ca88网页版会员登录机械上及深度上资料

  • 《Brief History of Machine
    Learning》

介绍:这是一致首介绍机器上历史之文章,介绍好周到,从感知机、神经网络、决策树、SVM、Adaboost到自由森林、Deep
Learning.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的新星版本《神经网络与深上综述》本综述的性状是以时日排序,从1940年初步说起,到60-80年份,80-90年份,一直说到2000年晚同近年来几乎年的拓。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修机器学习.那么这首文章或能够助及你.

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

介绍:这等同篇介绍如果规划以及保管属于你协调的机上型之章,里面提供了管制模版、数据管理和实践方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还未晓得啊是机上,或虽然是正上感觉到异常枯燥乏味。那么推荐一诵读。这篇稿子曾让翻成汉语,如果出趣味可以走http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机械上的关键语言,有诸多之对象想深造R语言,但是接连忘记一些函数和根本字之义。那么这篇稿子或能帮到您

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该如何选择机器上算法,这首文章于直观的比较了Naive
Bayes,Logistic
Regression,SVM,决策树等措施的优劣,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,作者对于例子的选料、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>这是同一以机器上之小册子,
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,
也许就仍你又需!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是发源百度,不过他自家都在2014年4月份提请离职了。但是这首文章好正确如果你切莫晓得深度上与支持于量机/统计上理论出什么联系?那么该立即看看就首文章.

  • 《计算机是中之数学》

介绍:这本书是由谷歌公司与MIT共同出品的电脑科学中之数学:[Mathematics
for Computer Science](Mathematics for Computer Science),Eric Lehman et
al 2013
。分为5多数:1)证明,归纳。2)结构,数论,图。3)计数,求与,生成函数。4)概率,随机行。5)递归。等等

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

介绍:信息时代的电脑对理论,目前国内发出纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是平以由雪城大学新编的第二版本《数据正确入门》教材:偏实用型,浅显易懂,适合想上R语言的同校选读。

  • 《Twenty Questions for Donald
    Knuth》

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

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

介绍:不见面统计怎么处置?不知情什么挑选适合的统计模型怎么惩罚?那立篇稿子你的不错读一念了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了相同首关于automatic
statistician的文章。可以活动选择回归模型类别,还会活动写报告…

  • 《ICLR
    2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是一模一样遵循信息搜索有关的书本,是由于斯坦福Manning及谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美极端被欢迎的音信寻找教材有。最近笔者多了拖欠科目的幻灯片和作业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10摆设可以的图来分解机器上要概念: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

  • 《雅虎研究院的数额集汇总》

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

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

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

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习资料汇集是独占为机械上新大家推荐的甲学习资源,帮助新家快速入门。而且这篇稿子的介绍都为翻成中文版。如果你稍微熟悉,那么我提议乃先看同样扣押中文的牵线。

  • My deep learning reading
    list

介绍:主要是本着Bengio的PAMI
review的篇章找出来的。包括几以综述文章,将近100首论文,各位山头们的Presentation。全部且得以google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是均等按部就班图书,主要介绍的凡跨语言信息寻找方面的知识。理论很多

  • 探讨推荐引擎内部的心腹,第 1 有些:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是源于IBM的工程师。它要介绍了推介引擎相关算法,并辅助读者很快之落实这些算法。
追推荐引擎内部的绝密,第 2 有: 深度推荐引擎相关算法 –
协同过滤,追究推荐引擎内部的私房,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,强调实行和理论做,最后还引用了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的数码

介绍:这是一样随有关分布式并行处理的数据《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参照下

  • 《“机器上”是呀?》

介绍:【“机器上”是什么?】John
Platt是微软研究院独立科学家,17年来他一直当机械上园地耕耘。近年来机器上变得炙手可热,Platt和共事们遂决定办博客,向群众介绍机器上的研究进展。机器上是啊,被运用在哪里?来拘禁Platt的就篇博文

