亚洲必赢机器上与深度上资料。机器上(Machine Learning)&深度上(Deep Learning)资料。

  • 《Brief History of Machine
    Learning》

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

介绍:这是平等首介绍机器上历史之章,介绍很到,从感知机、神经网络、决策树、SVM、Adaboost到自由森林、Deep
Learning.

 
  • 《Brief History of Machine
    Learning》

介绍:这是相同首介绍机器上历史之稿子,介绍好周全,从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的风行版本《神经网络与深度上综述》本综述的特性是因时间排序,从1940年上马讲话起,到60-80年代,80-90年间,一直讲到2000年晚及近年来几年的进行。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:这是一样卖python机器上库,如果你是一致各项python工程师而且想深入之学机器学习.那么就首文章或能够协助及你.

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

介绍:这无异于篇介绍如果计划和保管属于您自己之机上型的篇章,里面提供了管住模版、数据管理以及实践方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还无掌握啊是机上,或虽然是正上感觉到很枯燥乏味。那么推荐一念。这首文章就给翻成中文,如果发生趣味可以走http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上的最主要语言,有多底对象想上学R语言,但是接连忘记一些函数和根本字之含义。那么这首文章或会助到你

  • 《Choosing a Machine Learning
    Classifier》

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

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

介绍:深度上概述:从感知机到深度网络,作者对例子的选料、理论的介绍都挺到位,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>这是一模一样据机器上的小册子,
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,
没有一样垛坨公式的烦恼. 适合新手入门打基础, 也符合老手温故而知新.
比打MLAPP/PRML等大部头,
也许这仍你更要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是根源百度,不过他自家都于2014年4月份提请离职了。但是及时首文章非常正确如果您无理解深度上与支持为量机/统计上理论出啊联系?那么该就看看就首文章.

  • 《计算机科学中之数学》

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

  • 《信息时代的微机科学理论(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:这是一样按部就班由雪城大学新编的次本子《数据是入门》教材:偏实用型,浅显易懂,适合想学习R语言的同学选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是千篇一律篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20个问题,内容包括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:不见面统计怎么惩罚?不亮怎么抉择相当的统计模型怎么收拾?那这篇稿子你的精美读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同样首关于automatic
statistician的篇章。可以自动选择回归模型类别,还能自动写报告…

  • 《ICLR 2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是同等准信息搜索相关的书籍,是由于斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美绝受欢迎之信息搜索教材有。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摆精彩的希冀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.很鲜明

  • 《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,图和团队交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数码。

  • 《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,并且于2014年一月既开盘: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学者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。如果你有些熟悉,那么我提议您先看一样圈中文的牵线。

  • My deep learning reading
    list

介绍:主要是顺Bengio的PAMI
review的篇章找出来的。包括几按照综述文章,将近100首论文,各位山头们的Presentation。全部且可以当google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是一模一样仍书籍,主要介绍的是跨语言信息寻找方面的知识。理论很多

  • 追推荐引擎内部的秘密,第 1 有些:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是根源IBM的工程师。它至关重要介绍了推介引擎相关算法,并扶持读者很快之落实这些算法。 探讨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,探究推荐引擎内部的密,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》,
写的大实在,强调实行和辩论做,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据

介绍:这是如出一辙比照关于分布式并行处理的数码《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”是呀?】John
Platt是微软研究院独立科学家,17年来他径直于机上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定办博客,向民众介绍机器上的研究进展。机器上是啊,被运在乌?来拘禁Platt的立首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经于6月21-26日以国会中心繁华举办。本次大会由微软亚洲研究院暨清华大学同步主办,是其一有30大多年历史并著名世界之机械上园地的盛会首软赶到中国,已成掀起全世界1200差不多员专家的提请与。干货很多,值得深入学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子主要是为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因素后改成了LambdaRank,同样的考虑从神经网络改吗使及Boosted
Tree模型就完了了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一称得主,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和深度上的要意见。通过上,你呢用贯彻多独力量学/深度上算法,能观看它们啊卿工作,并就学怎样用/适应这些想法及新题材上。本学科假定机器上之基本知识(特别是轻车熟路的监察上,逻辑回归,梯度下降之想法),如果您不熟悉这些想法,我们建议乃错过这里机械上课程,并优先完成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已经发出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。如果要全明白,需要自然之机器上基础。不过有些地方会面为丁面前一模一样亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是千篇一律首介绍图像卷积运算的篇章,讲的都算比较详细的了

  • 《Machine Learning Summer School》

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

  • 《Awesome Machine
    Learning》

介绍:一个顶尖级完整的机械上开源库总结,如果你认为这个碉堡了,那后面是列表会又让你好奇:【Awesome
Awesomeness】,国内已经闹热心的爱人进行了翻译华语介绍,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》课程有视频已经好以斯坦福明课网站上看看了(如Chrome不行,可用IE观看)
作业及试验也得以下载。

  • 《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,已经勾勒了三段了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning 爱好者的福音。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台及开源之机器上库,按照好数量、NLP、计算机视觉与Deep
Learning分类开展了整治。看起颇全的,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。很多时光困惑人们都是,很多算法是一致近似算法,而有点算法又是从其他算法中延长出的。这里,我们打零星个点来为大家介绍,第一单方面是学之艺术,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你曾明白了凡呀内容,没错。里面来广大藏的机上论文值得仔细跟反复的翻阅。

  • 《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。

  • 《机器上藏书籍》

介绍:总结了机器上的经文书籍,包括数学基础与算法理论的书,可做吧入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16依机器上之电子书,可以下载下来当pad,手机端任意时刻去读书。不多我建议乃看了一准再下充斥同据。

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

介绍:标题很挺,从新手到学者。不过看了上面装有材料。肯定是家了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的不得了多,而且自己已经帮助您摸手拉手了。

  • 《Sibyl》

介绍: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。

  • 《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:这又是一样首机器上新大家的入门文章。值得一诵读

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17个有关机器上的工具

  • 《神奇之伽玛函数(上)》

介绍:下集在这边神乎其神之伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡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见闻。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要上之课本以及操纵的学问。这样,给机器学习者提供一个进步的门路图,以免走弯路。另外,整个网站还是有关机器上之,资源异常丰富。

  • 《Machine Learning Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经验资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是如出一辙照来自小的研究员 li Peng和Dong
Yu所出示的关于深度上的道和采用之电子书

  • 《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
有濒临50小时之视频、十多个PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13名叫讲师都是牛人:包括大牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的广阔机器上体系》

介绍:在今年之IEEE/IFIP可靠系统及网络(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,用来缓解预测方面的题材,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客上粗略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。如果无是甚绝望可省概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友咨询伯克利机器上大牛、美国双双院士Michael I.
Jordan:”如果你生出10亿美金,你怎么花?Jordan:
“我会见为此当下10亿美金建造一个NASA级别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,此外作者还有局部旁的机器上和数据挖掘文章和深上文章,不仅是理论还有源码。

  • 《文本和数据挖掘视频汇总》

介绍:Videolectures上顶让欢迎之25只文件和数码挖掘视频汇总

  • 《怎么选深度上之GPUs》

介绍:在Kaggle上常得不错成绩的Tim
Dettmers介绍了外协调是怎么选择深度上的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,国内的机上爱好者非常热情的管此科目翻译成了国文。如果你英语不好,可以看是

  • 《Deep Learning 101》

介绍:因为近两年来,深度上在媒体界被炒作特别厉害(就比如非常数额)。其实过多丁犹还无懂得呀是深浅上。这首文章由浅入深。告诉您深度学究竟是呀!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学召开的一律免费课程(很勉强),这个好被您以深上之中途吃你一个读的思路。里面涉及了有的中心的算法。而且告诉你什么错过下及骨子里条件遭受。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学开的一个纵深上用来甄别图片标签/图转文字的demo。是一个其实采用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读之情节要出肯定的底蕴。

  • 《R工具包的归类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是当下数据解析世界的一个紧俏内容。很多人当平时底行事屡遭都或多要少会因此到机械上的算法。本文也公总结一下大规模的机器上算法,以供您于做事同上学中参考.

  • 《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单系列。另外还作者还了一个文章导航.非常之感恩戴德作者总结。

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的故深度上做计算机是清醒的NIPS 2013课程。有mp4,
mp3,
pdf各种下载 他是纽约大学教授,目前呢于Facebook工作,他2014年的8篇论文

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开发的开源国语自然语言处理(NLP)工具包
Fudan
NLP里带有中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等力量,对寻找引擎
文本分析等极为有价。

  • 《Open Sourcing
    ml-ease》

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

  • 《机器上周刊》

介绍:对于英语不好,但同时大怀念上学机器上之情侣。是一个雅之惠及。机器上周刊目前要提供中文版,还是面向周边国内爱好者,内容涉及机械上、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》的第一数学先导课程。其实《线代》这宗课称得浅显易懂特别非轻,如果同样上来就讲逆序数及陈行列式性质,很轻被学生去学习的兴味。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的教程。 课主页

  • 《Big-data》

介绍:大数额数据处理资源、工具不齐列表,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:雅虎邀请了同样叫做来本古里怎么大学之访问学者,制作了一样模拟关于机器上之系列视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正常机器上算法的论争基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对好数据时,量子机器上之首先单试验 paper
下载

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

介绍:Wired杂志通讯了UCLA数学博士Chris McKinlay
(图1)通过充分数目手段+机器上方法破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定着12只账号,下载了相恋网站2万女性用户的600万题目答案,对她们开展了统计抽样及聚类分析(图2,3),最后终于取得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开盘,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的恋人不妨可以挑战一下顿时宗学科!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

  • 《Google Turns To Deep Learning Classification To Fight Web
    Spam》

介绍:Google用Deep Learning做的antispam(反垃圾邮件)

  • 《NLP常用信息资源》

介绍:NLP常用信息资源* 《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

  • 《Best Papers vs. Top Cited Papers in Computer
    Science》

介绍:从1996年开头以处理器是的舆论被吃引用次数最多之舆论

  • 《InfiniTAM:
    基于深度图像的体数据并框架》

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。可以实时的采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?可以给你当浏览器被,跑起深度学习效果的超酷开源项目ConvNetJS笔者karpathy告诉您,最佳技巧是,当你从头勾画代码,一切将易得清楚。他刚刚发布了一如既往依图书,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的异同,大实话

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

介绍:使用Neo4j 做电影评论的情分析。

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

介绍:不仅是材料,而且还针对性小材料做了诠释。

  • 《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:用于机器上的Python模块》

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

  • 《对话机器上大神Michael
    Jordan:解析领域面临各队模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机上园地神经网络的大牛,他针对纵深上、神经网络有着充分深刻的志趣。因此,很多问问的问题吃含有了机械上园地的各项模型,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*检索是人为智能基本算法,用于高效地搜索图中简单沾之特级路线,
核心是 g(n)+h(n):
g(n)是自起点至顶点n之骨子里代价,h(n)是顶点n到目标顶点的估计代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档采取了Microsoft Azure,可以在几乎私分种内就NLP on Azure
Website的布置,立即开始针对FNLP各种特色的试用,或者以REST
API的款式调用FNLP的语言分析功能

