子书,作者Max
Welling学子在机上教学方面有丰富的阅历,这本开小但是精致.

  • 《Click Models for Web
    Search》

介绍:由荷兰阿姆斯特丹大学 & 谷歌瑞士著.

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

介绍:介绍单愿总结和翻译机器上及处理器视觉类资料的博客,包含的情:Hinton的CSC321课程的下结论;Deep
Learning综述;Notes on
CNN的总;python的原理总结;Theano基础知识和练习总结;CUDA原理同编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对具体问题(应用场景)如何挑选机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据是免费书写分类集合

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

介绍:深度上在语音合成最新进展发什么?推荐MSRA的Frank
Soong老师关于语音合成的吃水上道的摄像与幻灯片与和谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data Science》

介绍:新书(可免费下载):数据是的计

  • 《Pattern Recognition and Machine
    Learning》

介绍:模式识别与机具上书本推荐,本书是微软剑桥研究院大神Bishop所勾画,算是最广为认知的机器上课本之一,内容覆盖全面,难度中达到,适合研究生中文版 or 备份

  • 《an introduction to visualizing
    DATA》

介绍:数据可视化介绍(23页袖珍小册子)

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

介绍:这篇论文荣获EMNLP2015底特级数据/资源奖优秀奖,标明的推特数据集

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

介绍:作者在深度上之思考.

  • 《Data-Visualization Tools &
    Books》

介绍:数据可视化常用工具软件资源汇总

  • 《Machine Learning and Probabilistic Graphical Models
    Course》

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

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

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

  • 《Machine Learning
    Checklist》

介绍:机器上习清单

  • 《NLP界有安神级人物?》

介绍:知乎上面的如出一辙篇有关NLP界有什么样神级人物?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之基本点概念,应用程序和挑战,旨在为读者能延续查找机器上文化。

  • 《Gradient Boosted Regression
    Trees》

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

  • 《Apache SINGA : Distributed Deep Learning
    System》

介绍: 无需开深上就能为此底分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊多少与众包Mechanical
Turk上,实现了来自彩票和拍卖的编制,以搜集用户指向成品之愿购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15]
回归模型预测未知WTP,提升卖家利润以及消费者满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的泛机器学习.

  • 《机器上材料十分集中》

介绍:来自52ml的机器上材料大汇总.

  • 《Automatic
    Summarization》

介绍:这仍开的发者McKeown凡2013年世界首独数据科学院(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文件摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上加上齐4钟头之告诉,共248页,是对推荐系统发展之平等不良到概括,其中还包Netflix在个性化推荐者的片更介绍.

  • 《BigData Stream
    Mining》

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

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras纵深上框架Elephas.

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

介绍:Surya Ganguli深度上统计物理学.

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

介绍:(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表.

  • 《Introduction to Topic Modeling in
    Python》

介绍:(PyTexas 2015)Python主题建筑模.

  • 《Large Scale Distributed Deep Learning on Hadoop
    Clusters》

介绍:Hadoop集群上之科普分布式机器学习.

  • 《Top Deep Learning Employers Based On LinkedIn
    Data》

介绍:基于LinkedIn数据得出的吃水上热门”东家”排行.

  • 《Neural Net in C++ Tutorial》

介绍:(c++)神经网络手把手实现教程.

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

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

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的无论监控特征上,Ross Goroshin’s
webpage.

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

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

  • 《Essential Machine Learning Algorithms in a
    nutshell》

介绍:机器上为主算法简要入门.

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

介绍:Github机器学习/数学/统计/可视化/深度上有关品种大列表.

  • 《Information Processing and
    Learning》

介绍:CMU的信息论课程.

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

介绍:谷歌研究院Samy
Bengio等于丁近来形容的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的宽泛分布式深度上》

介绍:基于Hadoop集群的普遍分布式深度学习.

  • 《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,可大幅度回落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:无需召开深度上就是能够因此之分布式深度上软件,github.

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

介绍:当今世界最NB的25各类大数据科学家,通过他们的讳然后在google中查找一定能够找到多雅硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的吃水上(Theano/Lasagne)系列教程.

  • 《Connection between probability theory and real
    analysis》

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

  • 《Data Science Learning
    Resources》

介绍:数据是(学习)资源列表.

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

介绍:应针对非均衡数据集分类问题的八特别策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推荐的20独数据科学相关课程.

  • 《Recurrent Neural
    Networks》

介绍:递归神经网络.

  • 《Histograms of Oriented
    Gradients》

介绍:(HOG)学习笔记.

  • 《Computational modelling
    courses》

介绍:计算建模/计算神经学课程汇总.

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

介绍:(Yelp)基于深度上的商图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费在线书《Neural Networks and Deep
Learning》神经网络与深度上。目前供了前方四节的草,第一章通过手写数字识别的例子介绍NN,第二章说反为传播算法,第三节讲反朝传来算法的优化,第四章节说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:数据对大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以于这网站找到github的路链接.

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

介绍:深度上以视觉跟踪的探索.

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

介绍:Spark机器学习入门实例——大数据集(30+g)二分割类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前之后果,他们本想使开更加的滋长。于是推出了新的,专门对科学家设计的学搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

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

介绍:Spark机器学习入门实例——大数据集(30+g)二私分类.

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

介绍:为入门者准备的纵深上和神经网络免费资源.

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

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

  • 《Veles:Distributed machine learning
    platform》

介绍:三星体开源的高速深度上应用程序开发分布式平台.

  • 《DMTK:Microsoft Distributed Machine Learning Tookit

介绍:分布式机器上工具包.

  • 《Semantics Approach to Big Data and Event
    Processing》

介绍:语义大数据——大数据/事件处理的语义方法.

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

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

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

介绍:Princeton Vision Group的吃水上库初步源.

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

介绍:基于AWS的电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:免费写:面向数据正确的高级线性模型.

  • 《Net2Net: Accelerating Learning via Knowledge
    Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

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

介绍:徐亦达机器上课程 Variational Inference.