  • 《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)已经给6月21-26日在国会中心隆重举办。本次大会由微软亚洲研究院暨清华大学并主办,是其一拥有30多年历史并著名世界的机械上园地的盛会首次于到华,已成功掀起全世界1200几近员学者的提请与。干货很多,值得深刻学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇文章要是盖Learning to
Rank为条例说明企业界机器上之切实可行采用,RankNet对NDCG之类不敏感,加入NDCG因素后变为了LambdaRank,同样的琢磨从神经网络改吗使到Boosted
Tree模型就做到了LambdaMART。Chirs
Burges,微软的机器上大神,Yahoo
2010 Learning to Rank
Challenge第一名叫得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
此外,Burges还有不少资深的代表作,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之机要意见。通过学习,你呢用贯彻多只作用学/深度上算法,能望它们啊汝办事,并就学怎样用/适应这些想法及新题材达成。本课程假定机器上的基本知识(特别是习的督察上,逻辑回归,梯度下降的想法),如果您免熟识这些想法,我们建议您去这里机上课程,并先行就第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面都发python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果用了知道,需要一定的机械上基础。不过有点地方会给人眼前一致亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是同样篇介绍图像卷积运算的章,讲的就算是比较详细的了

  • 《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:一个至上完整的机上开源库总结,如果你当是碉堡了,那背后是列表会再也被你惊叹:【Awesome
Awesomeness】,国内曾经产生热情的冤家进行了翻译汉语介绍,机器上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学处理器系Chris
Manning教授的《自然语言处理》课程有视频都得以于斯坦福公开课网站上看到了(如Chrome不行,可用IE观看)
作业以及试验呢可以下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

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

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台以及开源的机上库,按照老数额、NLP、计算机视觉及Deep
Learning分类开展了整理。看起老全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太中心的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多时节困惑人们都是,很多算法是一模一样接近算法,而稍算法又是起另算法中拉开出的。这里,我们从简单只地方来给大家介绍,第一独面是读书之不二法门,第二个点是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你早就知晓了凡什么内容,没错。里面来成千上万经典的机械上论文值得仔细跟高频的读书。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机器上的经书籍,包括数学基础及算法理论的图书,可举行吗入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16依照机器上之电子书,可以下载下来当pad,手机端任意时刻去读。不多己提议乃看罢一遵循再下充斥同照。

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

介绍:标题很特别,从新手到大方。不过看罢上面有素材。肯定是家了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的特别多,而且自己曾帮助你寻找一块了。

  • 《Sibyl》

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

  • 《Deep
    Learning》

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

  • 《Neural Network & Text
    Mining》

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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的履人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这同时是一致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个关于机器上的工具

  • 《神奇之伽玛函数(上)》

介绍:下集在此地神乎其神之伽玛函数(下)

  • 《分布式机器上的故事》

介绍:作者王益时凡腾讯广告算法总监,王益博士毕业后当google任研究。这篇稿子王益博士7年来打谷歌到腾讯对于分布机器上之耳目。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,每级需要学习的讲义和左右的知识。这样,给机器学习者提供一个前进的不二法门图,以免走弯路。另外,整个网站都是关于机器上的,资源大丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是如出一辙论来自小的研究员 li Peng和Dong
Yu所展示的关于深度上的章程及运用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机械上夏季课刚刚竣工
有濒临50小时的视频、十大多只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名为讲师都是牛人:包括特别牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大面积机器上系统》

介绍:在当年底IEEE/IFIP可靠系统及网(DSN)国际会议达到,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简单地介绍了她们当年到庭ImageNet取得好成绩的GoogLeNet系统.是有关图像处理的。

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

介绍:贝叶斯学习。如果无是蛮彻底可省概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友咨询伯克利机器上大牛、美国夹院士Michael I.
Jordan:”如果你生出10亿美金,你怎么花?Jordan:
“我会见为此就10亿美金建造一个NASA级别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,此外作者还有部分别的机上与数据挖掘文章和纵深上文章,不仅是辩论还有源码。

  • 《文本及数码挖掘视频汇总》

介绍:Videolectures上极被欢迎之25只文本及数挖掘视频汇总

  • 《怎么选深度上之GPUs》

介绍:在Kaggle上不时得正确成绩的Tim
Dettmers介绍了外好是怎么选深度上的GPUs,
以及民用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将这个科目翻译成了中文。如果您英语不好,可以看看是

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上以媒体界被炒作死厉害(就比如非常数量)。其实过多人口都还不知情呀是深浅上。这篇稿子由浅入深。告诉您深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学做的同样免费课程(很勉强),这个得为您于深上的途中让你一个就学之笔触。里面涉及了一部分中心的算法。而且告诉你哪错过用至实际条件被。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个深上用来分辨图片标签/图转文字的demo。是一个实际用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是内容需要发出得的根底。