  • 《吴立德《概率主题模型&数据是基础》

介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所符所长.内部课程

  • 《机器上入门资源不了集中》

介绍:好东西的干货真的多

  • 《收集从2014年上马深度上文献》

介绍:从硬件、图像及健康、生物、大数额、生物信息重新届量子计算等,Amund
Tveit等保护了一个DeepLearning.University小品种:收集从2014年开头深度上文献,相信可以看成深度上之起点,github

  • 《EMNLP上少篇有关股票方向的运用论文

介绍:EMNLP上片篇有关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:作者是深度上一线特别牛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以念function,不过谷歌目前时有发生始上学算法的势头。谷歌另外的就篇学习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识别上的利用,此外还有少数个。一个凡辨垃圾以及虚假消息的paper.还生一个凡是网络舆论及其分析技术

  • 《R机器学习履》

介绍:该课程是网易公开课的收费课程,不贵,超级福利。主要适合吃对使用R语言进行机上,数据挖掘感兴趣的食指。

  • 《大数据解析:机器上算法实现的嬗变》

介绍:本章中笔者总结了三代表机上算法实现之演化:第一替代非分布式的,
第二代工具而Mahout和Rapidminer实现冲Hadoop的扩充,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(应该给经典吧)之一,另外三论是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:里面基本没有干到现实算法,但作者介绍了CF在LinkedIn的很多以,以及她们于开推荐过程中拿走的部分经验。最后一长条经验是当监控log数据的质地,因为推荐的质地好倚重数据的身分!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初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:如何用深度上与甚数目构建对话系统

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

介绍:Francis Bach合作的关于稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及在图像及视觉上的使,而且率先有有关Why does
the l1-norm induce sparsity的说吗深正确。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上着主要的定义,其在large
margin分类器上之采用也是广为熟知的。如果没比好之数学基础,直接掌握RKHS可能会见正确。本文自着力运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多校友对于机器上及深度上之迷惑在于,数学方面曾约了解了,但是动于手来也未晓哪入手写代码。斯坦福深度上博士Andrej
Karpathy写了平等篇实战版本的深上及机上课程,手把手教您用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:本文会了千篇一律总体最流行的机上算法,大致了解什么措施可用,很有帮助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来广大有关机器上、信号处理、计算机视觉、深入学、神经网络等世界的汪洋源代码(或只是实行代码)及相关论文。科研写论文的好资源

  • 《NYU
    2014年之深度上课程资料》

介绍:NYU 2014年之吃水上课程资料,有视频

  • 《计算机视觉数据集不了集中》

介绍:计算机视觉数据集不全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:多少挖掘十百般经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100只特别高的品种

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高校欧文分校为机上社区保护在306独数据集。询问数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上在图像、视频语义分析世界取得了科研与工程上之突破,发的篇章未多,但每个都坏实在,在各国一个题目达到都形成了state-of-art.

  • 《Andrej
    Karpathy的吃水加深学习演示》

介绍:Andrej
Karpathy的纵深加深学习演示,舆论在此间

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

介绍:CIKM Cup(或者叫做CIKM Competition)是ACM
CIKM举办的国际数据挖掘竞赛的号。

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一律各类英国出生之算计机学家和心理学家,以其当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,也是深上的能动推进者.

  • 《自然语言处理的纵深上理论和实际》

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

  • 《用好数额及机器上做股票价格预计》

介绍: 本文基于<支持为量机的往往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.

  • 《关于机器上的多答辩问题》

介绍:徐宗本
院士将于爱机器上之伴儿联手探索有关于机器上的几乎独理论性问题,并受来一些发生含义之结论。最后通过有些实例来证实这些理论问题之物理意义及骨子里采用价值。

  • 《深度上以自然语言处理的下》

介绍:作者还显示有《这就算是找引擎:核心技术详解》一书写,主要是介绍应用层的东西

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《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:人脸识别必读文章援引

  • 《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行使模型对数码开展预测和剖析的等同派系是,统计上啊变成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之靶子是对计算机编程,以便使样本数或者以往的阅历来化解给定的问题.

  • 《CIKM 2014主题报告的幻灯片》

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

  • 《人工智能与机具上世界有趣之开源项目》

介绍:部分国语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有一样首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了同篇超赞的数值优化博文,从牛顿法讲到起牛顿法,再出口到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:大数目与机具上的重组》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边模仿边用word2vec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,并以实际比中比调参数和清数据。
如果既作了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(如找到文本中之繁体字)

  • 《深度卷积神经网络下围棋》

介绍:这篇说管多年来型识别达到的突破用及围棋软件及,打16万摆业棋谱训练模型识别功能。想法是。训练后即会成就决不计算,只拘留棋盘就为闹下同样步,大约10层棋力。但当下首文章最过乐观,说啊人类的结尾一片堡垒马上快要跨越掉了。话说得太早。不过,如果和别的软件做该还有潜力可挖。@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,根据这次试验的结果,如果今年NIPS重新审稿的说话,会发出一半之论文被驳回。

  • 《2014年最佳的慌数额,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稿子。我们从中可以望多单主题——深度上,数据科学家职业,教育以及薪酬,学习数据是的家伙比如R和Python以及群众投票的极端被欢迎的数量正确与数目挖掘语言

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

介绍:Python实现线性回归,作者还产生外特别过硬的篇章推荐可省

  • 《2014神州很数量技术大会33员中心专家发言PDF》

介绍:2014中华好数额技术大会33号中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

介绍:这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and
Discriminative Techniques for Sentiment Analysis of Movie Reviews
,使用RNN和PV在情感分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布在github(目前凡空的)。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私分词系大会上之技能演讲

介绍:NLPIR/ICTCLAS2015划分词系发布和用户交流大会上的讲演,请复多朋友检阅新版分词吧。
我们实验室同学的发言包括: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的倒朝求导及练习》

介绍:介绍CNN参数在运用bp算法时该怎么训练,毕竟CNN中起卷积层和下采样层,虽然和MLP的bp算法本质上同样,但花样达到还是有点区别之,很扎眼以就CNN反朝传播前询问bp算法是必须的。此外作者为召开了一个资源集聚:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果只要当同样首文章被匹配配十万个举足轻重词怎么处置?Aho-Corasick 算法利用上加了归来边的Trie树,能够以线性时间外完成匹配。
但如果匹配十万单正则表达式呢 ?
这早晚可据此到将多只刚则优化成Trie树的方式,如日本口形容的 Regexp::Trie

  • 《Deep learning Reading List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源的深浅上框架,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,用户可以用多种计做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果你从互联网搜寻,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,那么这门核心课程你必须深刻摸底。

  • 《杨强以TEDxNanjing谈智能的发源》

介绍:”人工智能研究分多家。其中之一为IBM为代表,认为使发生大性能计算就只是获取智能,他们之‘深蓝’击败了社会风气象棋冠军;另一样派别认为智能来自动物本能;还产生个可怜强的派别认为使找来大家,把她们之琢磨用逻辑一条条写下,放到计算机里即使推行……”
杨强于TEDxNanjing谈智能的源

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

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

  • 《Deep Learning实战之word2vec》

介绍:网易有道的老三位工程师写的word2vec的分析文档,从基本的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再到word2vec之各种tricks,公式推导与代码,基本上是网上关于word2vec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.与之类似之还有许多诸如:[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(写篇的时段,现在凡2015年了该将毕业了),专业方向自然语言处理.这是少数外的阅历的谈.对于入门的对象可能会发帮带

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是千篇一律篇有关机器上算法分类的篇章,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内容,在这边产生有之脍炙人口内容即是来机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是同等篇有关图像分类在深上中的文章

  • 《自动语音识别:深度上道》

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

  • 《NLP中的汉语分词技术》

介绍: 作者是360电商技术组成员,这是一样首NLP在国语分词中之运用

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

介绍: 使用deep
learning的人头脸要点检测,此外还有一样首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等领域,值得一诵读。网上公开之几节草稿: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形容的矩阵概率不等式用初等的办法勾勒出来,是老好之手册,领域外的paper各种证明还在用中的结果。虽说是初等的,但还是很的难以

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费生数据集,有些已是熟悉,有些可能要第一次于听说,内容超过文本、数据、多媒体等,让她们随同您起来数据对的一起吧,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的吃水上综述及实际建议

  • 《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还生平等篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了累累的资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上之统计基础》在线版,该手册希望于答辩及执行之间找到平衡点,各重点内容还陪有实际例子及数据,书被的事例程序还是因此R语言编写的。

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

介绍:IVAN VASILEV写的深浅上导引:从浅层感知机到深网络。高只是读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒与便宜的人造智能优先研究计划:一封闭公开信,目前已起Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签字The Future of Life
Institute
(FLI).这封信的背景是近期霍金和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之角度,展望人工智能的前程进步动向,提出开发AI系统的Verification,Validity,
Security,
Control四沾要求,以及用留意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有同管辖美剧《疑犯追踪》,介绍了AI的形成从同开始的自我学习,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。说交此处推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了广大资源,还发出相关知识结构,路线图,用时长等。号称是”机器上“搜索引擎

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

介绍:Facebook人工智能研究院(FAIR)开源了平等多元软件库,以帮扶开发者建立重可怜、更快的深度上型。开放之软件库在
Facebook 被称呼模块。用其替代机械上世界常用之开条件 Torch
中的默认模块,可以在又缺乏的岁月外训练再度充分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,但是及时首文章完全是笔者的经验的作。

  • 《如何成为同各项数据科学家》

介绍:本文是指向《机器上实战》作者Peter
Harrington做的一个访谈。包含了写中有的的疑点解答和某些私有学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的深度上概述,对几栽流行的深上型都进行了介绍和讨论

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

介绍:主要是描述了使R语言进行数据挖掘

  • 《Understanding
    Convolutions》

介绍:帮你知卷积神经网络,讲解很鲜明,此外还有点儿首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的任何的有关神经网络文章为异常硬

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一按照上人工智能的书,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E. Hinton个人主页》

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

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个之所以来快速的统计,机器上以对数据量大的数学库

  • 《ICLR
    2015议会的arXiv稿件合集》

介绍:在此而可看出最近深度上产生什么新势头。

  • 《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相关的图书、研究为主、相关课程、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪里法及其于机上着之采用

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法律相关分析和预测问题,相关的律采取包括预测编码、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。法律领域大家莫不都比较陌生,不妨了解下。

  • 《文本上之算法》

介绍:
文中涉嫌了无与伦比妙,模型,最大熵等等理论,此外还有以篇。推荐系统可说凡是一致按对的阅读稿,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自带了一个训练好之动物模型,你可以拿狮子大象的肖像来试试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了在Hadoop2.0高达应用深度上,文章来源paypal

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

介绍:用基于梯度下降之章程训练深度框架的履行推荐指导,作者是Yoshua
Bengio .感谢@xuewei4d
推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计和报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个称机器上之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,作者的钻方向是机器上,并行计算如果您还惦记询问一些外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

  • 《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: 一个学问搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快极其抢之NLP库,快的因由同样是因此Cython写的,二凡是故了只雅巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍: Fields凡是只数学研究中心,上面的即时卖ppt是自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 的经论文,标注了严重性点