  • 《Learning the Architecture of Deep Neural
    Networks》

介绍:深度神经网络结构学习.

  • 《Multimodal Deep
    Learning》

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

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

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

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

介绍:这个专栏是一个stanford学生做的CS183c课程的一个note,该课程是出于Reid
Hoffman等互联网boss级人物设置的,每节课请一号巨头公司之相干负责人来做访谈,讲述该商厦是怎么scale的。最新两期分别告到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中之应用.

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

介绍:思维上——RL+RNN算法信息论.

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

介绍:数据科学家毕业后继续求学的5种方式.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:深度上在神经网络的应用.

  • 《Contextual Learning》

介绍:上下文学习,代码.

  • 《Machine Learning For Complete
    Beginners》

介绍:机器上零基础入门,代码.

  • 《2015年中国电脑学会(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.

  • 《神经网络与深度上读本》

介绍:复旦大学邱锡鹏教育工作者编制的神经网络与深度上课本,ppt.

  • 《Microsoft Open Sources Distributed Machine Learning
    Toolkit》

介绍:微软亚洲研究院开源分布式机器上工具包.

  • 《语音识别的技能原理是呀?》

介绍:语音识别的技艺原理分析

  • 《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.乔丹是大名鼎鼎的微处理器对和统计学学者,主要研究机器上与人工智能。他的最主要贡献包括指出了机械上和统计学之间的维系,并推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是平员英国生的算计机学家和心理学家,以该以神经网络方面的孝敬闻名。辛顿是相反为传播算法和对照散度算法的发明人之一,也是深上的积极性促进者.通过外的主页可以挖掘到特别多Paper以及优秀学生的paper,此外推荐外的学生Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机械上方向的牛人,如果您莫掌握得看对话机器学习大神Yoshua
Bengio(上),本着话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上应用演进

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

介绍:MIT出版的深浅上电子书,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》第三本(草稿)

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

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上和机具上导论视频》

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的采用(MC-GPCA&MC-GDL)

  • 《Computational Statistics in
    Python》

介绍:用Python学计算统计学

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

介绍:datumbox-framework——Java的开源机器上框架,该框架重点是供大量之机上算法和统计检验,并会处理面临有些范围的数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了书,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学的授课,主要研究方向是机械上及数挖掘.在2015年的ACM
webinar会议,曾发表了关于盘点机器上世界的五异常派主题演讲.他的个人主页拥有广大连锁研究之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:深度机器上库与框架

  • 《大数额/数据挖掘/推荐系统/机器上有关资源》

介绍:这篇稿子外之引荐系统资源很丰富,作者非常有中心,摘录了《推荐系统实战》内援的论文.

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

介绍:(天文学)贝叶斯方法/MCMC教程——统计实战

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

介绍:免费写:统计稀疏学习,作者Trevor
Hastie与Rob
Tibshirani还是斯坦福大学之教授,Trevor
Hastie更是以统计学上上建树多多

  • 《The Evolution of Distributed Programming in
    R》

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

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

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

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统出库汇总.

  • 《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会总第一有的,其次有的.

  • 《python机器上入门资料梳理》

介绍:python机器上入门资料梳理.

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

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

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

介绍:计算机视觉的一个比较充分的数目集索引,
包含387个标签,共收录了314单数据集合,点击标签云就可找到自己待之库了.

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

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

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

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

介绍:ICCV 2015的ImageNet比赛及MS COCO竞赛联合研讨会的幻灯片和看到频.

  • 《An Introduction to Machine Learning with
    Python》

介绍:Python机器上入门.

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

介绍:Neural Enquirer 第二版.

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

介绍:[Google]根据TensorFlow的纵深上/机器学习课程.

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

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

  • 《Machine Learning: a Probabilistic
    Perspective》

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

  • 《Deep learning Book》

介绍:这是如出一辙论在线的吃水上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是相同各新入门的学习者可优先看就按照书籍Yoshua Bengio:
How can one get started with machine
learning?.汉语译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的吃水上阅读列表.

  • 《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,可以将吃屏蔽的图上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院把那个深度上工具包CNTK,想更了解与读书CNTK的同窗可以关押前面几乎天公布之《CNTK白皮书》An
Introduction to Computational Networks and the Computational Network
Toolkit.

  • 《Kalman and Bayesian Filters in
    Python》

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

  • 《Statistical inference for data
    science》

介绍:在线免费书写:面向数据科学的统计测算,R示例代码,很正确GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是出于Yoshua
Bengio撰写之课程,其内容涵盖了读书人工智能所利用的深度上架构的读资源,书被的类已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是均等客机器上和深上课程,文章和资源的清单。这张清单根据各个主题进行写作,包括了成千上万跟深上有关的类型、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和不错Python堆栈以及多其它地方的情节。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为统统于含有中,当然还有相关的特定构架和概念等.

  • 《Open Source Deep Learning Server》

介绍:开源的深浅上服务,DeepDetect是C++实现之冲外部机器上/深度学习库(目前凡是Caffe)的API。给闹了图片训练(ILSVRC)和文件训练(基于字的情义分析,NIPS15)的样例,以及根据图片标签索引到ElasticSearch中github.

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

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

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

介绍:经典论文:数据挖掘和统计学.

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

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不明确的正确——概率论导论(MITx).

  • 《R software and tools for everyday
    use》

介绍:R语言开发常用软件/工具推荐.

  • 《Implementing Dynamic memory
    networks》

介绍:动态记忆网络实现.