  • 《R工具包的归类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是时下数解析世界的一个看好内容。很多人以平常的办事负还还是多或者有失会用到机械上的算法。本文也您总结一下大的机械上算法,以供你在干活暨学着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总结了一些独密密麻麻。另外还作者还了一个文章导航.非常之谢作者总结。

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列的(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的之所以深度上做计算机是清醒的NIPS 2013学科。有mp4,
mp3,
pdf各种下载
他是纽约大学教书,目前啊以Facebook工作,他2014年的8篇论文

  • 《FudanNLP》

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

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源之机器上工具确保,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,但以蛮想念读机器上的恋人。是一个特别之有利。机器上周刊目前任重而道远提供中文版,还是面向广大国内爱好者,内容涉嫌机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的重点数学先导课程。其实《线代》这门课称得浅显易懂特别不易于,如果一致达成来就算开口逆序数及陈行列式性质,很易让生去学习之兴。我个人推举的极品《线性代数》课程是麻省理工Gilbert
Strang教授的课。
课主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了同一称呼来本古里什么大学的访问学者,制作了一致拟关于机器上之一连串视频课程。本学科并分为7期,详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等正常机器上算法的申辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着充分数据时,量子机器上的首先单试验 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)通过大数额手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定着12个账号,下载了恋爱网站2万女性用户之600万题目答案,对他们进行了统计抽样及聚类分析(图2,3),最后到底得到了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开课,该课属于MIT研究生级别之科目,对机器人和非线性动力系统感兴趣之爱侣不妨可以挑战一下即门课!

  • 《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年开头以处理器对的论文被被引述次数最多之舆论

  • 《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)论文中的代码整理为一个开源之算法框架,共享出来了。欢迎大家用。可以实时的征集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会连续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好上她?可以给您以浏览器被,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,当您从头勾画代码,一切以易得清楚。他碰巧公布了同准图书,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
讲述工业界和学界机器上之异同,大实话

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

介绍:使用Neo4j
做电影评论的结分析。

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

介绍:不仅是材料,而且还针对小材料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱啊?

  • 《scikit-learn:用于机器上之Python模块》

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

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

介绍:乔丹教授(Michael I.
Jordan)教授是机械上园地神经网络的大牛,他针对纵深上、神经网络有着特别深刻的志趣。因此,很多提问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*查找是人为智能基本算法,用于高效地搜索图备受有数触及之极品途径,
核心是 g(n)+h(n):
g(n)是起起点到顶点n之实在代价,h(n)凡是顶点n到对象顶点的估量代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本项目以了Microsoft Azure,可以于几乎分开种内得NLP on Azure
Website的配备,立即开始对FNLP各种特色的试用,或者以REST
API的样式调用FNLP的语言分析效益

  • 《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。计算机科学研究所可所长.内部课程

  • 《机器上入门资源不全集中》》

介绍:好东西的干货真的多

  • 《收集从2014年开始深度上文献》

介绍:从硬件、图像及正常、生物、大数目、生物信息还到量子计算等,Amund
Tveit等保障了一个DeepLearning.University小项目:收集从2014年开始深度上文献,相信可以看成深度上的起点,github

  • 《EMNLP上少首有关股票方向的施用论文

介绍:EMNLP上有数首有关stock
trend
用到了deep model组织特征;Exploiting Social Relations and Sentiment for
Stock
Prediction用到了stock
network。

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深度上一线很牛Bengio组写的课程,算法深入显出,还有实现代码,一步步拓展。

  • 《学习算法的Neural Turing Machine

介绍:许多习俗的机器上任务还是在求学function,不过谷歌目前时有发生始发念算法的趋势。谷歌另外的及时篇学习Python程序的Learning
to
Execute否起相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的识别上的采用,此外还有点儿只。一个凡是甄别垃圾和虚假信息之paper.还生一个是纱舆论及其分析技术

  • 《R机器学习实践》

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

  • 《大数目解析:机器上算法实现的演变》

介绍:本章中笔者总结了三替机上算法实现之演化:第一替代非分布式的,
第二代工具如Mahout和Rapidminer实现冲Hadoop的恢弘,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(应该为经典吧)之一,另外三随是Hartley的《多图几哪》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的推介系统文章Browsemaps》

介绍:里面基本没有干到现实算法,但作者介绍了CF在LinkedIn的多多行使,以及她们当开推荐过程中拿走的部分历。最后一久经验是应该监控log数据的色,因为推荐的色非常倚重数据的成色!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初专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:用树莓派和相机模块进行人脸识别