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

介绍:
多伦多大学和Google合作之初论文,深度上也堪为此来下围棋,据说会达六段子水平

  • 《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的论文库已经用了963篇经过分类的深浅上论文了,很多经文论文还早已选定

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

介绍: Radim
Řehůřek(Gensim开发者)在一如既往糟机器上聚会及的告知,关于word2vec会同优化、应用与扩张,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。那么怎么好叫机器上又实时和中也?Spark
MLlib 1.2内的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为着实时处理他们各半钟头1TB底研讨数据,现在颁给大家用了。

  • 《LDA入门与Java实现》

介绍:
这是一模一样首面向工程师的LDA入门笔记,并且提供平等卖开箱即用Java实现。本文仅记录基本概念与原理,并无干公式推导。文中的LDA实现基本部分采用了arbylon的LdaGibbsSampler并力所能及地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science Platform》

介绍:
AMiner是一个学术搜索引擎,从学术网络中开掘深度知识、面向科技不行数量的发掘。收集近4000万作者信息、8000万舆论信息、1亿大多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec底好玩应用,Omer
Levy提到了他在CoNLL2014极品论文里之辨析结果和初办法,Daniel
Hammack给闹了探寻特异词的小应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然里的稍课程就归档过了,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年之信奉

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

  • 《Inverting a
    Steady-State》

介绍:WSDM2015极佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加深一些。通过全局的风平浪静分布去求解每个节点影响系数模型。假设合理(转移受到附近的熏陶系数影响)。可以据此来反求每个节点的影响系数

  • 《机器上入门书单》

介绍:机器上入门书籍,现实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常过硬的强调特征选择针对性分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再用节能贝叶斯分类器,取得了比SVM更精彩的效能,训练与归类时间也大大降低——更主要的凡,不必花费大量时光以念与优化SVM上——特征呢同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》,对比了统计以及机器上的区别

  • 《实例详解机器上怎么化解问题》

介绍:随着大数额时代的赶到,机器上变成化解问题之同种主要且要的工具。不管是工业界还是学术界,机器上都是一个炙手可热的来头,但是学术界以及工业界对机械上之研讨各个发珍惜,学术界侧重于对机械上理论的钻研,工业界侧重于安用机器上来解决实际问题。这首文章是美团的骨子里条件面临之实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择与超参优化、高斯模型与其余模型关系、大数据集的临界方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是冲Theano的神经网络搭建框架,集成相关函数、管道与算法,帮您再快地创建与管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一盼望的机械上入门课程”Introduction to
Machine
Learning“近期正巧开拍,课程4K高清视频并到Youtube上,目前恰好更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣的同窗可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的一块儿特征,可还好地表述图片内容相似性。由于不负让人工标签(标注),可用来大规模图片处理,难在用户作为数据的获取与漱口;利用社会化特征的思绪值得借鉴.

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

介绍:Twitter技术团队对前段时间开源之年华序列非常检测算法(S-H-ESD)R包的介绍,其中针对那个的概念和剖析颇值得参考,文中也涉及——异常是强针对性的,某个世界支出的挺检测在其他领域直接用而不行.

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

介绍:聚焦数据质量问题之回复,数据质量对各种层面企业的性质和频率还要,文中总结出(不限于)22栽典型数据质量问题显现的信号,以及卓越的数质量解决方案(清洗、去还、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之极仍机场(CRF)介绍文章,作者的念笔记

  • 《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之依存关系解析器

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

介绍:做深度上怎么样抉择GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授于H2O.ai
Meet-Up上之报告,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!作者的换代频率为甚频繁

  • 《Adam Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

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

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息搜索排序模型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考虑:组合了BM11跟BM15星星独模型。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是研讨时序列的主要方法,由从回归模型(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: 把来target的attention signal加入source encoding
CNN的输入,得到了比BBN的模子好的多neural network joint model

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

介绍:
揭开印度菜肴的爽口秘诀——通过对大气菜谱原料关系的开掘,发现印度菜肴香的案由之一是中的含意互相冲突,很有趣的文件挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐汉语分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的关系,最著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甚高频同生低频词的勾勒 2)Heaps’ law:
词汇表与语料规模之平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《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。下载最简便易行的法门,通过BT软件,RSS订阅各集合即可

  • 《机器上相互速查表》

介绍: Scikit-Learn官网提供,在原始的Cheat
Sheet基础及添加了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

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

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在面部识别及你本人还是大家,即使细微的异样也能辨别。研究已经说明人类和灵长类动物在面加工及差为任何物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等经计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的完美结合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调试梯度下降以及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完美的物下。此外作者博客的另文章为大正确。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实际使用场景NN选择参考表,列举了有些突出问题建议利用的神经网络

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

介绍:一个纵深上型,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的无敌回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上及99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别以及聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的同样首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们以MLlib中之分布式实现,以及展示一些简便的例证并提议该于何处达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前可是处理面临英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》 思路实现.

  • 《神经网络语言模型》

介绍:本文根据神经网络的迈入历程,详细讲解神经网络语言模型在一一阶段的花样,其中的模型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之新研:利用文本以及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优化方案源码及文档,包括完整的数量处理流程,是上Python数据处理同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,每篇文章都富含一个算法和相应的代码、Demo和试验文档。文本和源码是通过了同行评审的。IPOL是开之不利及而还的研讨期刊。我直接惦记做点类似之做事,拉近产品及技能中的距离.

  • 《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,同步更新参数的景下中心达成线性加速。12块Titan
20小时好做到Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然比较少.但蚊子再略也是肉.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达到的主题报告材料,用Scikit-Learn做监督上之入门例子.

  • 《The Natural Language Processing
    Dictionary》

介绍:这是一样遵照自然语言处理的词典,从1998年开头交手上积累了诸多的专业词语解释,如果你是同等各正入门的朋友.可以借这本词典让自己成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R Tutorial》

介绍:R语言教程,此外尚援引一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区意识的神速算法,Gephi中的[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的优化和人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机械上之内核,值得深入学习 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,内容涉及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做大规模LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism Handbook》

介绍: 免费电子书《数据新闻手册》,
国内来热情的朋友翻译了中文版,大家也得在线阅读

  • 《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、库调研与Theano的始发测试体会报告.

  • 《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等人说话深度上之新书,还免定稿,线达提供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:好多多少科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种已开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的不二法门为克跟word2vec拿走多的效能。另外,无论作者怎么碰,GloVe都比较不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上中之要数学概念.

  • 《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感情分类功能非常好.落实代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编制课程也机械上(10-715)和中间统计学(36-705),聚焦统计理论以及道以机器上园地应用.

  • 《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意中人肯定要是看看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数目采取》

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,这个网址有此领域几不行顶会的舆论列表,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,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 每个人犹设描绘一个舆论级别之报告
里面来一些怪有趣的使用 大家好望 .

  • 《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的机器上课也不行妙

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上之概率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近以McGill
University研讨会及之晓,还提供了相同密密麻麻讲话机器上道的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:亚马逊在机器上方面的有的运,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机上基本概念教学.

  • 《DeepCLn》

介绍:一个根据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的推介系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

介绍:基于Yelp数据集的开源感情分析工具比较,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分析与数量挖掘的票房价值数据结构.

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

介绍:机器上以导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp 》

介绍:{swirl}数据训练营:R&数据正确在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上和RNN的讨论 Sequence to Sequence Learning with Neural
Networks.

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春天学期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:大数额处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机上,国内镜像.

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

介绍:以往上千尽代码概率编程(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,大部分论文而使用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之要性.

  • 《Distributed (Deep) Machine Learning
    Common》

介绍:A Community of awesome Distributed Machine Learning C++ projects.

  • 《Reinforcement Learning: An
    Introduction》

介绍:免费电子书<强化学习介绍>,第一版(1998),第二版(2015草稿),相关学科资料,Reinforcement
Learning.

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

介绍:免费写:Azure ML使用精要.

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

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

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

介绍:有趣之机器上:最明显入门指南,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.

  • 《Machine Learning Repository @ Wash
    U》

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

  • 《Machine learning cheat
    sheet》

介绍:机器上速查表.

  • 《Spark summit east 2015 agenda》

介绍:最新的Spark summit会议资料.

  • 《Spark summit east 2015 agenda》

介绍:最新的Spark summit会议资料.

  • 《Learning Spark》

介绍:Ebook Learning Spark.

  • 《Advanced Analytics with Spark, Early Release
    Edition》

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

  • 《国内机器上算法和应用领域人物篇:唐杰》

介绍:清华大学副教授,是图挖掘地方的专家。他主持设计与贯彻之Arnetminer是境内领先的图挖掘系统,该系统也是差不多单会议的支持商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习的国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半监督上,multi-label学习与合学习点当列国及闹一定之影响力.

  • 《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:吴军博士是时下Google中日韩文搜索算法的关键设计者。在Google其间,他领导了累累研发项目,包括多同汉语相关的产品和自然语言处理的类,他的新个人主页.

  • 《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的为主落实框架.

  • 《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术》

介绍:机器翻译学术论文写作方法和技巧,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.

  • 《神经网络训练中的Tricks之速BP(反向传播算法)》

介绍:神经网络训练中之Tricks之迅捷BP,博主的别样博客也够呛帅之.

  • 《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富,推荐新入门的爱侣阅读.

  • 《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于榜上,包括1位诺贝尔奖得主,35各图灵奖得主,近百个美国工程院/科学院院士,300差不多员ACM
Fellow,在此处推荐的缘故是豪门可以当google通过搜寻牛人的名来赢得更多之资源,这卖资料十分宝贵.

  • 《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,用因子图刻画概念里依存关系,因引入兄弟关系,图有环,所以用出环扩散(loopy
propagation)迭代计算边际概率(marginal probability).

  • 《Bayesian
    analysis》

介绍:
这是一致迟迟贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册起250多页,虽然R语言
已经发出接近的项目,但总可以追加一个可选项.

  • 《deep net highlights from
    2014》

介绍:deep net highlights from 2014.

  • 《Fast R-CNN》

介绍:This paper proposes Fast R-CNN, a clean and fast framework for
object detection.

  • 《Fingerprinting Images for Near-Duplicate
    Detection》

介绍:图像指纹的复识别,作者源码,国内翻译版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用之号消息汇总.应用领域包括:自动帮助驾驶与交通管理、眼球与脑部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和视察、医药和海洋生物、移动装备目标识别及AR、人群跟踪、摄像、安全监控、生物监控、三维建模、web和云应用.

  • 《Seaborn: statistical data
    visualization》

介绍:Python版可视化数据统计开源库.

  • 《IPython lecture notes for OCW MIT
    18.06》

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

  • 《Canova: A Vectorization Lib for
    ML》

介绍:面向机器上/深度上之数码为量化工具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、特征选择和模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的高效机器上,视频地址.

  • 《How we’re using machine learning to fight shell
    selling》

介绍:WePay用机器上对抗信用卡”shell selling”诈骗.

  • 《Data Scientists Thoughts that Inspired
    Me》

介绍:16个数据科学家语录精选.

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

介绍:深度上在死数目解析世界的动及挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费之机械上及数学书籍,除此之外还发其它的免费编程书,编程语言,设计,操作系统等.