  • 《Deeplearning4j
    中文主页》

介绍:英文主页

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

介绍:50只很数额解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上的无微不至硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何以社会媒体及做言语检测?没有数据怎么处置?推特官方披露了一个异常金玉之数据集:12万标注了之Tweets,有70种植语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上与机械上重大会议ICLR 2016录用文章

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

介绍:机器上——深度非技术指南

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

介绍:数据叙事入门指南——创意生成/数据收集/内容设计有关资源引进

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

介绍:WikiTableQuestions——复杂真实问答数据集

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

介绍:(2016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两各类大家首次等并发文,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网

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

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

介绍:Spark视频集锦

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

介绍:R语言深度上第一节:从零开始

  • 《A Visual Introduction to Machine
    Learning》

介绍:图解机器上

  • 《Citation Network Dataset》

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

  • 《Best Free Machine Learning
    Ebooks》

介绍:10遵照最佳机器上免费写

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

介绍:ICCV15视频集

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

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

  • 《A Short Introduction to Learning to
    Rank》

介绍:Learning to Rank简介

  • 《Global Deep learning
    researcher》

介绍:全球深度上专家列表,涵盖研究者主页

  • 《Top Spark Ecosystem
    Projects》

介绍:Spark生态顶级项目集中

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

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

  • 《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于 Oxford
开设的吃水上课程,课程youtube地址,Google
DeepMind的研讨科学家,此外首页:computervisiontalks的情节吗生丰富,如果你是开机械视觉方面的研讨,推荐吧看看其他内容.肯定得呢不小.还有,这号youtube主页至了的视频为蛮有份量

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上世界的Hacker
news.紧跟深度上的资讯、研究进展和相关的创业项目。从事机械上,深度上园地的心上人建议每天看同样关押

  • 《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:机器上以生物工程领域的使用,如果您行生物工程领域,可以优先看一篇稿子详尽介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在生物信息法领域的用

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

介绍:一些有关机器上用理解知识,对于正入门机上之同室应该读一朗诵

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器攻读用户组主页,网罗了剑桥大学部分机器上领域专家与新闻

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

介绍:Randy
Olson’s的有数额解析和机具上类库,是习履的好资料

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果用的可多,而因此来开机械上的虽比较少了.Swift
Ai在即时方面举行了广大聚集.可以看看

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

介绍:如何向同位5夏之女孩儿解释支持为量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机械上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的部分牛人博客,超有实力的研讨部门等之网站链接.做计算机视觉方向的情侣建议多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度读钻研主页,此外研究小组对2013年deep learning
的行进展和有关论文做了整治,其中useful
links的始末非常受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是一致篇有关寻找引擎的博士论文,对现在大规模应用的找引擎google,bing等做了分析.对于做搜索类似产品之大有技巧参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这好像书比较少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深上方面的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的复分布式梯度下降.同时引进周边分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究相关问题综述.

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

介绍: 社交计算应用领域概览,里面有些经典论文推荐

  • 《Collaborative Filtering Recommender
    Systems》

介绍: 协同过滤在推举系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在情节引进的研究.

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

介绍: 协同过滤经典仍文.

  • 《Item-based Collaborative Filtering Recommendation
    Algorithms》

介绍: 协同过滤算法.

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

介绍: 亚马逊对同过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

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

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的引进收藏.

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

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

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上相关著名教授Alex Smola在Quora对于《程序员如何学习Machine
Learning》的建议:Alex推荐了众关于线性代数、优化、系统、和统计领域的经文教材及资料.

  • 《Book review: Fundamentals of Deep
    Learning》

介绍:
书籍推荐,深度上基础.源码

  • 《Learning from Big Code》

介绍:
软件工程领域现在啊针对机械上与自然语言处理很感兴趣,有人生产了“大代码”的概念,分享了成百上千代码集合,并且认为ML可以用在预计代码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纵深上课程的幻灯片(Deep Learning Course by Yann
LeCun at Collège de France
2016)百度云密码:
cwsm 原地址

  • 《Stanford HCI Group》

介绍:
斯坦福星机交互组五篇CHI16篇。1.众担保激励机制的作为经济学研究:批量结算比单任务之成功率大。2.以众包专家以及新手间建立联系:微实习。3.词嵌入结合众包验证的歌词汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的位移预计。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无异于节省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是一致磨蹭机上之开源框架,专为黑客打造,而非也科学家要发。它用Rust开发,传统的机器上,现今的纵深上通吃。Leaf

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

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

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

介绍: OpenAI Gym:开发、比较强化学习算法工具箱

  • 《conference-iclr-2016 Papers and
    Code》

介绍: 机器学习会议ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要涉嫌的凡贝叶斯网络及马尔科夫逻辑网络的learning和inference问题,同时以针对PGM有深刻的反驳解释,是学概率图模型必看的书。难度中及,适合来部分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:
这是一律卖有关机器上和数码挖掘以网安全地方利用之资源帖,包含了有些要的站点,论文,书籍,斯坦福课程与部分中的教程.

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

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车之纵深上

  • 《ICML 2016 Conference and Workshops
    Video》

介绍: ICML 2016看看频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线与参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度深造

  • 《How To Get Into Natural Language
    Processing》

介绍: 自然语言处理(NLP)入门指南

  • 《Deep learning and the Schrödinger
    equation》

介绍:通过神经网络跳过数值方法求解薛定谔方程。

  • 《Recent Advances in Distributed Machine
    Learning》

介绍:微软亚洲研究院的刘铁岩等人口多年来以AAAI
2017臻举行的关于优化及广机器上之Tutorial。很值得一看。里面对民俗的优化算法,特别是一些反驳特性与分布式算法的照应理论特性还发一个比较详细的总结。非常适合想快速了解这些领域的大家以及工程师。另外,这个Tutorial还介绍了DMTK的部分情况,作为一个分布式计算平台的利害,还捎带比较了Spark和TensorFlow等风靡框架。

  • 《Deep Learning Implementations and Frameworks
    (DLIF)》

介绍:AAAI
2017底Tutorial,专门讲述了深度上框架的筹划思想以及促成,比较多栽流行框架(Caffe、MXNet、TensorFlow、Chainer等)的属性和异同。

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

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

  • 《Deconstruction with Discrete
    Embeddings》

介绍:用离散嵌入解构模糊数据

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

介绍:视频发布:自然面貌可靠机器上(NIPS 2016 Workshop)