  • 《利用深度上及充分数据构建对话系统

介绍:如何利用深度上及好数额构建对话系统

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

介绍:Francis Bach合作之有关稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像及视觉上的采取,而且率先组成部分有关Why does
the l1-norm induce sparsity的解释吗深正确。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上中要害的定义,其于large
margin分类器上之运用也是广为熟知的。如果没比较好之数学基础,直接了解RKHS可能会见正确。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:许多同室对机械上和深度上的疑惑在于,数学方面曾盖了解了,但是动于手来可不知情哪些入手写代码。斯坦福深度上博士Andrej
Karpathy写了扳平首实战版本的吃水上与机上课程,手把手教而用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的一起》

介绍:本文会过相同一体最盛行的机器上算法,大致了解如何方法可用,很有帮衬。

  • 《Reproducible Research in Computational
    Science》

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

  • 《NYU
    2014年的吃水上课程资料》

介绍:NYU 2014年的纵深上课程资料,有视频

  • 《计算机视觉数据集不全集中》

介绍:计算机视觉数据集不了集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数挖掘十杀经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100个老高的种类

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高校欧文分校为机上社区保护着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、视频语义分析世界得到了科研与工程达到的突破,发之章不多,但每个都死朴实,在各国一个问题及且做到了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,舆论在此间

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是均等各项英国诞生的乘除机学家和心理学家,以那于神经网络方面的奉献闻名。辛顿是反为传来算法和对比散度算法的发明人之一,也是深上之积极性促进者.

  • 《自然语言处理的深浅上理论以及事实上》

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

  • 《用非常数量与机械上做股票价格预计》

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

  • 《关于机器上之多驳问题》

介绍:徐宗本
院士将给爱机器上之小伙伴联手探究有关于机器上的几乎单理论性问题,并叫有部分有意义的结论。最后经过有实例来说明这些理论问题的大体意义与实际行使价值。

  • 《深度上在自然语言处理的运》

介绍:作者还显得有《这即是摸索引擎:核心技术详解》一题,主要是介绍应用层的物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章推荐

  • 《推荐系统经典论文文献和业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数据构建的概率统计模型并使模型对数码开展前瞻及剖析的平等门是,统计上为变为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的目标是针对性电脑编程,以便使样本数量或者以往之经历来缓解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能和机械上世界有趣的开源项目》

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:此外作者还有一样首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了同样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。

  • 《简明深度上道概述(一)》

介绍:还有续集分明深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数量和机具上的组合》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边学边用word2vec暨deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并以事实上比里比调参数和清数据。
如果就作了gensim不要遗忘升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这文章说拿多年来型识别达到的突破用到围棋软件上,打16万布置业棋谱训练模型识别功能。想法是。训练后即亦可就永不计算,只拘留棋盘就叫起下一致步,大约10层棋力。但迅即首稿子最过乐观,说啊人类的最终一块堡垒马上快要跨越掉了。话说得太早。不过,如果跟别的软件做该还有潜力可打。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他表示,根据这次试验的结果,如果今年NIPS重新审稿的语,会发一半底舆论被拒绝。

  • 《2014年超级的大数额,数据科学文章》

介绍:KDNuggets分别总结了2014年14个阅读最多和享受最多之章。我们从中可以看出多独主题——深度上,数据科学家职业,教育与薪酬,学习数据正确的工具比如R和Python以及群众投票的极其给欢迎的数据科学及数目挖掘语言

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

介绍:Python实现线性回归,作者还出任何特别棒的章推荐可省

  • 《2014中国杀数据技术大会33各项中心专家发言PDF》

介绍:2014华特别数额技术大会33员中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

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

  • 《NLPIR/ICTCLAS2015划分词系大会上之技术演讲

介绍:NLPIR/ICTCLAS2015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色搜索技术研讨
李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反往求导及练习》

介绍:介绍CNN参数在使用bp算法时该怎么训练,毕竟CNN中产生卷积层和下采样层,虽然同MLP的bp算法本质上同样,但款式达到还是有点区别的,很引人注目以就CNN反往传来前询问bp算法是须的。此外作者吧召开了一个资源聚集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果如当同样首文章被相当配十万个重大词怎么惩罚?Aho-Corasick
算法利用上加了回来边的Trie树,能够当线性时间内形成匹配。
但如果匹配十万只正则表达式呢 ?
这下可为此到将多独刚则优化成Trie树的措施,如日本人数写的
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是由Haskell实现的一个开源之人工神经网络库,它抽象了网创建、训练并运用了高阶函数。该库还提供了平组预定义函数,用户可以以多种措施结合这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果您从互联网搜索,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。