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

介绍:一首关于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能迅速到位训练之大(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上的引荐系统导论(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,博客的别样机器上文章吧不错.

  • 《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的时Twitter研究结果.

  • 《苏州大学人类语言技术研究论文主页》

介绍:苏州大学人类语言技巧研讨相关论文.

  • 《Neural Turing Machines
    implementation》

介绍:实现神经图灵机(NTM),品类地址,此外推荐相关神经图灵机算法.

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

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

  • 《Mining of Massive Datasets》

介绍:”Mining of Massive Datasets”发布第二版,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、降维和周边机器上三章,电子版还是免费.

  • 《Learning Deep
    Learning》

介绍:一个深度上资源页,资料十分丰富.

  • 《Learning Deep Learning》

介绍:免费电子书”Learning Deep Learning”.

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

介绍:Machine Learning for Astronomy with scikit-learn.

  • 《An Introduction to Random Forests for
    Beginners》

介绍:免费电子书”随机森林入门指南”.

  • 《Top 10 data mining algorithms in plain
    English》

介绍:白话数据挖掘十非常算法.

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

介绍:基于Mahout和Elasticsearch的推荐系统,国内译版.

  • 《Advances in Extreme Learning
    Machines》

介绍:博士学位论文:ELM研究进展.

  • 《10-minute tour of pandas》

介绍:Pandas十分钟速览,ipn.

  • 《Data doesn’t grow in tables: harvesting journalistic insight from
    documents》

介绍:面向数据新闻的文件挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用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:版权的想想,[翻译版](http://www.csdn.net/article/2015-05-19/2824707

  • 《A Primer on Predictive
    Models》

介绍:预测模型入门.

  • 《Demistifying LSTM Neural
    Networks》

介绍:深入浅出LSTM.

  • 《ICLR
    2015》

介绍:2015年ICLR会议视频与讲义.

  • 《On Visualizing Data
    Well》

介绍:Ben Jones的数目可视化建议.

  • 《Decoding Dimensionality Reduction, PCA and
    SVD》

介绍:解读数据降维/PCA/SVD.

  • 《Supervised learning superstitions cheat
    sheet》

介绍:IPN:监督上道言传身教/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:基于机器上之纰漏检测工具VDiscover.

  • 《Minerva》

介绍:深度上体系minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上能够在4上内用GoogLeNet训练及68.7%之top-1以及89.0%底top-5准确率。和与为dmlc项目之cxxnet相比,采用动态数据流引擎,提供再多灵活性。未来用同cxxnet一起组成为mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉及模式识别会议paper.

  • 《What are the advantages of different classification
    algorithms?》

介绍:Netflix工程总监眼中的分类算法: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整理了各家技术系论文.

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

介绍:基于Caffe的加速深度上体系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/自读/无监控特征上之报,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过机要知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向金融数据的情感分析工具.

  • 《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个问题.

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

介绍:神经网络学习资料推荐.

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

介绍:面向序列上之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:矩阵和数量的随机算法(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
是基于Scipy为机上建筑的的一个Python模块,他的特色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是一个于机器上研究简单化的基于Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个因HTM学习算法也器的机械智能平台。HTM是皮肤的可靠计算办法。HTM的中坚是根据时间的不停学习算法和贮和取消的时空模式。NuPIC适合吃五花八门的问题,尤其是检测好和预测的流多少来源。

  • 《Nilearn》

介绍:Nilearn
是一个力所能及很快统计上神经影像数据的Python模块。它应用Python语言中的scikit-learn
工具箱和局部进展展望建模,分类,解码,连通性分析的应用程序来展开多重的统计。

  • 《PyBrain》

介绍:Pybrain是依据Python语言强化学习,人工智能,神经网络库的简称。
它的靶子是供灵活、容易用以强大的机上算法和进展各种各样的预定义的环境遭受测试来比你的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下的一个大网开模块。它吧数据挖掘,自然语言处理,网络分析和机器上提供工具。它支持向量空间模型、聚类、支持为量机和感知机并且因此KNN分类法进行分类。

  • 《Fuel》

介绍:Fuel为您的机上型提供数据。他有一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这好像数据集的接口。你采取外来由此杀多种的方法来代替自己之数。

  • 《Bob》

介绍:Bob是一个免费之信号处理和机具上的工具。它的工具箱是为此Python和C++语言共同编写的,它的设计目的是移得尤为快捷而减少支出时间,它是出于拍卖图像工具,音频和视频拍卖、机器上和模式识别的豁达软件包构成的。

  • 《Skdata》

介绍:Skdata是机上与统计的数据集的库程序。这个模块于玩具问题,流行的微处理器视觉与自然语言的数据集提供专业的Python语言的利用。

  • 《MILK》

介绍:MILK是Python语言下的机上工具包。它要是当重重不过落的归类比如SVMS,K-NN,随机森林,决策树被使监督分类法。
它还行特征选择。
这些分类器在过剩端互动结合,可以形成不同之比如无监督上、密切关系金传播和出于MILK支持之K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个瞩目让干抽取的开源性信息抽取工具。它要针对的凡得对大型数据集进行信息提取的用户与思念如果尝试新的算法的科学家。

  • 《Quepy》

介绍:Quepy是经过改变自然语言问题用以数据库查询语言中进行查询的一个Python框架。他可省略的让定义为当自然语言和数据库查询中不同品种的题目。所以,你绝不编码就好起你自己的一个为此自然语言进入你的数据库的网。现在Quepy提供对Sparql和MQL查询语言的支撑。并且计划以她延伸到外的数据库查询语言。

  • 《Hebel》

介绍:Hebel是当Python语言中对此神经网络的深浅上之一个库程序,它使用的凡通过PyCUDA来进行GPU和CUDA的加快。它是极度要之神经网络模型的花色的工具而会提供一些差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壮大组成的一个库程序。

  • 《nolearn》

介绍:这个次包容纳了大量能够针对而完了机器上任务有协助的实用程序模块。其中大量的模块和scikit-learn一起工作,其它的屡见不鲜更发出因此。

  • 《Ramp》

介绍:Ramp是一个当Python语言下制定机器上中加速原型设计之缓解方案的库程序。他是一个轻型的pandas-based机器学习着不过插入的框架,它现存的Python语言下的机器上和统计工具(比如scikit-learn,rpy2等)Ramp提供了一个简单易行的声明性语法探索效能因此能够快速有效地推行算法和转换。

  • 《Feature
    Forge》

介绍:这无异于名目繁多工具通过和scikit-learn兼容的API,来创造及测试机上效果。这个库程序提供了平组工具,它会叫您当众多机上程序下着老受用。当您使用scikit-learn这个家伙时,你见面感到到吃了特别怪的援手。(虽然这单会以你生两样的算法时起作用。)

  • 《REP》

介绍:REP是为同一种植和谐、可再生的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。并且它们可以以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情。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机器上建筑的简练软件收集。

  • 《Python-ELM》

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

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外尚推荐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回击,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:斯坦福大学深度修及自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015齐Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上活动发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上的剖析

 

 

  • 《Deep Learning in Neural Networks: An
    Overview》

机上(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写的新颖版本《神经网络与深上综述》本综述的特征是坐时排序,从1940年开班称起,到60-80年间,80-90年间,一直称到2000年晚与近年来几乎年的进行。涵盖了deep
learning里各种tricks,引用非常全面.

流动:机器上材料篇目一共500条,篇目二起更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
可望转载的恋人,你可以不要联系自身.但是必定要保留原文链接,因为此项目还以后续为以非期更新.希望看文章的冤家会模拟到再也多.此外:某些材料在中华看需要梯子.
  • 《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个+稀疏优化1个;强化学习4单,深度上3单+深度上计算1只;贝叶斯非参、高斯过程及上学理论3独;还有算广告以及社会选择.ICML2015
Sessions.

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28及IEEE计算机视觉及模式识别(CVPR)大会在美国波士顿召开。微软研究员们于大会上显得了于往年又快还遵循的微机视觉图像分类新模型,并介绍了什么以Kinect等传感器实现在动态或者低光环境之很快大规模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:语义图像分割的事实演示,通过深度上技术以及几率图模型的语义图像分割.

  • 《Fully Convolutional Networks for Semantic
    Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,范代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长之烦恼.

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

介绍:基于三头条培训方法的文书流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础与最新进展.

  • 《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:数据对(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:生产环境(产品级)机器上之时同挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的布局化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机械上小组关于在线Boosting的论文 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20个顶叫座之开源(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的最新篇章《深度上》,Jürgen
Schmidhuber的新式评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的展望分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

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

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

介绍:读毕就100篇论文
就可知化雅数量高手,国内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体及公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写为开发者的机学习指南.

  • 《Hot news detection using
    Wikipedia》

介绍:基于维基百科的热点新闻发现.

  • 《Harvard Intelligent Probabilistic Systems
    Group》

介绍:(Harvard)HIPS将揭晓只是扩大/自动调整参贝叶斯推理神经网络.

  • 《An Empirical Exploration of Recurrent Network
    Architectures》

介绍:面向上下文感知查询建议的层次递归编解码器.

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

介绍:GPU上冲Mean-for-Mode估计的速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独经数据集(及另外100个列表).

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

介绍:Google面向机器视觉的纵深学习.

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

介绍:构建预测类应用时怎么选机器上API.

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

介绍:Python+情感分析API实现故事情节(曲线)分析.

  • 《Movie selection using
    R》

介绍:(R)基于Twitter/情感分析的祝词电影推荐,此外推荐分拣算法的论据比较分析.

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

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

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

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的深加深学习教程.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的可解释性.

  • 《The Essential Spark Cheat
    Sheet》

介绍:Spark快速入门.

  • 《Machine Learning for Sports and Real Time
    Predictions》

介绍:TalkingMachines:面向体育/政治及实时预测的机械学习.

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

介绍:Stanford社交网络和信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

介绍:David
Silver(DeeMind)的深化学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的很快深度学习.

  • 《Introduction to R
    Programming》

介绍:来自微软的<R编程入门>.

  • 《Golang:Web Server For Performing Sentiment
    Analysis》

介绍:(Go)情感分析API服务Sentiment Server.

  • 《A Beginner’s Guide to Restricted Boltzmann
    Machines》

介绍:受限波尔兹曼机初学者指南.

  • 《KDD2015十年最佳论文》

介绍:Mining and Summarizing Customer
Reviews ,Mining
High-Speed Data
Streams,Optimizing
Search Engines using Clickthrough
Data.

  • 《Nvidia Deep Learning
    Courses》

介绍:Nvidia深度学习课程.

  • 《Deep Learning Summer School
    2015》

介绍:2015年深度上暑期课程,推荐讲师主页.

  • 《百度深度上之图像识别进展》

介绍:这是平等首关于百度文章《基于深度上的图像识别进展:百度的几何行》的摘要,建议少首文章做起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机器上技术.

  • 《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 实现之机械上库资源集聚总.

  • 《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:这是如出一辙以机器上的电子书,作者Max
Welling先生以机械上教学方面有丰富的阅历,这按照开小但是精致.