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

介绍:Google发布大规模音频数据集

  • 《5 algorithms to train a neural
    network》

介绍:训练神经网络的5种算法

  • 《Course notes for CS224N
    Winter17》

介绍:笔记:斯坦福CS224n深度念NLP课程(2017)

  • 《Persontyle Workshop for Applied Deep
    Learning》

介绍:伦敦纵深上研讨会资料

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

介绍:论文导读:深度神经网络理解、泛化与迁移学习,acolyer
blog达成还有不少经典推荐可翻阅

  • 《An Introduction to MCMC for Machine
    Learning》

介绍:面向机器上之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:软件工程师的机器上

  • 《Quantitative Finance
    resources》

介绍:量化金融(Quants)资源列表

  • 《What Computers Still Can’t
    Do.》

介绍:《计算机还是不能够举行啊——人工理性批判》MIT版导言

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

介绍:谷歌发论文详解TPU

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

介绍:2017年ICWSM会议论文合集,业内对它们的评论是:”算是最顶级也是最为早的有关社会计算的集会”。里面的舆论大部分是研讨社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容要十分前沿的。如果您是举行社会计算的要得以望。毕竟是行业内数一数二的集会。对了,只要是公了解名字的有名社交媒体都有投稿.[陌陌不算是]

  • 《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:这是同样份python机器上库,如果您是同一位python工程师而且想深入的念机器学习.那么这篇稿子或能拉到你.

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

介绍:这无异首介绍如果规划以及治本属于您自己的机器上类的章,里面提供了管理模版、数据管理与实施方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还免知晓呀是机器上,或虽然是刚上感觉到十分枯燥乏味。那么推荐一诵读。这首稿子曾于翻成中文,如果出趣味可以倒http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机械上之关键语言,有成百上千之情人想学学R语言,但是接连忘记一些函数和重点字之意义。那么就首文章或能够帮忙及你

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠怎么挑选机器上算法,这篇稿子于直观的比了Naive
Bayes,Logistic
Regression,SVM,决策树等办法的高低,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了的本: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、理论的介绍都死到位,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>这是平等按机器上的小册子,
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:作者是发源百度,不过他自己就在2014年4月份报名离职了。但是这篇稿子很不利如果你免知道深度上和支持于量机/统计上理论来什么关系?那么应该马上看看这篇文章.

  • 《计算机是中的数学》

介绍:这本书是由于谷歌公司和MIT共同出品的计算机是中的数学:[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

  • 《信息时代的微处理器对理论(Foundations of Data
    Science)》

介绍:信息时代的计算机科学理论,目前国内产生纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是相同按由雪城大学新编的老二版《数据正确入门》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单问题,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:不见面统计怎么惩罚?不亮什么样选适用的统计模型怎么收拾?那这首文章你的脍炙人口读一读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了扳平篇有关automatic
statistician的稿子。可以自动选择回归模型类别,还能半自动写报告…

  • 《ICLR
    2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是同照信息寻找相关的书籍,是由于斯坦福Manning跟谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美太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课业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10摆设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.很清晰

  • 《雅虎研究院的数据集汇总》

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

  • 《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年一月已经开课: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材料汇集是据为机械上新大方推荐的优质学习资源,帮助新家快速入门。而且就首文章的介绍就让翻成中文版。如果你多少熟悉,那么我提议你先看一样禁闭中文的介绍。

  • My deep learning reading
    list

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

  • Cross-Language Information
    Retrieval

介绍:这是同据图书,主要介绍的凡跨语言信息寻找方面的知。理论很多

  • 追究推荐引擎内部的机密,第 1 有些:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是自IBM的工程师。它根本介绍了引进引擎相关算法,并拉读者很快之落实这些算法。
探索推荐引擎内部的心腹,第 2 有的: 深度推荐引擎相关算法 –
协同过滤,追究推荐引擎内部的私,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系助手教授David
Mimno写的《对机械上新大方的一些建议》,
写的杀实在,强调实行以及辩论结合,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:这是同本有关分布式并行处理的数《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参见下

  • 《“机器上”是啊?》

介绍:【“机器上”是啊?】John
Platt是微软研究院独立科学家,17年来他直以机器上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定设立博客,向公众介绍机器上的研究进展。机器上是什么,被采用在哪?来拘禁Platt的即首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经深受6月21-26日于江山议会着力热闹举办。本次大会由微软亚洲研究院及清华大学协办主办,是以此拥有30大抵年历史并著名世界之机器上世界的盛会首不良来到华,已成功引发全球1200几近位学者的申请参与。干货很多,值得深入学下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首文章要是以Learning to
Rank为例说明企业界机器上的现实性运用,RankNet对NDCG之类不灵动,加入NDCG因素后改成了LambdaRank,同样的构思从神经网络改呢下到Boosted
Tree模型就形成了LambdaMART。Chirs
Burges,微软的机器上大神,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
此外,Burges还有为数不少名牌的代表作,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:本学科将阐述无监控特征上及纵深上的重中之重意见。通过学习,你呢用贯彻多只效益学/深度上算法,能看它们啊汝办事,并就学怎样利用/适应这些想法到新题材达成。本课程假定机器上的基本知识(特别是轻车熟路的督察上,逻辑回归,梯度下降的想法),如果您无熟识这些想法,我们建议您去这里机上课程,并预先完成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面都来python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果要了知晓,需要一定的机械上基础。不过有点地方会给人眼前一样亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是一模一样首介绍图像卷积运算的章,讲的既算是比较详细的了

  • 《Machine Learning Summer
    School》

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

  • 《Awesome Machine
    Learning》

介绍:一个顶尖完整的机上开源库总结,如果你当是碉堡了,那后是列表会再次被您惊叹:【Awesome
Awesomeness】,国内都发生热情的情人进行了翻汉语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学处理器系Chris
Manning教授的《自然语言处理》课程有视频都得以于斯坦福公然课网站上看到了(如Chrome不行,可用IE观看)
作业和考试呢得以下载。