  • 《杨强于TEDxNanjing谈智能的来》

介绍:”人工智能研究分多帮派。其中有为IBM为表示,认为如果来胜性能计算就只是获智能,他们之‘深蓝’击败了社会风气象棋冠军;另一样流派认为智能来自动物本能;还闹个老强之宗认为要找来专家,把她们之想想用逻辑一条条写下,放到计算机里虽行……”
杨强以TEDxNanjing谈智能的起源

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

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

  • 《Deep
    Learning实战之word2vec》

介绍:网易有道的老三员工程师写的word2vec底辨析文档,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,再届word2vec的各种tricks,公式推导与代码,基本上是网上有关word2vec素材的大合集,对word2vec感谢兴趣之爱人可看看

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机器上之各种编程语言学术和经贸的开源软件.与这个类似之还有许多诸如:[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,现在是2015年了当将毕业了),专业方向自然语言处理.这是一些异的涉的谈.对于入门的情人或者会发帮带

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是如出一辙首关于机器上算法分类的章,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多情,在此地发出局部底美好内容就是是发源机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是平等首关于图像分类在深上着之文章

  • 《自动语音识别:深度上方法》

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

  • 《NLP中的汉语分词技术》

介绍: 作者是360电商技术组成员,这是一致首NLP在汉语分词中之运

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

介绍: 使用deep
learning的丁脸要点检测,此外还有一样首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,值得一读。网上公开的几乎章草稿: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措施勾勒出来,是颇好的手册,领域外之paper各种证明都于为此其中的结果。虽说是初等的,但还是非常的不便

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费生数据集,有些都是熟悉,有些可能还是率先差听说,内容越文本、数据、多媒体等,让她们陪您从头数据科学的同吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的吃水上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的议论递归神经网络的稿子,覆盖了RNN的概念、原理、训练和优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还生相同首Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了众多之资源,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,该手册希望以辩论以及履行里找到平衡点,各主要内容都陪伴有实在例子及数码,书被之例证程序都是为此R语言编写的。

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

介绍:IVAN VASILEV写的深度上导引:从浅层感知机到深网络。高但读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒及便民的人造智能优先研究计划:一封闭公开信,目前曾有Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签署The Future of Life
Institute
(FLI).这封信的背景是新近霍金与Elon
Musk提醒人们瞩目AI的秘闻威胁。公开信的内容是AI科学家等站于有利于社会的角度,展望人工智能的未来向上动向,提出开发AI系统的Verification,Validity,
Security,
Control四接触要求,以及需要留意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究比较少。其实还有雷同总统美剧《疑犯追踪》,介绍了AI的朝三暮四从平开始之本人学习,过滤,图像识别,语音识别等判断危险,到第四季的时段出现了机械通过学习成长之后想操纵世界之状态。说及此地推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了众多资源,还闹连带知识结构,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)开源了平名目繁多软件库,以援手开发者建立更甚、更快的纵深上型。开放之软件库在
Facebook 被称模块。用它替代机械上世界常用之支出条件 Torch
中的默认模块,可以当更少的年月外训练还不行范围的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是摹写给2012年,但是这篇稿子意是笔者的经验的作。

  • 《如何变成平等各数据科学家》

介绍:本文是对《机器上实战》作者Peter
Harrington做的一个访谈。包含了书写被有的的疑问解答和某些私家学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好之深度上概述,对几乎栽流行的深上型都进行了介绍与讨论

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

介绍:主要是描述了采取R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您了解卷积神经网络,讲解很鲜明,此外还有零星篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的别样的关于神经网络文章为坏棒

  • 《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:一如约上人工智能的书,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E.
    Hinton个人主页》

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

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个因此来快速的统计,机器上而对数据量大之数学库

  • 《ICLR
    2015议会的arXiv稿件合集》

介绍:在此间你得望最近深度上有啊新取向。

  • 《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籍、研究中心、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几何法及其在机器上中之应用

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析及预测问题,相关的法律采取包括预测编码、早期案例评估、案件完全情况的预计,定价和工作人员预测,司法行为预测相当。法律领域大家可能都于陌生,不妨了解下。