  • 《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:介绍单愿总结与翻译机器上和电脑视觉类资料的博客,包含的始末:Hinton的CSC321课程的总结;Deep
Learning综述;Notes on
CNN的总结;python的法则总结;Theano基础知识和习总结;CUDA原理与编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对现实问题(应用场景)如何选择机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据科学免费写分类集合

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

介绍:深度上在语音合成最新进展发怎样?推荐MSRA的Frank
Soong老师关于语音合成的深浅上方法的摄像与幻灯片与同谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data Science》

介绍:新书(可免费下载):数据正确的方

  • 《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所描绘,算是最广为认知的机械上课本之一,内容覆盖全面,难度中上,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授Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的新书Understanding Machine Learning: From Theory to
Algorithms,此开的于偏理论,适合对机械上理论出趣味的同室选读

  • 《Machine Learning
    Checklist》

介绍:机器上学习清单

  • 《NLP界有什么神级人物?》

介绍:知乎上面的平篇有关NLP界有安神级人物?提问。首推Michael Collins

  • 《机器上温和指南》

介绍:机器上和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遭到的关键概念,应用程序和挑战,旨在让读者能继承寻找机器上知识。

  • 《Gradient Boosted Regression
    Trees》

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

  • 《Apache SINGA : Distributed Deep Learning
    System》

介绍: 无需召开深度上就可知就此之分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数据及众包Mechanical
Turk上,实现了来自彩票和处理之体制,以收集用户对产品之愿购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15]
回归模型预测未知WTP,提升卖家利润与买主满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的普遍机器学习.

  • 《机器上资料十分汇总》

介绍:来自52ml底机械上资料大汇总.

  • 《Automatic
    Summarization》

介绍:这按照开的犯者McKeown是2013年世界篇个数据科学院(位于哥伦比亚大学)主任,她亦是ACL、AAAI和ACM
Fellow .

  • 《Proceedings of the 2015 Conference on Empirical Methods in
    Natural Language
    Processing》

介绍:EMNLP-15文本摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上添加达到4小时的喻,共248页,是对准引进系统提高的一致破全面概括,其中尚连Netflix在个性化推荐方面的一些历介绍.

  • 《BigData Stream
    Mining》

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

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras深上框架Elephas.

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

介绍:Surya Ganguli深度上统计物理学.

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

介绍:(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表.

  • 《Introduction to Topic Modeling in
    Python》

介绍:(PyTexas 2015)Python主题建筑模.

  • 《Large Scale Distributed Deep Learning on Hadoop
    Clusters》

介绍:Hadoop集群上之广分布式机器学习.

  • 《Top Deep Learning Employers Based On LinkedIn
    Data》

介绍:基于LinkedIn数据得出的深浅上热门”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重型人脸识别数据集: Large-scale
CelebFaces Attributes (CelebA) Dataset 10K 名人,202K
脸部图像,每个图像40不必要标注注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

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

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

介绍:谷歌研究院Samy Bengio等丁多年来勾勒的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/深度上相关项目大列表.

  • 《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相当人多年来勾勒的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的广阔分布式深度上》

介绍:基于Hadoop集群的宽广分布式深度学习.

  • 《Learning both Weights and Connections for Efficient Neural
    Networks习》

介绍:来自斯坦福大学与NVIDIA的行事,很实在可怜实用。采用推网络连接及重新训练方法,可极大减少CNN模型参数。针对AlexNet、VGG等模型与ImageNet数据,不损失识别精度情况下,模型参数可极大回落9-13倍.

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

介绍:无需做深上就能用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员好数目科学家,通过她们之名然后在google中寻觅一定会找到多要命过硬的资源译文.

  • 《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:数据科学(学习)资源列表.

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

介绍:应本着非均衡数据集分类问题之八老策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推介的20个数据正确相关课程.

  • 《Recurrent Neural
    Networks》

介绍:递归神经网络.

  • 《Histograms of Oriented
    Gradients》

介绍:(HOG)学习笔记.

  • 《Computational modelling
    courses》

介绍:计算建模/计算神经学课程汇总.

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

介绍:(Yelp)基于深度上之经贸图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费于线书《Neural Networks and Deep
Learning》神经网络与深度上。目前提供了前方四章节的草稿,第一章经过手写数字识别的事例介绍NN,第二段讲反为传播算法,第三章节说反朝传来算法的优化,第四章说NN为什么能起合任意函数。大量python代码例子和互动画,生动有趣.中文版

  • 《Books to Read if You Might Be Interested in Data
    Science》

介绍:数据科学大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以以斯网站找到github的种链接.

  • 《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,他们本纪念如果举行进一步的增进。于是推出了新的,专门针对科学家设计的学术搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监察上,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)二区划类.

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

介绍:为入门者准备的吃水上和神经网络免费资源.

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

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

  • 《Veles:Distributed machine learning
    platform》

介绍:三星体开源之迅猛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的深上库初步源.

  • 《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)深度上和深度数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

介绍:免费书写:面向数据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:来自斯坦福大学之Multimodal Deep Learning papers.

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

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

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

介绍:这个专栏是一个stanford学生做的CS183c课程的一个note,该课程是出于Reid
Hoffman等互联网boss级人物设置的,每节课请一各类巨头公司之系官员来举行访谈,讲述该公司是怎么scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中的应用.

  • 《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:数据科学家毕业后持续上之5栽方式.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:深度上以神经网络的应用.

  • 《Contextual Learning》

介绍:上下文学习,代码.

  • 《Machine Learning For Complete
    Beginners》

介绍:机器上零基础入门,代码.

  • 《2015年中华计算机学会(CCF)优秀博士学位论文》

介绍:2015东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:复旦大学邱锡鹏先生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.

  • 《语音识别的技术原理是呀?》

介绍:语音识别的技巧原理分析

  • 《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.乔丹是举世闻名的微机是与统计学学者,主要研究机器上及人为智能。他的基本点贡献包括指出了机上与统计学之间的关系,并促进机械学习界广泛认识及贝叶斯网络的主要。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同个英国落地的计算机学家和心理学家,以那于神经网络方面的贡献闻名。辛顿是反往传播算法和对照散度算法的发明人之一,也是深度上的积极性推进者.通过外的主页可以开掘到好多Paper以及优秀学生的paper,此外推荐外的生Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机械上方向的牛人,如果你免知道可以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大规模深度上以演进

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

介绍:MIT出版的纵深上电子书,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与机具上导论视频》

介绍:上海交大张志华先生的统计机器上和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)深度上用的流量鉴别(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:一个推介系统的Java库

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

介绍:多为重图的谱说及其在网入侵检测中之动(MC-GPCA&MC-GDL)

  • 《Computational Statistics in
    Python》

介绍:用Python学计算统计学

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

介绍:datumbox-framework——Java的开源机器上框架,该框架重点是提供大量的机器上算法和统计检验,并能处理着多少圈圈之数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了图书,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学之执教,主要研究方向是机上及数据挖掘.在2015年之ACM
webinar会议,曾刊登了关于盘点机器上世界的五非常流派主题演讲.他的个人主页拥有不少息息相关研究的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

  • 《大数目/数据挖掘/推荐系统/机器上相关资源》

介绍:这首文章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:免费书写:统计稀疏学习,作者Trevor
Hastie与Rob
Tibshirani还是斯坦福大学的上书,Trevor
Hastie更是以统计学上及建树多多

  • 《The Evolution of Distributed Programming in
    R》

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

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

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

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统出库汇总.

  • 《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会总第一有些,仲有的.

  • 《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:牛津大学知名视觉几何组VGG在IJCV16年首窝首期待: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这首期刊文章融合了前头少篇会议(ECCV14,NIPS14ws),定位和辨认图片中之文书(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:计算机视觉的一个较充分的数码集索引,
包含387个标签,共圈定了314单数据集合,点击标签云就足以找到自己欲的库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的下结论: the future of SLAM, SLAM vs
deep learning 重点介绍了 monoSLAM 和 LSD-SLAM,而且讨论了 feature-based
和 feature-free method 的长短。在全民deep learning做visual
perception的下,再来读读CV中之 geometry.

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

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

介绍:ICCV 2015底ImageNet比赛暨MS COCO竞赛联合研讨会的幻灯片和见到频.

  • 《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的深上/机器学习课程.

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

介绍:R-bloggers网站2015″必读”的100首文章,R语言学习之福音.

  • 《Machine Learning: a Probabilistic
    Perspective》

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

  • 《Deep learning Book》

介绍:这是同一仍在线的纵深上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是一律各类新入门的生可先行押这本图书Yoshua Bengio:
How can one get started with machine
learning?.汉语译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的纵深上阅读列表.

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

介绍:纽约州立大学布法罗分校2015年青春机械上课程主页.

  • 《Theano is a Deep learning Python library

介绍:
Theano是主流的深浅上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.

  • 《文本数据的机器上活动分拣方法(上)》

介绍:文本数据的机械上活动分类方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以管为挡的图样上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院将那深度上工具包CNTK,想愈询问及学习CNTK的同校可以看眼前几龙公布之《CNTK白皮书》An
Introduction to Computational Networks and the Computational Network
Toolkit.

  • 《Kalman and Bayesian Filters in
    Python》

介绍:
卡尔曼滤波器教材,用尽量少之数学及演绎,传授直觉和阅历,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:面向数据对的统计测算,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,其内容涵盖了读书人工智能所利用的吃水上架构的修资源,书被的品类已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是一律客机器上和深度上课程,文章和资源的清单。这张清单根据各个主题进行写作,包括了很多与深上有关的种、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。话题涵盖大数目、Hadoop、scikit-learn和是Python堆栈以及无数别方的始末。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为统统让含有中,当然还有相关的特定构架和定义等.

  • 《Open Source Deep Learning Server》

介绍:开源的深上服务,DeepDetect是C++实现之基于外部机器上/深度学习库(目前凡是Caffe)的API。给来了图片训练(ILSVRC)和文书训练(基于字的结分析,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,分析和数据科学类的文章.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)不鲜明的不错——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独十分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:深度上的一应俱全硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何在社会媒体齐召开言语检测?没有数据怎么惩罚?推特官方发表了一个分外弥足珍贵之数据集:12万标注过的Tweets,有70种语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上与机械上要集会ICLR 2016选用文章

  • 《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/数据搜集/内容设计相关资源推荐

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

介绍:WikiTableQuestions——复杂真实问答数据集

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

介绍:(2016版)35个超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两号大家首浅合发文,CAFFE和SPARK完美组合,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随最佳机器上免费写

  • 《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每当 Oxford
开设的深度上课程,课程youtube地址,Google
DeepMind的研究科学家,此外首页:computervisiontalks的情为深丰富,如果您是做机械视觉方面的研究,推荐呢看外内容.肯定得呢非小.还有,这员youtube主页顶了之视频也杀有分量

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上园地的Hacker
news.紧跟深度上之情报、研究进展和连锁的创业项目。从事机械上,深度上园地的爱侣建议每天看无异关押

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的议会paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上以生物工程领域的行使,如果你从生物工程领域,可以预先读书一篇文章详细介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上以生物信息法领域的动

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

介绍:一些关于机器上得掌握知识,对于正入门机上的同学应该读一朗诵

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器念用户组主页,网罗了剑桥大学有机器上领域专家与情报

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

介绍:Randy
Olson’s的组成部分多少解析以及机具上类库,是上实践的好材料

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果采用之也多,而因此来举行机械上之饶于少了.Swift
Ai在即时上头做了过多聚集.可以望

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

介绍:如何向同一员5年之小家伙解释支持于量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的片牛人博客,超有实力的钻研机构等之网站链接.做计算机视觉方向的心上人建议多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度学研究主页,此外研究小组对2013年deep learning
的最新进展以及有关论文举行了整,其中useful
links的情节十分受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是一致首关于寻找引擎的博士论文,对当今大应用的搜寻引擎google,bing等召开了分析.对于做搜索类似产品的慌有技艺参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这好像书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深上地方的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的故伎重演分布式梯度下降.同时援引周边分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究相关题材综述.