  • 《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,已经勾勒了三章了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的佛法。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台跟开源之机械上库,按照好数额、NLP、计算机视觉与Deep
Learning分类开展了整治。看起很全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上最好基本的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上之算法很多。很多早晚困惑人们都是,很多算法是一模一样近似算法,而有点算法又是起另算法中延长出的。这里,我们于简单个点来吃大家介绍,第一单方面是读书之方,第二只面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你就知晓了是啊内容,没错。里面有诸多经典的机器上论文值得仔细跟数的翻阅。

  • 《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:总结了机械上之经典书籍,包括数学基础和算法理论的图书,可开吧入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16如约机器上的电子书,可以下载下来当pad,手机端任意时刻去读。不多我建议乃看了一遵照再下充斥同遵循。

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

介绍:标题非常老,从新手到大方。不过看了上面装有素材。肯定是大方了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的大多,而且我早就拉你找一块了。

  • 《Sibyl》

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

  • 《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:这同时是如出一辙篇机器上新家的入门文章。值得一诵读

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17单关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此间神奇的伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后当google任研究。这首文章王益博士7年来起谷歌到腾讯对于分布机器上的耳目。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,每级需要上的课本以及操纵的学问。这样,给机器学习者提供一个前进的门径图,以免走弯路。另外,整个网站都是有关机器上的,资源充分丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经验资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是平按照来自小的研究员 li Peng和Dong
Yu所著的有关深度上之措施和运的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机上夏季课刚刚竣工
有将近50小时的视频、十大多独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叫讲师都是牛人: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的科普机器上体系》

介绍:在今年底IEEE/IFIP可靠系统以及网络(DSN)国际会议上,Google软件工程师Tushar
Chandra做了一个有关Sibyl系统的主题演讲。
Sibyl是一个监督式机器上体系,用来解决预测方面的题目,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

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

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

介绍:贝叶斯学习。如果不是非常绝望可省概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友发问伯克利机器上大牛、美国双双院士Michael I.
Jordan:”如果你发10亿美金,你怎么花?Jordan:
“我会见因此就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,此外作者还有一些外的机器上与数挖掘文章和纵深上文章,不仅是论战还有源码。

  • 《文本以及数挖掘视频汇总》

介绍:Videolectures上无限受欢迎之25单公文以及数量挖掘视频汇总

  • 《怎么取舍深度上之GPUs》

介绍:在Kaggle上时时得正确成绩的Tim
Dettmers介绍了外好是怎挑深度上的GPUs,
以及个人怎么样构建深度上之GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机上爱好者很热心的拿这个科目翻译成了汉语。如果您英语不好,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死厉害(就比如非常数额)。其实过多人口且还非理解啊是深浅上。这首文章由浅入深。告诉您深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学召开的均等免费课程(很勉强),这个好被您以深上之旅途被你一个上的思绪。里面涉及了有骨干的算法。而且告诉你哪些去用至实际条件受到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学召开的一个深上用来分辨图片标签/图转文字的demo。是一个实际上采用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要发出一定之底蕴。

  • 《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,多还变量分析,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:
机器学习的是时数解析世界的一个看好内容。很多人口以平时底行事面临都或多还是遗失会为此到机械上之算法。本文也公总结一下科普的机器上算法,以供您于劳作和上学中参考.

  • 《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少数独系列。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)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的用深度上做计算机是苏的NIPS 2013课程。有mp4,
mp3,
pdf各种下载
他是纽约大学教书,目前吗当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发的开源中文自然语言处理(NLP)工具担保
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、语法分析等职能,对找引擎
文本分析等多有价。

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源的机器上工具确保,支持单机, Hadoop cluster,和 Spark
cluster 重点是 logistic regression 算法

  • 《机器上周刊》

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

  • 《线性代数》

介绍:《线性代数》是《机器上》的重要数学先导课程。其实《线代》这门课称得浅显易懂特别不轻,如果同样直达来就讲讲逆序数及陈行列式性质,很易吃学生去学习的志趣。我个人推举的顶尖《线性代数》课程是麻省理工Gilbert
Strang教授的学科。
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:雅虎邀请了同称来自本古里什么大学的访问学者,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
等正规机器上算法的辩护基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着那个数目时,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)通过杀数量手段+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独账号,下载了婚恋网站2万女性用户的600万问题答案,对他们开展了统计抽样及聚类分析(图2,3),最后到底抱了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开课,该课属于MIT研究生级别之课程,对机器人及非线性动力系统感兴趣的朋友不妨可以挑战一下即门课!

  • 《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年起以处理器对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:把今年之一个ACM Trans. on Graphics
(TOG)论文中之代码整理为一个开源的算法框架,共享出来了。欢迎大家用。可以实时的搜集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会见继续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好读书她?可以叫你当浏览器被,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉你,最佳技巧是,当您起来勾画代码,一切以移得清清楚楚。他巧揭晓了同一如约图书,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

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

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

介绍:使用Neo4j
做影视评论的情义分析。

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

介绍:不仅是材料,而且还对有些资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱们什么?

  • 《scikit-learn:用于机器上之Python模块》

介绍:scikit-learn是于SciPy基础及构建的用于机器上的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)教授是机器上园地神经网络的大牛,他对纵深上、神经网络有着非常浓厚的志趣。因此,很多咨询的题材吃含有了机上园地的各项模型,乔丹教授对这个一一做了说明及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*搜是人造智能基本算法,用于高效地摸图备受简单沾之顶尖路线,
核心是 g(n)+h(n):
g(n)是于起点至顶点n之实在代价,h(n)是顶点n到对象顶点的估算代价。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,可以以几私分种内形成NLP on Azure
Website的布,立即开始针对FNLP各种风味的试用,或者以REST
API的花样调用FNLP的语言分析效益

  • 《吴立德《概率主题模型&数据正确基础》》

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年起深度上文献》

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相当于,Amund
Tveit等保障了一个DeepLearning.University小品种:收集从2014年初始深度上文献,相信可以作为深度上的起点,github