  • 《文本上之算法》

介绍:
文中关系了太优质,模型,最大熵等等理论,此外还有以篇。推荐系统可说凡是一样按科学的阅读稿,关于模型还援引一篇Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的于图像生成自然语言描述的工具。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个训练好的动物模型,你得拿狮子大象的像来试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了以Hadoop2.0达标以深度上,文章来源paypal

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

介绍:用基于梯度下降的措施训练深度框架的推行推荐指导,作者是Yoshua
Bengio
.感谢@xuewei4d 推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计与报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个言语机器上的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,作者的钻研方向是机上,并行计算如果您还想了解一些别样的足看他博客的另外文章

  • 《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的挑三拣四

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

介绍: CNN用于WEB搜索,深度上在文件计算着之应用

  • 《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,号称是快极其抢的NLP库,快的来由一样是故Cython写的,二凡是用了单老抢眼的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,上面的这卖ppt是缘于Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经论文》

介绍: Topic modeling 的藏论文,标注了要点

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

介绍:
多伦多大学同Google合作的新论文,深度上呢得以就此来下围棋,据说会上六段水平

  • 《机器上周刊第二可望》

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篇经过分类的深度上论文了,很多经论文还曾经选定

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

介绍: Radim
Řehůřek(Gensim开发者)在同差机器上聚会上的晓,关于word2vec会同优化、应用以及壮大,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多合作社都因此机器上来化解问题,提高用户体验。那么怎么好为机器上再实时和管事吗?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,最初是为实时处理他们每半小时1TB之钻数据,现在发表于大家之所以了。

  • 《LDA入门与Java实现》

介绍:
这是如出一辙篇面向工程师的LDA入门笔记,并且提供相同份开箱即用Java实现。本文就记录基本概念与原理,并无涉公式推导。文中的LDA实现核心组成部分应用了arbylon的LdaGibbsSampler并力所能够与地诠释了,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,从学网络被掏深度知识、面向科技特别数据的挖。收集近4000万作者信息、8000万舆论信息、1亿几近引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec之妙趣横生应用,Omer
Levy提到了外以CoNLL2014顶尖级论文里的分析结果以及初方式,Daniel
Hammack给出了找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,虽然里的略微课程就归档过了,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年之信教

  • 《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独算法.优点:速度快(OpenCV
haar+adaboost的2-3加倍), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015无限佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加深一些。通过全局的安居分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之震慑系数影响)。可以为此来反求每个节点的影响系数

  • 《机器上入门书单》

介绍:机器上入门书籍,现实介绍

  • 《The Trouble with
    SVMs》

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

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上如何解决问题》

介绍:随着大数量时代的到,机器上变成化解问题之等同种植重要且要的工具。不管是工业界还是学术界,机器上还是一个炙手可热的动向,但是学术界以及工业界对机械上的钻各个发生讲究,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、高斯模型和其它模型关系、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是根据Theano的神经网络搭建框架,集成相关函数、管道和算法,帮你再快地创建同管理NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一企的机械上入门课程”Introduction to
Machine
Learning“近期刚开拍,课程4K高清视频一起到Youtube上,目前正更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同窗可以关注,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路特征,可更好地表述图片内容相似性。由于未负让人工标签(标注),可用以大规模图片处理,难在用户作为数据的取与清洗;利用社会化特征的笔触值得借鉴.

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

介绍:Twitter技术团队本着前段时间开源之光阴序列非常检测算法(S-H-ESD)R包的介绍,其中对好的概念跟剖析深值得参考,文中也事关——异常是青出于蓝针对性的,某个圈子支出的很检测以其它世界直接用而不行.

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

介绍:聚焦数据质量问题之答,数据质量对各种框框企业之性及效率都重要,文中总结发生(不杀)22种典型数据质量问题显现的信号,以及卓越的数码质量解决方案(清洗、去再、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之标准仍机场(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,用神经网络实现长足准确的依存关系解析器

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

介绍:做深度上怎样挑选GPU的提议

  • 《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年及主题报告
、讲义.