  • 《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: 协同过滤在引进系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在情节引进的研究.

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

介绍: 协同过滤经典仍文.

  • 《Item-based Collaborative Filtering Recommendation
    Algorithms》

介绍: 协同过滤算法.

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

介绍: 亚马逊对此同过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

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

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的引荐收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏代表和高维几何.12年由Elsevier、13年到今日由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得杰出贡献的;由CV社区提名,在CVPR会议及宣告。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》引用已逾5K.

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上有关著名教授Alex Smola在Quora对于《程序员如何学习Machine
Learning》的建议:Alex推荐了成百上千有关线性代数、优化、系统、和统计领域的经典教材以及资料.

  • 《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:
软件工程领域现在为对机器上及自然语言处理很感兴趣,有人出了“大代码”的定义,分享了重重代码集合,并且认为ML可以据此在展望代码Bug,预测软件作为,自动写新代码等职责上。大代码数据集下载

  • 《Object
    Detection》

介绍:
深度上进行目标识别的资源列表:包括RNN、MultiBox、SPP-Net、DeepID-Net、Fast
R-CNN、DeepBox、MR-CNN、Faster
R-CNN、YOLO、DenseBox、SSD、Inside-Outside Net、G-CNN

  • 《Deep Learning: Course by Yann LeCun at Collège de France
    2016(Slides in
    English)》

介绍: Yann LeCun 2016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篇章。1.众担保激励机制的行事经济学研究:批量结算比单任务的好率高。2.于众包专家与初手间建立联系: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移位预计。5.鼓励错以加快众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据是

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D相同省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是同等悠悠机器上的开源框架,专为黑客打造,而休为科学家要作。它用Rust开发,传统的机器上,现今之深上通吃。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,主要涉嫌的是贝叶斯网络与马尔科夫逻辑网络的learning和inference问题,同时还要对PGM有厚的辩解解释,是习概率图模型必看之书本。难度中上,适合来局部ML基础的研讨生.[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:
这是一律份有关机器上及多少挖掘以网安全方面利用之资源帖,包含了部分首要的站点,论文,书籍,斯坦福课程与一些行的教程.

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

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车的纵深上

  • 《ICML 2016 Conference and Workshops
    Video》

介绍: ICML 2016看频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线及参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度读

  • 《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达标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,特别是一些答辩特性与分布式算法的照应理论特性还来一个比较详细的下结论。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的有情形,作为一个分布式计算平台的得失,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计划性思想以及落实,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:视频发表:自然面貌可靠机器上(NIPS 2016 Workshop)

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

介绍:Google发布大规模音频数据集

  • 《5 algorithms to train a neural
    network》

介绍:训练神经网络的5种植算法

  • 《Course notes for CS224N
    Winter17》

介绍:笔记:斯坦福CS224n深度读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落得还有众多经典推荐可看

  • 《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:《计算机还是不能够召开啊——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:”算是不过顶级也是不过早的关于社会计算的议会”。里面的论文大部分凡是研究社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容要生前沿的。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议会。对了,只要是公知名字的有名社交媒体都发出投稿.[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:这是同样客python机器上库,如果你是一样号python工程师而且想深入之上机器学习.那么就首文章或能帮助及你.

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

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

  • 《Machine Learning is
    Fun!》

介绍:如果你还非知底呀是机械上,或则是刚刚上感觉到充分枯燥乏味。那么推荐一朗诵。这篇稿子已被翻译成中文,如果产生趣味可以运动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机械上之最主要语言,有成百上千的意中人想上R语言,但是连忘记一些函数和重点字的意义。那么就篇稿子或能够扶助到您

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠如何选择机器上算法,这首文章于直观的可比了Naive
Bayes,Logistic
Regression,SVM,决策树等方法的高低,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了的版:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深网络,作者对于例子的选料、理论的牵线都格外到位,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>这是一致据机器上之小册子,
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,
没有同堆坨公式的烦恼. 适合新手入门打基础, 也契合老手温故而知新.
比由MLAPP/PRML等大部头,
也许这本你重新需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上及统计上理论》

介绍:作者是出自百度,不过他自已经当2014年4月份申请离职了。但是就篇稿子好对如果你切莫知晓深度上及支持于量机/统计上理论来什么关联?那么当立即看看这篇文章.

  • 《计算机对中的数学》

介绍:这本书是出于谷歌公司和MIT共同出品的电脑对中的数学:[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

  • 《信息时代的处理器科学理论(Foundations of Data
    Science)》

介绍:信息时代的电脑是理论,目前境内产生纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是相同随由雪城大学新编的次本子《数据对入门》教材:偏实用型,浅显易懂,适合想深造R语言的校友选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是一致篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20独问题,内容连TAOCP,P/NP问题,图灵机,逻辑,以及为何大神不用电邮等等。

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

介绍:不会见统计怎么收拾?不明白怎样挑选恰当的统计模型怎么惩罚?那立首文章你的上佳读一朗诵了麻省理工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最新进展产生趣味之同桌可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是相同以信息搜索有关的书本,是由斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美绝被欢迎的音信寻找教材之一。最近笔者多了该课程的幻灯片和作业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10摆设可以的图来说明机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很鲜明

  • 《雅虎研究院的数集汇总》

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

  • 《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年一月曾开张: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把为机械上新大家推荐的上品学习资源,帮助新家快速入门。而且这篇稿子的介绍都为翻译成中文版。如果你小熟悉,那么自己建议乃先押无异扣押中文的介绍。

  • My deep learning reading
    list

介绍:主要是顺Bengio的PAMI
review的章找出来的。包括几准综述文章,将近100首论文,各位山头们的Presentation。全部还可以在google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是相同如约图书,主要介绍的是跨语言信息寻找方面的知。理论很多

  • 追推荐引擎内部的暧昧,第 1 有的:
    推荐引擎初探

介绍:本文共有三只系列,作者是根源IBM的工程师。它最主要介绍了推介引擎相关算法,并帮助读者很快的实现这些算法。
探讨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,追推荐引擎内部的神秘,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机械上新大家的某些建议》,
写的非常实在,强调实行与理论做,最后还引述了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的数据

介绍:这是相同按有关分布式并行处理的数码《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”是什么?》

介绍:【“机器上”是什么?】John
Platt是微软研究院独立科学家,17年来他直接于机械上世界耕耘。近年来机器上变得炙手可热,Platt和共事等遂决定办博客,向民众介绍机器上之研究进展。机器上是啊,被下在何?来拘禁Platt的这篇博文

  • 《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)已经被6月21-26日当国家会议中心繁华举办。本次大会由微软亚洲研究院暨清华大学一同主办,是其一具有30基本上年历史并著名世界的机上园地的盛会首不行来到中国,已成吸引世界1200大多员专家的报名与。干货很多,值得深刻上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子要是坐Learning to
Rank为条例说明企业界机器上之具体采用,RankNet对NDCG之类不灵敏,加入NDCG因素后变为了LambdaRank,同样的盘算从神经网络改吧使至Boosted
Tree模型就成功了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一称呼得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文也:
From RankNet to LambdaRank to LambdaMART: An
Overview
另外,Burges还有不少老牌的代表作,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:本课程将阐述无监督特征上和深度上之基本点观点。通过上,你吧拿落实多独效益上/深度上算法,能看出它为卿工作,并上怎么采取/适应这些想法及新题材上。本学科假定机器上之基本知识(特别是轻车熟路的监察上,逻辑回归,梯度下降之想法),如果你无熟悉这些想法,我们建议乃错过这里机器上课程,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上面已生python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果欲了亮,需要肯定的机上基础。不过小地方会受人口前相同亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是一模一样篇介绍图像卷积运算的文章,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,大数量解析,并行计算以及人脑研究。https://www.youtube.com/user/smolix
(需翻墙)

  • 《Awesome Machine
    Learning》

介绍:一个顶尖完整的机器上开源库总结,如果您以为这碉堡了,那背后是列表会再让你怪:【Awesome
Awesomeness】,国内已经闹热情的意中人进行了翻译中文介绍,机械上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学计算机系Chris
Manning教授的《自然语言处理》课程有视频都好以斯坦福明课网站上看看了(如Chrome不行,可用IE观看)
作业及试验也得以下载。

  • 《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,已经勾勒了三段了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的福音。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台及开源的机器上库,按照好数据、NLP、计算机视觉与Deep
Learning分类进行了整治。看起特别全的,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。很多时刻困惑人们还是,很多算法是同一类似算法,而微算法又是起另算法中拉开出来的。这里,我们打简单独面来受大家介绍,第一个点是读书的措施,第二单方面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你既知晓了是呀内容,没错。里面有多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,包括数学基础和算法理论的书籍,可开呢入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16按机器上的电子书,可以下载下来当pad,手机者任意时刻去看。不多我提议您看了一随还下充斥同按部就班。

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

介绍:标题非常十分,从新手到大家。不过看了上面有资料。肯定是大家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的老多,而且我一度拉您追寻手拉手了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上系统,用来缓解预测方面的题材,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的总结

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实施人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这又是均等篇机器上新师的入门文章。值得一读

  • 《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

  • 《神奇之伽玛函数(上)》

介绍:下集在此间神乎其神之伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡腾讯广告算法总监,王益博士毕业后当google任研究。这篇稿子王益博士7年来打谷歌到腾讯对于分布机器上之见闻。值得细读

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

介绍:把机器上提升的级别分为0~4级,每级需要上之课本和操纵的知。这样,给机器学习者提供一个发展的门径图,以免走弯路。另外,整个网站还是关于机器上的,资源异常丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一律遵循来自小的研究员 li Peng和Dong
Yu所出示的有关深度上的法门和利用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机上夏季课刚刚竣工
有靠近50小时之视频、十基本上个PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13名为讲师都是牛人:包括充分牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大机器上体系》

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,用来化解预测方面的问题,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客上简单地介绍了她们当年列席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。如果无是很干净可省概率编程语言及贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友咨询伯克利机器上大牛、美国双双院士Michael I.
Jordan:”如果你产生10亿美金,你怎么花?Jordan:
“我会见为此这10亿美金建造一个NASA级别之自然语言处理研究项目。”

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有一对旁的机械上及数量挖掘文章和深度上文章,不仅是辩论还有源码。

  • 《文本及数量挖掘视频汇总》

介绍:Videolectures上无与伦比给欢迎的25独文本及数据挖掘视频汇总

  • 《怎么选择深度上之GPUs》

介绍:在Kaggle上时常得不错成绩的Tim
Dettmers介绍了他协调是怎么取舍深度上之GPUs,
以及民用怎么构建深度上的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情的将这课程翻译成了中文。如果你英语不好,可以看看这个

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上在媒体界被炒作好厉害(就如大数量)。其实过多人还还不了解什么是深上。这首文章由浅入深。告诉您深度学究竟是呀!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学做的同免费课程(很勉强),这个可以让您于深上之路上吃你一个学习的思路。里面涉及了一部分主导的算法。而且告诉你如何去行使到实在条件中。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学做的一个深度上用来分辨图片标签/图转文字的demo。是一个实际行使案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要发出早晚之根基。

  • 《R工具包的分类集中》

介绍: (CRAN Task Views,
34种普遍任务,每个任务而各自分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多重新变量分析,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紧俏内容。很多口于平时之劳作被还还是多要掉会就此到机械上的算法。本文为你总结一下科普的机上算法,以供应而当做事与学着参考.