  • 《EMNLP上点儿首关于股票方向的用论文

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

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深度上一丝特别牛Bengio组写的科目,算法深入显出,还有实现代码,一步步展开。

  • 《学习算法的Neural Turing Machine

介绍:许多传统的机器上任务都是当上function,不过谷歌目前发始发上学算法的自由化。谷歌另外的立刻首学习Python程序的Learning
to
Execute啊起相似之处

  • 《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搜索和自然语言处理的章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的鉴别上的施用,此外还有零星只。一个凡是识别垃圾及虚假消息的paper.还产生一个是纱舆论及其分析技术

  • 《R机器学习履》

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,数据挖掘感兴趣之人。

  • 《大数量解析:机器上算法实现之演变》

介绍:本章中笔者总结了三代表机上算法实现之演化:第一代非分布式的,
第二代工具如Mahout和Rapidminer实现冲Hadoop的扩展,第三代表如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析以及机具视觉》

介绍:讲计算机视觉的季统奇书(应该让经典吧)之一,另外三据是Hartley的《多图几哪里》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的推介系统文章Browsemaps》

介绍:里面基本没涉及到现实算法,但笔者介绍了CF在LinkedIn的大队人马用到,以及她们于召开推荐过程中收获的片经验。最后一久经验是应有监控log数据的质,因为推荐的质地大据数据的质地!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初大家如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上和生数额构建对话系统

介绍:如何采取深度上和大数量构建对话系统

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

介绍:Francis Bach合作之有关稀疏建模的新概括(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及在图像和视觉及之使,而且首先片段关于Why does
the l1-norm induce sparsity的说也杀不利。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上着第一之定义,其在large
margin分类器上之采用也是广为熟知的。如果没有比较好之数学基础,直接了解RKHS可能会见对。本文由中心运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同桌对机械上与深度上的困惑在于,数学方面曾经盖了解了,但是动于手来可非懂得如何入手写代码。斯坦福深度上博士Andrej
Karpathy写了千篇一律首实战版本的深度上及机上课程,手把手教你用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的同》

介绍:本文会了千篇一律合最盛的机械上算法,大致了解什么措施可用,很有帮带。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有那么些关于机器上、信号处理、计算机视觉、深入上、神经网络等领域的恢宏源代码(或可实行代码)及有关论文。科研写论文的好资源

  • 《NYU
    2014年的纵深上课程资料》

介绍:NYU 2014年的深上课程资料,有视频

  • 《计算机视觉数据集不净集中》

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:数码挖掘十那个经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单可怜硬的种

  • 《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,使用机器上在图像、视频语义分析世界取得了科研与工程达到的突破,发之章未多,但每个都死朴实,在各个一个题目及都成功了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,舆论在此

  • 《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名。

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一致各英国落地之测算机学家和心理学家,以那个在神经网络方面的贡献闻名。辛顿是倒转朝传播算法和自查自纠散度算法的发明人之一,也是深浅上之主动推动者.

  • 《自然语言处理的吃水上理论与事实上》

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

  • 《用十分数据以及机械上做股票价格预计》

介绍: 本文基于<支持于量机的高频限价订单的动态建模>采用了 Apache
Spark和Spark
MLLib从纽约股票交易所的订单日志数据构建价格活动预测模型。(股票来风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上的若干驳问题》

介绍:徐宗本
院士将受爱机器上之同伴联手追有关于机器上的几乎单理论性问题,并于闹有些出含义的下结论。最后经有些实例来说明这些理论问题的物理意义和实在用价值。

  • 《深度上在自然语言处理的应用》

介绍:作者还显有《这就是摸索引擎:核心技术详解》一题,主要是介绍应用层的东西

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献同业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其应用”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据构建的几率统计模型并利用模型对数据开展前瞻及剖析的平派别是,统计上呢化为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之目标是对准电脑编程,以便利用样本数量要以往的涉来解决给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能和机械上世界有趣之开源项目》

介绍:部分汉语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有同首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了平等篇超赞的数值优化博文,从牛顿法讲到拟牛顿法,再谈到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上方式概述(一)》

介绍:还有续集眼看深度上方式概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数量和机具上之成》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

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

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说拿多年来型识别达到的突破用到围棋软件达到,打16万摆放业棋谱训练模型识别功能。想法是。训练后即能够完成决不计算,只看棋盘就叫来下一致步,大约10级棋力。但迅即首文章最过乐观,说啊人类的末梢一片堡垒马上快要跨越掉了。话说得最早。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,根据这次试验的结果,如果今年NIPS重新审稿的话语,会发生一半的舆论被拒。

  • 《2014年超级的不行数量,数据对文章》

介绍:KDNuggets分别总结了2014年14独阅读最多跟享受最多之文章。我们从中可以看出多只主题——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以及群众投票的太让欢迎之多寡是与数量挖掘语言

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

介绍:Python实现线性回归,作者还闹外大过硬的文章推荐可看

  • 《2014华充分数目技术大会33各项中心专家发言PDF》

介绍:2014华夏很数量技术大会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在感情分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布在github(目前凡拖欠的)。这意味着Paragraph
Vector终于揭开面纱了呗。

  • 《NLPIR/ICTCLAS2015划分词系大会上的技巧演讲

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

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的倒往求导及练习》

介绍:介绍CNN参数在使用bp算法时该怎么训练,毕竟CNN中发生卷积层和下采样层,虽然同MLP的bp算法本质上等同,但款式达到还是略区别之,很肯定以做到CNN反往传播前询问bp算法是要的。此外作者也召开了一个资源集合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果一旦当平首稿子中相当配十万个基本点词怎么惩罚?Aho-Corasick
算法利用上加了回边的Trie树,能够在线性时间内得匹配。
但如果配合十万只正则表达式呢 ?
这时节可为此到把多独刚刚则优化成Trie树的方,如日本人写的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

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

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现的开源人工神经网络库

介绍:LambdaNetLambdaNet是出于Haskell实现之一个开源的人工神经网络库,它抽象了网络创建、训练并采用了高阶函数。该库还提供了同样组预定义函数,用户可采用多种法组成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得深入了解。