  • 《Awesome Computer
    Vision》

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

  • 《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来描写NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三独影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习之构思:组合了BM11及BM15零星独模型。4)作者是BM25之发起人和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的略介绍,ARMA是研究时序列的根本措施,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

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

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

介绍:
揭开印度菜肴的可口秘诀——通过对大气菜系原料关系之开,发现印度菜肴香的缘故之一是内部的味道互相冲突,很有意思的文本挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那个降序排序的干,最有名的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对性甚高频以及坏低频词的形容 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的一应俱全硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在脸识别达到您我还是师,即使细微之差距吗能够鉴别。研究就证明人类同灵长类动物在脸部加工上不同于外物种,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统筹兼顾结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了用而调节梯度下降与可调节动量法设计以及编码经典BP神经网络,网络经过训练可以做出惊人和精良之物下。此外作者博客的其余文章也死是。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的骨子里采用场景NN选择参考表,列举了片名列前茅问题建议下的神经网络

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

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

  • 《Deep Learning
    Tutorials》

介绍:深度上课程

  • 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

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

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

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文自Databricks公司网站的一致首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们当MLlib中的分布式实现,以及显一些简单的例子并提议该由哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前而处理着英文语料,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上扬历程,详细讲解神经网络语言模型在相继阶段的款型,其中的模型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要害变形,总结的专门好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新钻: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,包括总体的数据处理流程,是习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)是图像处理同图像分析的研讨期刊,每篇文章还蕴含一个算法和相应的代码、Demo和实验文档。文本以及源码是透过了同行评审的。IPOL是放之没错和可再次的钻研期刊。我直接怀念做点类似的劳作,拉近产品与技能中的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数量快速分类问题.

  • 《purine2》

介绍:新加坡LV实验室之神经网络并行框架Purine: A bi-graph based deep
learning
framework,支持构建各种互动的架,在多机多卡,同步创新参数的气象下中心达标线性加速。12片Titan
20时得得Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然较少.但蚊子再稍加为是肉.有突出部分.此外还有一个是因为zheng
Rui整理的机械上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是一致仍自然语言处理的词典,从1998年开至即积攒了诸多的科班词语解释,如果您是千篇一律号正入门的朋友.可以借这按照词典让祥和成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

介绍:R语言教程,此外还援引一个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霎时算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即因此.

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化及人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机器上之基业,值得深刻学
国内云(视频)

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:
“面向视觉识别的CNN”课程设计报告集锦.近百篇,内容提到图像识别应用的各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它目前托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内来热心的情人翻译了中文版,大家也可在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的多少挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强大的Python的数解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文书分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研及Theano的初始测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等人说话深度上之新书,还非定稿,线及提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开始源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language
    processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数码科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目已开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的道吗能够和word2vec抱多的作用。另外,无论作者怎么碰,GloVe都较不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着之首要数学概念.

  • 《Improved Semantic Representations From Tree-Structured Long
    Short-Term Memory
    Networks》

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断与情感分类功能特别好.实现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机器上课程,先编制课程也机械上(10-715)和中路统计学(36-705),聚焦统计理论与措施以机器上园地应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法与人身自由优化学科》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朋友肯定要看,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大数目应用.并且伯克利开源了他们的big data
genomics系统ADAM,其他的始末可关心ca88网页版会员登录一下官方主页.

  • 《ACL
    Anthology》

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

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

介绍:论文+代码:基于集成方法的Twitter情感分类,兑现代码.

  • 《NIPS 2014 CIML
    workshop》

介绍:NIPS CiML 2014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:斯坦福的深浅上课程的Projects 每个人犹设描绘一个舆论级别之报告
里面来一些格外有趣的利用 大家可以望 .

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

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

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

介绍:文中提到的老三篇论文(机器上那些事、无监控聚类综述、监督分类归纳)都很经典,Domnigos的机上课也非常不错

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上的几率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近在McGill
University研讨会达成的语,还提供了同名目繁多讲话机器上方式的ipn,很有价
GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊于机上地方的一部分用,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的机器上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的推荐系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

介绍:基于Yelp数据集的开源结分析工具正如,评测覆盖Naive
Bayes、SentiWordNet、CoreNLP等 .

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析与数量挖掘的几率数据结构.

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

介绍:机器上以导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp

介绍:{swirl}数据训练营:R&数据正确在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春天学期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.境内镜像.

  • 《Big Data
    Processing》

介绍:大数目处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机上,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)实现就需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,除此以外一个,此外还推荐《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录取论文列表,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),相关学科资料,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:最引人注目入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

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

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

转载请注明作者Jason Ding及其出处
GitCafe博客主页(http://jasonding1354.gitcafe.io/)
Github博客主页(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
简书主页(http://www.jianshu.com/users/2bd9b48f6ea8/latest\_articles)
百度搜索jasonding1354入自家之博客主页

网站地图xml地图