  • 《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单密密麻麻。另外还作者还了一个文章导航.非常之感恩戴德作者总结。

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列之(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列之(七)

DeepLearning(深度上)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的所以深度上做计算机是苏的NIPS 2013课。有mp4,
mp3,
pdf各种下载
他是纽约大学讲授,目前吧在Facebook工作,他2014年之8篇论文

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开之开源中文自然语言处理(NLP)工具管
Fudan
NLP里噙中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功效,对寻找引擎
文本分析等极为有价。

  • 《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,但与此同时好想念学习机器上的朋友。是一个生之福利。机器上周刊目前紧要提供中文版,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》的首要数学先导课程。其实《线代》这宗课称得浅显易懂特别非爱,如果一致高达来即摆逆序数及陈行列式性质,很易受学员去学习的兴趣。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的科目。
学科主页

  • 《Big-data》

介绍:大数量数据处理资源、工具不完备列表,从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器上等。很赞赏的资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了平名叫源于本古里安大学之访问学者,制作了一如既往法关于机器上的不胜枚举视频课程。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说理基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对特别数量时,量子机器上之第一只试验 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)通过大数据手段+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脚论决定着12独账号,下载了婚恋网站2万女用户的600万题目答案,对他们进行了统计抽样及聚类分析(图2,3),最后终于获了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开张,该课属于MIT研究生级别的学科,对机器人及非线性动力系统感兴趣之情侣不妨可以挑战一下随即门课!

  • 《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年开班以处理器科学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:把今年的一个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。欢迎大家利用。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?可以吃你当浏览器被,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,一切以易得清楚。他巧公布了扳平比照图书,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:机器上教会了咱们什么?

  • 《scikit-learn:用于机器上的Python模块》

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

  • 《对话机器上大神Michael
    Jordan:解析领域被各项模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机器上世界神经网络的大牛,他本着纵深上、神经网络有着不行深刻的兴味。因此,很多问的题材遭带有了机上世界的各类模型,乔丹教授对准之一一做了解释以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*搜索是人工智能基本算法,用于高效地搜寻图备受少碰之极品途径,
核心是 g(n)+h(n):
g(n)是由起点到顶点n底莫过于代价,h(n)大凡顶点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:本项目应用了Microsoft Azure,可以于几区划种内得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的花样调用FNLP的语言分析效益

  • 《吴立德《概率主题模型&数据是基础》》

介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所符所长.内部课程

  • 《机器上入门资源不了集中》》

介绍:好东西的干货真的多

  • 《收集从2014年始发深度上文献》

介绍:从硬件、图像及健康、生物、大数额、生物信息重新届量子计算相当于,Amund
Tveit等保护了一个DeepLearning.University小品种:收集从2014年初步深度上文献,相信可以作为深度上之起点,github

  • 《EMNLP上少首关于股票方向的运用论文

介绍:EMNLP上片篇有关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:作者是深浅上一线特别牛Bengio组写的课,算法深入显出,还有实现代码,一步步开展。

  • 《学习算法的Neural Turing Machine

介绍:许多习俗的机械上任务还是当攻读function,不过谷歌目前出起读书算法的来头。谷歌另外的立首学习Python程序的Learning
to
Execute也发出相似之处

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

介绍:作者是华为技术有限公司,诺亚方舟实验室,首席科学家的李航博士写的有关信息搜索和自然语言处理的篇章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的辨别上的使用,此外还有点儿只。一个是甄别垃圾和虚假消息的paper.还时有发生一个凡纱舆论及其分析技术

  • 《R机器学习履》

介绍:该课程是网易公开课的收费课程,不值钱,超级福利。主要适合吃对运R语言进行机上,数据挖掘感兴趣的人。

  • 《大数量解析:机器上算法实现之嬗变》

介绍:本章中笔者总结了三代表机上算法实现之演变:第一替代非分布式的,
第二代工具而Mahout和Rapidminer实现冲Hadoop的恢宏,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,分析及机具视觉》

介绍:讲计算机视觉的季管辖奇书(应该让经典吧)之一,另外三如约是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最新的推介系统文章Browsemaps》

介绍:里面基本无涉及到实际算法,但作者介绍了CF在LinkedIn的成千上万用,以及她们于召开推荐过程被赢得的有涉。最后一条经验是应该监控log数据的色,因为推荐的成色很据数据的质量!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初师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

  • 《利用深度上与老数据构建对话系统

介绍:如何使用深度上和深数目构建对话系统

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

介绍:Francis Bach合作的关于稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容涉嫌Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及以图像以及视觉上的行使,而且首先组成部分有关Why does
the l1-norm induce sparsity的解释也蛮是。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机械上着要的定义,其于large
margin分类器上之采取也是广为熟知的。如果无于好之数学基础,直接掌握RKHS可能会见正确。本文自基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同校对于机器上与深度上之迷惑在于,数学方面已经大约了解了,但是动于手来可未晓怎么样入手写代码。斯坦福深度上博士Andrej
Karpathy写了同一篇实战版本的深度上及机上课程,手把手教您用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:本文会过相同布满最流行的机上算法,大致了解如何方法可用,很有帮衬。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来为数不少关于机器上、信号处理、计算机视觉、深入学、神经网络等世界的雅量源代码(或只是尽代码)及相关论文。科研写论文的好资源

  • 《NYU
    2014年之纵深上课程资料》

介绍:NYU 2014年之深上课程资料,有视频

  • 《计算机视觉数据集不完全集中》

介绍:计算机视觉数据集不净集中

  • 《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:数据挖掘十雅经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100个坏棒的类型

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高等学校欧文分校为机上社区保安着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、视频语义分析世界获得了科研及工程达到的突破,发之章非多,但每个都充分朴实,在列一个问题及还得了state-of-art.

  • 《Andrej
    Karpathy的深浅加深学习演示》

介绍:Andrej
Karpathy的纵深加深学习演示,论文在这边

  • 《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举办的国际数据挖掘竞赛的称谓。

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同样位英国落地的计算机学家和心理学家,以那于神经网络方面的贡献闻名。辛顿是反朝传播算法和比散度算法的发明人之一,也是深浅上的积极向上推动者.

  • 《自然语言处理的深上理论同实际》

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

  • 《用很数量和机具上做股票价格预计》

介绍: 本文基于<支持为量机的勤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.

  • 《关于机器上的好多辩护问题》

介绍:徐宗本
院士将为爱机器上的伴侣联手追有关于机器上之几乎单理论性问题,并吃来有闹意义之结论。最后经过有实例来验证这些理论问题之大体意义以及事实上应用价值。

  • 《深度上以自然语言处理的以》

介绍:作者还显有《这便是寻找引擎:核心技术详解》一开,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献同业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章推荐

  • 《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构建的票房价值统计模型并采取模型对数码进行预测和分析的一律宗科学,统计上为改为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之靶子是指向计算机编程,以便利用样本数量还是以往之更来化解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能与机器上世界有趣的开源项目》

介绍:部分华语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有雷同篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

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

  • 《简明深度上方法概述(一)》

介绍:还有续集不言而喻深度上方式概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数据以及机具上之三结合》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边模仿边用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,并当事实上比间比调参数与清数据。
如果都装过gensim不要遗忘升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说管多年来型识别达到之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。训练后即亦可到位决不计算,只拘留棋盘就被起下同样步,大约10层棋力。但马上首稿子最过乐观,说啊人类的末尾一片堡垒马上就要超过掉了。话说得太早。不过,如果跟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重新审稿的说话,会有一半的论文被拒绝。

  • 《2014年最佳的不可开交数额,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。我们从中可以看看多只主题——深度上,数据科学家职业,教育和薪酬,学习数据科学的家伙比如R和Python以及群众投票的极度被欢迎之数对与多少挖掘语言

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

介绍:Python实现线性回归,作者还发其他甚硬的稿子援引可看看

  • 《2014华夏怪数目技术大会33号中心专家发言PDF》

介绍:2014神州死数据技术大会33各中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

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

  • 《NLPIR/ICTCLAS2015细分词系大会上之技巧演讲

介绍:NLPIR/ICTCLAS2015分开词系发布和用户交流大会上之讲演,请复多朋友检阅新版分词吧。
我们实验室同学的发言包括: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的反倒往求导及练习》

介绍:介绍CNN参数在动用bp算法时该怎么训练,毕竟CNN中有卷积层和下采样层,虽然同MLP的bp算法本质上一致,但款式达到或者稍区别之,很明朗在形成CNN反往传播前询问bp算法是必的。此外作者吧举行了一个资源聚合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果只要于平等篇稿子被匹配配十万独关键词怎么处置?Aho-Corasick
算法利用上加了回到边的Trie树,能够当线性时间外形成匹配。
但如果配合十万单正则表达式呢 ?
这早晚可以用到将多只刚则优化成Trie树的方式,如日本人形容的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

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

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由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。该库还提供了平组预定义函数,用户可使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。

  • 《杨强于TEDxNanjing谈智能的来》

介绍:”人工智能研究分众帮派。其中有为IBM为表示,认为如果来胜性能计算就只是取得智能,他们的‘深蓝’击败了世界象棋冠军;另一样山头认为智能来自动物本能;还起只好强之派系认为如果找来大家,把他们之沉思用逻辑一条条写下,放到计算机里便尽……”
杨强以TEDxNanjing谈智能的源于

  • 《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:网易有道的老三号工程师写的word2vec之解析文档,从着力的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再至word2vec底各种tricks,公式推导与代码,基本上是网上关于word2vec材料之大合集,对word2vec谢谢兴趣之朋友可以省

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上之各种编程语言学术和买卖的开源软件.与之类似之还有很多像:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是电脑研二(写文章的当儿,现在凡2015年了应当将毕业了),专业方向自然语言处理.这是少数客的阅历的谈.对于入门的恋人或会发出赞助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是相同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内容,在这里发生有之佳内容即是根源机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是一模一样首有关图像分类在深上着的篇章