  • 《杨强以TEDxNanjing谈智能的源于》

介绍:”人工智能研究分多流派。其中之一为IBM为代表,认为如果来强性能计算就不过得智能,他们之‘深蓝’击败了世道象棋冠军;另一样帮派认为智能来自动物本能;还发生只十分强的派认为要找来专家,把他们的合计用逻辑一条条写下,放到计算机里便行……”
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:网易有道的老三各类工程师写的word2vec的解析文档,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的各种tricks,公式推导与代码,基本上是网上关于word2vec素材的大合集,对word2vec谢谢兴趣之爱侣可省

  • 《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.与之类似之还有很多诸如:[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(写篇的时候,现在是2015年了当将毕业了),专业方向自然语言处理.这是某些客的更的谈.对于入门的朋友或者会出拉

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是平等首有关机器上算法分类的文章,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,在此间有一部分的优质内容即是源于机器上日报.

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

介绍:这是一律篇有关图像分类在深度上中之稿子

  • 《自动语音识别:深度上道》

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

  • 《NLP中之中文分词技术》

介绍: 作者是360电商技术组成员,这是同一首NLP在汉语分词中的施用

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

介绍: 使用deep
learning的人数脸要点检测,此外还有雷同篇AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等丁编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界多牛文,涉及CV、NLP等世界,值得一念。网上公开之几乎章节草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用高深装逼的数学语言描绘的矩阵概率不等式用初等之方式勾勒出来,是充分好的手册,领域内之paper各种证明都于为此其中的结果。虽说是初等的,但要么不行的不便

  • 《The free big data sources you should
    know》

介绍:
不容错过的免费生数据集,有些早就是习,有些可能要第一赖听说,内容超过文本、数据、多媒体等,让他俩随同您开数据是的一起吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的纵深上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

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

  • 《机器上:学习资源》

介绍:里面融合了成百上千底资源,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,该手册希望在辩论同执行之间找到平衡点,各重大内容还陪有实在例子及数据,书中之例证程序还是因此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。高只是读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒同便利的人造智能优先研究计划: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).这封信的背景是近日霍金同Elon
Musk提醒人们瞩目AI的密威胁。公开信的情是AI科学家们站于便利社会之角度,展望人工智能的前景发展势头,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。其实还有雷同管美剧《疑犯追踪》,介绍了AI的形成从平开始之我学习,过滤,图像识别,语音识别等看清危险,到第四季的时出现了机通过上成才之后想控制世界的状态。说到此推荐收看。

  • 《metacademy》

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

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

介绍:Facebook人工智能研究院(FAIR)开源了同一雨后春笋软件库,以帮扶开发者建立重特别、更快之深浅上型。开放之软件库在
Facebook 被称模块。用它们替代机械上世界常用之开支环境 Torch
中的默认模块,可以于再次缺乏的时内训练再度老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。

  • 《如何变成平等各项数据科学家》

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

  • 《Deep learning from the bottom
    up》

介绍:非常好之深浅上概述,对几乎栽流行的深度上型都进行了介绍与讨论

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

介绍:主要是描述了用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您掌握卷积神经网络,讲解很鲜明,此外还有零星篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其余的有关神经网络文章也罢坏棒

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一按上人工智能的书籍,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E.
    Hinton个人主页》

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了一部分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:一个据此来飞的统计,机器上而对数据量大之数学库

  • 《ICLR
    2015集会的arXiv稿件合集》

介绍:在此间您得看最近深度上来啊新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信息搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音信寻找、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器上着之运

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规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、案件完全情况的前瞻,定价和工作人员预测,司法行为预测相当。法律领域大家也许都比较陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中提到了最为帅,模型,最大熵等等理论,此外还有以篇。推荐系统可以说凡是一模一样照是的阅读稿,关于模型还引进一首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的从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,你可拿狮子大象的像来尝试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了当Hadoop2.0及利用深度上,文章来源paypal

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

介绍:用基于梯度下降之方式训练深度框架的实行推荐指导,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: 一个开口机器上之Youtube视频教程。160聚集。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,作者的钻研方向是机器上,并行计算如果你还眷恋询问一些任何的可看他博客的别样文章

  • 《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之选料

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

介绍: CNN用于WEB搜索,深度上以文书计算着之以

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被之公开数据集

  • 《Search Engine &
    Community》

介绍: 一个学术搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度极抢的NLP库,快之缘故一样凡故Cython写的,二是用了单要命抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields凡独数学研究为主,上面的及时卖ppt是来Fields举办的移动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经论文》

介绍: Topic modeling 的经文论文,标注了重在点

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

介绍:
多伦多大学与Google合作之初论文,深度上呢堪用来下围棋,据说会落得六段水平

  • 《机器上周刊第二欲》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚推荐一个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的论文库已经选定了963篇经过分类的深上论文了,很多藏论文都早就选定

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

介绍: Radim
Řehůřek(Gensim开发者)在平等软机器上聚会上的喻,关于word2vec及其优化、应用以及扩充,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。那么怎么可以于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各半小时1TB的钻数据,现在颁发给大家于是了。

  • 《LDA入门与Java实现》

介绍:
这是同等篇面向工程师的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、面向科技特别数量的开。收集近4000万作者信息、8000万论文信息、1亿大抵引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上之主题,讨论Word2Vec之幽默应用,Omer
Levy提到了他于CoNLL2014特级论文里之辨析结果和新办法,Daniel
Hammack给起了搜寻特异词的有些应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然中的微课程就归档过了,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年的信仰

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个人口脸图像识别库。包含正面与多视角口脸检测两个算法.优点:速度快(OpenCV
haar+adaboost的2-3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绝佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加深切一些。通过全局的长治久安分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之影响系数影响)。可以用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,切切实实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常过硬的强调特征选择对分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再使用节能贝叶斯分类器,取得了比SVM更可以的意义,训练以及归类时间吧大大降低——更重要之凡,不必花费大量时空以攻和优化SVM上——特征也一样no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上怎么化解问题》

介绍:随着大数据时代的来,机器上变成化解问题之同一种植要且要的工具。不管是工业界还是学术界,机器上还是一个炙手可热的大方向,但是学术界以及工业界对机械上之钻各个起讲究,学术界侧重于对机械上理论的研究,工业界侧重于如何用机器上来缓解实际问题。这首文章是美团的实在条件受到之实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上的高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和外模型关系、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是基于Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您还快地创建同管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一愿意的机械上入门课程”Introduction to
Machine
Learning“近期刚好开拍,课程4K高清视频并到Youtube上,目前刚刚更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣之同校可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的一起特征,可另行好地表述图片内容相似性。由于不依靠让人工标签(标注),可用以大规模图片处理,难在用户作为数据的获与洗涤;利用社会化特征的笔触值得借鉴.

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

介绍:Twitter技术团队本着前段时间开源之日序列非常检测算法(S-H-ESD)R包的牵线,其中对大的概念及分析深值得参考,文中也干——异常是赛针对性的,某个圈子支出的不行检测以另世界直接用而不行.

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

介绍:聚焦数据质量问题之应对,数据质量对各种框框企业之性及效率都主要,文中总结发生(不限于)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年旧金山深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的尺码仍机场(CRF)介绍文章,作者的学习笔记

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

介绍: 来自Stanford,用神经网络实现高效准确的依存关系解析器

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

介绍:做深上如何挑选GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授在H2O.ai
Meet-Up上之告知,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年跟主题报告
、讲义.

  • 《Awesome Computer
    Vision》

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

  • 《Adam
    Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建与部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一首有意思的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沉思:组合了BM11与BM15点滴只模型。4)作者是BM25底提出者和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简要介绍,ARMA是研究时序列的首要方式,由从回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

介绍: 把来自target的attention signal加入source encoding
CNN的输入,得到了比BBN的模子好之多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——通过对大气菜单原料关系的挖掘,发现印度菜香的因由有是中间的寓意互相冲突,很有趣之文本挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那个降序排序的涉及,最知名的是语言学家齐夫(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性甚高频及充分低频词的描写 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,有广大RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信你为会受益匪浅.

  • 《学术种子网站:AcademicTorrents》

介绍:
成G上T的学问数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简便易行的方,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,在原始的Cheat
Sheet基础及助长了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上之应有尽有硬件指南,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】在颜识别及而自都是大方,即使细微的差异吗能够辨别。研究已经证实人类同灵长类动物在面加工上不同让任何物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的完美结合。

  • 《Neural Net in C++
    Tutorial》

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

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的骨子里用场景NN选择参考表,列举了部分突出问题建议利用的神经网络

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

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

  • 《Deep Learning
    Tutorials》

介绍:深度上课程

  • 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

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

介绍:Google对Facebook DeepFace的强回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上达到99.63%准确率(新记录),FaceNet
embeddings可用以人脸识别、鉴别和聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文自Databricks公司网站的平等篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们在MLlib中的分布式实现,以及显一些简约的例证并建议该由哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前可处理面临英文语料,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发展过程,详细讲解神经网络语言模型在逐个阶段的款式,其中的型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重要变形,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,包括完全的数据处理流程,是学习Python数据处理以及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理以及图像分析的钻期刊,每篇文章还饱含一个算法和相应的代码、Demo和尝试文档。文本以及源码是透过了同行评审的。IPOL是开的对与可更的研讨期刊。我一直怀念做点类似的工作,拉近产品跟技能之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数据快速分类问题.

  • 《purine2》

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

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然比较少.但蚊子再稍微也是肉.有突出部分.此外还有一个是因为zheng
Rui整理的机上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是相同准自然语言处理的词典,从1998年始发交目前积累了无数的业内词语解释,如果您是同一号刚刚入门的朋友.可以借这按照词典让祥和成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

介绍:R语言教程,此外还推荐一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

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

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化以及人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上之水源,值得深刻上
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.近百篇,内容提到图像识别应用之各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它目前托管在sourceforge上面

  • 《Data Journalism
    Handbook》

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

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数量挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强的Python的数码解析工具包.

  • 《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、库调研以及Theano的启幕测试体会报告.

  • 《DEEP
    learning》

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

  • 《simplebayes》

介绍: Python下起来源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language
    processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数目科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目曾经开源在github上面Crepe

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

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着之要数学概念.

  • 《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.贯彻代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机器上课程,先编制课程为机上(10-715)和中间统计学(36-705),聚焦统计理论以及方在机器上园地应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法以及人身自由优化学科》是哈佛应用数学研究生课程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣的情人肯定要看看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数目以》

介绍:生物医学的SPARK大数据应用.并且伯克利开源了他们的big data
genomics系统ADAM,其他的情节好关注一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术还是机器翻译技术感兴趣的亲们,请在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,这个网址有之小圈子几十分顶会的论文列表,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,兑现代码.

  • 《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:斯坦福的深上课程的Projects 每个人都要描写一个论文级别的报告
里面有一对颇有意思的以 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实际方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

介绍:文中提到的老三篇论文(机器上那些从、无监控聚类综述、监督分类归纳)都挺经典,Domnigos的机上课也很精美

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的吃水上之几率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近在McGill
University研讨会及之晓,还提供了一如既往名目繁多讲话机器上道的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下,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机器上基本概念教学.

  • 《DeepCLn》

介绍:一个根据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|金融等领域)预测方法.

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析和数量挖掘的概率数据结构.

  • 《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&数据科学在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上与RNN的座谈 Sequence to Sequence Learning with Neural
Networks.

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春季学期CMU的机上课程,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,境内镜像.

  • 《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定论文列表,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.

  • 《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:有趣之机器上:最显入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

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

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

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登自家的博客主页

相关文章

标签:, ,

Your Comments

近期评论

    功能


    网站地图xml地图