  • 《自动语音识别:深度上道》

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

  • 《NLP中之国语分词技术》

介绍: 作者是360电商技术组成员,这是平等首NLP在国语分词中之以

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

介绍: 使用deep
learning的人口脸要点检测,此外还有同首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等领域,值得一念。网上公开之几段草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用强深装逼的数学语言形容的矩阵概率不等式用初等的法勾勒出来,是坏好之手册,领域内的paper各种证明还以就此中的结果。虽说是初等的,但还是大之麻烦

  • 《The free big data sources you should
    know》

介绍:
不容错过的免费生数据集,有些已经是驾轻就熟,有些可能要第一不善听说,内容超文本、数据、多媒体等,让她们随同您开始数据正确的一起吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《A Deep Dive into Recurrent Neural
    Nets》

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

  • 《机器上:学习资源》

介绍:里面融合了好多之资源,例如角,在线课程,demo,数据整合等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上之统计基础》在线版,该手册希望在辩论和履行里找到平衡点,各主要内容还陪伴有实在例子及数码,书中之例子程序都是因此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。高但读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒以及福利的人为智能优先研究计划:一查封公开信,目前曾经产生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等丁签The Future of Life
Institute
(FLI).这封信的背景是近日霍金及Elon
Musk提醒人们瞩目AI的秘威胁。公开信的内容是AI科学家们站于便利社会之角度,展望人工智能的前程提高趋向,提出开发AI系统的Verification,Validity,
Security,
Control四触及要求,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的变异从平开始之自家学习,过滤,图像识别,语音识别等看清危险,到第四季的时光起了机通过学习成长之后想操纵世界之状态。说到此处推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了许多资源,还发出连带知识结构,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)开源了一致多元软件库,以援手开发者建立重要命、更快的深上型。开放之软件库在
Facebook 被称为模块。用她替代机械上世界常用的出环境 Torch
中的默认模块,可以以重复少的时光内训练还特别范围之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描写于2012年,但是这首文章完全是作者的更的作。

  • 《如何成为同个数据科学家》

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

  • 《Deep learning from the bottom
    up》

介绍:非常好的深浅上概述,对几栽流行的纵深上型都进行了介绍与讨论

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

介绍:主要是讲述了动R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您知道卷积神经网络,讲解很清晰,此外还有少篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其余的关于神经网络文章也罢生过硬

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一比照上人工智能的书籍,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,他的主页放了有些介绍性文章和课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个就此来很快的统计,机器上以于数据量大之数学库

  • 《ICLR
    2015集会的arXiv稿件合集》

介绍:在此地而可看最近深度上产生啊新势头。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音搜索、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:信息几何法及其于机械上中的施用

  • 《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,相关的法网运用包括预测编码、早期案例评估、案件完全情况的展望,定价与工作人员预测,司法行为预测等。法律领域大家兴许还比陌生,不妨了解下。

  • 《文本上之算法》

介绍:
文中提到了无以复加优质,模型,最大熵等等理论,此外还有以篇。推荐系统可说凡是千篇一律按照是的阅读稿,关于模型还援引一篇Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的打图像生成自然语言描述的工具。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,你可拿狮子大象的照来试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了以Hadoop2.0达成采取深度上,文章来源paypal

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

介绍:用基于梯度下降的方式训练深度框架的实施推荐指导,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: 一个讲机器上的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:
机器学习着之数学,作者的钻方向是机械上,并行计算如果您还惦记打听一些任何的可看他博客的任何文章

  • 《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

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

介绍: CNN用于WEB搜索,深度上以文件计算中的使

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中的公开数据集

  • 《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,号称是快极抢之NLP库,快的原故同样凡为此Cython写的,二是为此了单非常巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields是单数学研究中心,上面的当即卖ppt是缘于Fields举办的活动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经文论文》

介绍: Topic modeling 的经论文,标注了至关重要点

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

介绍:
多伦多大学暨Google合作的初论文,深度上吧得以为此来下围棋,据说会达标六段子水平

  • 《机器上周刊第二意在》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚引进一个纵深上入门与综合资料

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

介绍: 18 free eBooks on Machine Learning

  • 《Recommend :Hang Li
    Home》

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

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

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经用了963首经过分类的深浅上论文了,很多经典论文还早已用

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

介绍: Radim
Řehůřek(Gensim开发者)在同浅机器上聚会及的告知,关于word2vec会同优化、应用以及扩张,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多企业都因此机器上来解决问题,提高用户体验。那么怎么可以让机器上还实时和有效吗?Spark
MLlib 1.2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,最初是为了实时处理他们各半小时1TB的钻数据,现在颁发给大家之所以了。

  • 《LDA入门与Java实现》

介绍:
这是如出一辙首面向工程师的LDA入门笔记,并且提供平等份开箱即用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实现基本组成部分以了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是一个学术搜索引擎,从学网络被开掘深度知识、面向科技不行数目的开掘。收集近4000万作者信息、8000万舆论信息、1亿基本上引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec的趣应用,Omer
Levy提到了他当CoNLL2014顶尖级论文里之解析结果以及新办法,Daniel
Hammack给起了寻找特异词的有点应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的微课程已经归档过了,但是还有个别的消息没有。感谢课程图谱的小编

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个总人口脸图像识别库。包含正面与多视角人数脸检测两个算法.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无比佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加深刻一些。通过全局的泰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)。可以就此来反求每个节点的熏陶系数

  • 《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:
非常深的强调特征选择对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使节能贝叶斯分类器,取得了比SVM更可以的效益,训练以及归类时间呢大大降低——更主要的凡,不必花费大量岁月以习和优化SVM上——特征呢一样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》,对比了统计以及机具上之别

  • 《实例详解机器上怎样化解问题》

介绍:随着大数目时之来临,机器上变成解决问题的平种要且要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的趋向,但是学术界和工业界对机器上的研讨各个出重,学术界侧重于对机器上理论的钻研,工业界侧重于安用机器上来解决实际问题。这篇稿子是美团的实际条件被的实战篇

  • 《Gaussian Processes for Machine
    Learning》

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

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下之文本模糊匹配库,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是依据Theano的神经网络搭建框架,集成相关函数、管道与算法,帮您再度快地创建和保管NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一盼望的机械上入门课程”Introduction to
Machine
Learning“近期正好开拍,课程4K高清视频并到Youtube上,目前刚好更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣之同学可以关注,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联手特征,可更好地表述图片内容相似性。由于不负让人工标签(标注),可用来大规模图片处理,难在用户作为数据的取得和漱口;利用社会化特征的思绪值得借鉴.

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

介绍:Twitter技术团队对前段时间开源之流年序列非常检测算法(S-H-ESD)R包的介绍,其中针对大的概念跟剖析好值得参考,文中也涉嫌——异常是高针对性的,某个圈子支出的不胜检测在其余世界直接用而不行.

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

介绍:聚焦数据质量问题之对答,数据质量对各种框框企业之性及效率还紧要,文中总结发生(不压制)22种典型数据质量问题显现的信号,以及卓越的多少质量解决方案(清洗、去还、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的规范仍机场(CRF)介绍文章,作者的学笔记

  • 《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之依存关系解析器

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

介绍:做深上如何选GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以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年以及主题报告
、讲义.

  • 《Awesome Computer
    Vision》

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

  • 《Adam
    Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一篇有意思的Arxiv文章,作者用Shannon Entropy来写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)并且包含集成学习的构思:组合了BM11跟BM15点儿独模型。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)时间序列的简易介绍,ARMA是研究时序列的显要方法,由从回归模型(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: 把来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:
揭开印度菜之鲜秘诀——通过对大量菜单原料关系的挖,发现印度菜香的因由有是中间的寓意互相冲突,很有意思之文书挖掘研究

  • 《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,最闻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描摹 2)Heaps’ law:
词汇表与语料规模之平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

介绍: Jürgen Schmidhuber在Reddit上之AMA(Ask Me
Anything)主题,有多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。下载最简便的法子,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,在旧的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: 深度上的面面俱到硬件指南,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】在脸部识别达到你自己还是家,即使细微之别呢会识别。研究曾说明人类和灵长类动物在面部加工及不同为其他物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等经计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的健全结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了为此而调试梯度下降和可调节动量法设计与编码经典BP神经网络,网络经过训练可以做出惊人和良的东西下。此外作者博客的另外文章吧要命科学。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的其实使用场景NN选择参考表,列举了有些杰出问题建议采用的神经网络

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

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

  • 《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的无敌回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上齐99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别以及聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的一律篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们在MLlib中的分布式实现,以及显一些粗略的例证并建议该从哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《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,目前可处理中英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》
思路实现.

  • 《神经网络语言模型》

介绍:本文根据神经网络的前行进程,详细讲解神经网络语言模型在依次阶段的款型,其中的范包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等关键变形,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)竞赛优厚方案源码及文档,包括总体的数码处理流程,是学Python数据处理以及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理和图像分析的钻期刊,每篇文章都含有一个算法和相应的代码、Demo和实验文档。文本以及源码是由此了同行评审的。IPOL是开放之对与可再的钻研期刊。我一直怀念做点类似的工作,拉近产品以及技艺之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数快速分类问题.

  • 《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,同步更新参数的状况下中心达线性加速。12块Titan
20小时可以完成Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然于少.但蚊子再小也是肉.有突出部分.此外还有一个由zheng
Rui整理的机上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是相同本自然语言处理的词典,从1998年启幕至眼前攒了无数的专业词语解释,如果您是一样号刚刚入门的朋友.可以借这本词典让投机成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

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

  • 《Fast unfolding of communities in large
    networks》

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

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

介绍: 支持node.js的JS神经网络库,可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,优化理论是机械上的基础,值得深刻学习
国内云(视频)

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:
“面向视觉识别的CNN”课程设计报告集锦.近百首,内容涉嫌图像识别应用的各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做大LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内有热情的爱侣翻译了中文版,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的数量解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文书分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研和Theano的发端测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等人提深度上之新书,还免定稿,线及提供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:好多数量科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目已经开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的艺术为会跟word2vec沾多的机能。另外,无论作者怎么碰,GloVe都比不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着之重要性数学概念.

  • 《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,句子级相关性判断和情感分类效果大好.落实代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编课程为机上(10-715)和中级统计学(36-705),聚焦统计理论以及章程在机械上园地应用.

  • 《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情人一定要看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数量采取》

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,其他的始末可以关心一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术还是机器翻译技术感兴趣之亲们,请在提出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,这个网址有之世界几格外顶会的舆论列表,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,落实代码.

  • 《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:斯坦福的吃水上课程的Projects 每个人都要描绘一个舆论级别的报告
里面有局部可怜有趣的采用 大家好看 .

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

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

介绍:文中涉及的老三篇论文(机器上那些从、无监督聚类综述、监督分类归纳)都格外经典,Domnigos的机上课为深美

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上的概率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近当McGill
University研讨会达成之报,还提供了一样多级讲话机器上方式的ipn,很有价
GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊于机上地方的部分用,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:一个根据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|金融等世界)预测方法.

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析及数目挖掘的票房价值数据结构.

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

介绍:机器上在导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp

介绍:{swirl}数据训练营:R&数据对在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上与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:大数据处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机上,境内镜像.

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

介绍:以往上千行代码概率编程(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录取论文列表,大部分论文而应用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之重中之重性.

  • 《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:最醒目入门指南,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进入自己的博客主页

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图