机械上和深上材料

  • 《Brief History of Machine
    Learning》

介绍:这是一律首介绍机器上历史的篇章,介绍好全面,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》本综述的特征是盖时排序,从1940年开称起,到60-80年间,80-90年间,一直称到2000年晚同近年来几乎年的进行。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:这是平等份python机器上库,如果您是平员python工程师而且想深入的学习机器学习.那么这篇稿子或能帮到你.

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

介绍:这无异首介绍如果计划和管理属于您自己之机器上类的篇章,里面提供了管住模版、数据管理与履行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还免知晓呀是机械上,或虽然是刚刚上感觉到老枯燥乏味。那么推荐一读。这首文章就为翻译成中文,如果起趣味可以走http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上之显要语言,有许多之恋人想深造R语言,但是接连忘记一些函数和根本字之义。那么就首文章或能帮及公

  • 《Choosing a Machine Learning
    Classifier》

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

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

介绍:深度上概述:从感知机到深网络,作者对于例子的挑三拣四、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>这是平等以机器上的小册子,
短短300几近页道尽机器学习之方方面面. 图文并茂, 生动易懂,
没有同垛坨公式的烦恼. 适合新手入门打基础, 也切合老手温故而知新.
比打MLAPP/PRML等大部头,
也许这按照你重新需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上及统计上理论》

介绍:作者是缘于百度,不过他本人就以2014年4月份报名离职了。但是就篇稿子特别不利如果您无亮堂深度上和支持为量机/统计上理论来啊关联?那么应该这看看就首文章.

  • 《计算机对中的数学》

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

  • 《信息时代的电脑科学理论(Foundations of Data
    Science)》

介绍:信息时代的微处理器是理论,目前境内来纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是均等依由雪城大学新编的亚本《数据是入门》教材:偏实用型,浅显易懂,适合想上学R语言的同班选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是一律篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20独问题,内容连TAOCP,P/NP问题,图灵机,逻辑,以及为什么大神不用电邮等等。

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

介绍:不见面统计怎么收拾?不懂得哪选择当的统计模型怎么惩罚?那就篇稿子你的大好读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了一如既往篇有关automatic
statistician的篇章。可以活动选择回归模型类别,还会自行写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上与representation learning最新进展发趣味的校友可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是均等比照信息寻找相关的书,是由斯坦福Manning同谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美顶让欢迎之信息搜索教材有。最近作者多了该课程的幻灯片和作业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10张精彩的图来诠释机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清楚

  • 《雅虎研究院的多少集汇总》

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

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

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且在2014年一月曾经开课:https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习资料汇集是总揽为机械上新家推荐的上乘学习资源,帮助新家快速入门。而且这篇稿子的介绍就给翻译成中文版。如果你稍微熟悉,那么自己建议您先押一样押中文的介绍。

  • My deep learning reading
    list

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

  • Cross-Language Information
    Retrieval

介绍:这是如出一辙以书籍,主要介绍的是跨语言信息搜索方面的学问。理论很多

  • 探索推荐引擎内部的黑,第 1 片段:
    推荐引擎初探

介绍:本文共有三只系列,作者是缘于IBM的工程师。它主要介绍了引进引擎相关算法,并拉扯读者很快的实现这些算法。
追究推荐引擎内部的地下,第 2 组成部分: 深度推荐引擎相关算法 –
协同过滤,探索推荐引擎内部的心腹,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学系助手教授David
Mimno写的《对机器上新家的某些提议》,
写的良实在,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码

介绍:这是千篇一律遵照关于分布式并行处理的多寡《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参考下

  • 《“机器上”是啊?》

介绍:【“机器上”是啊?】John
Platt是微软研究院独立科学家,17年来他直以机器上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定举办博客,向群众介绍机器上的研究进展。机器上是啊,被采用在哪?来拘禁Platt的当下首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经被6月21-26日在国家会着力繁华举办。本次大会由微软亚洲研究院同清华大学共主办,是此富有30基本上年历史并著名世界的机上园地的盛会首不良来中国,已成功吸引世界1200大多各类专家的报名与。干货很多,值得深刻上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子要是为Learning to
Rank为条例说明企业界机器上的现实性用,RankNet对NDCG之类不灵活,加入NDCG因素后化作了LambdaRank,同样的思考从神经网络改也利用至Boosted
Tree模型就水到渠成了LambdaMART。Chirs
Burges,微软的机上大神,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
另外,Burges还有许多闻名的代表作,比如:A Tutorial on Support Vector
Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本课程将阐述无监督特征上与深上之重中之重观点。通过学习,你吧以实现多只力量上/深度上算法,能顾其为卿办事,并上如何运用/适应这些想法到新题材达到。本课程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),如果你不熟悉这些想法,我们建议乃错过这里机器上课程,并优先形成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面都来python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果要了理解,需要肯定的机上基础。不过小地方会让人口前一样亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是一致首介绍图像卷积运算的章,讲的早已算是比较详细的了

  • 《Machine Learning Summer
    School》

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

  • 《Awesome Machine
    Learning》

介绍:一个特级完整的机械上开源库总结,如果你认为此碉堡了,那后面是列表会更让你好奇:【Awesome
Awesomeness】,国内都发热心的爱侣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、斯坦福大学处理器系Chris
Manning教授的《自然语言处理》课程有视频都好以斯坦福公然课网站上来看了(如Chrome不行,可用IE观看)
作业及试验也可下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费在线书,已经勾勒了三回了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的佛法。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台和开源之机械上库,按照大数额、NLP、计算机视觉和Deep
Learning分类开展了整。看起很全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太核心的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多早晚困惑人们还是,很多算法是平像样算法,而有点算法又是起旁算法中延长出来的。这里,我们从少只地方来受大家介绍,第一个点是学的主意,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你曾经知晓了凡呀内容,没错。里面来许多经文的机上论文值得仔细跟数的阅读。

  • 《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:总结了机器上之藏图书,包括数学基础与算法理论的书本,可做吗入门参考书单。

  • 《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。不多己建议你看罢一准又下充斥同准。

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

介绍:标题很挺,从新手到大方。不过看罢上面装有素材。肯定是师了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的慌多,而且我就帮你找手拉手了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上体系,用来缓解预测方面的问题,比如
YouTube 的视频推荐。

  • 《Deep
    Learning》

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

  • 《Neural Network & Text
    Mining》

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

  • 《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:这又是一律篇机器上新师的入门文章。值得一朗诵

  • 《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 & 机器求学 &
    数据挖掘兵器谱》

介绍:python的17独关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此间神乎其神的伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后每当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级,每级需要上学之读本以及操纵的知。这样,给机器学习者提供一个上扬的门路图,以免走弯路。另外,整个网站都是有关机器上的,资源非常丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经验资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是千篇一律比照来自小的研究员 li Peng和Dong
Yu所显示的有关深度上之方与用的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机器上夏季课刚刚结束
有近50钟头之视频、十多单PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13叫讲师都是牛人:包括充分牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大规模机器上系统》

介绍:在当年底IEEE/IFIP可靠系统以及网(DSN)国际会及,Google软件工程师Tushar
Chandra做了一个关于Sibyl系统的主题发言。
Sibyl是一个监督式机器上体系,用来化解预测方面的题目,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客上大概地介绍了她们当年参加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。如果不是颇绝望可看概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友问伯克利机器上大牛、美国夹院士Michael I.
Jordan:”如果您有10亿美金,你怎么花?Jordan:
“我会见就此当下10亿美金建造一个NASA级别的自然语言处理研究型。”

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有一些别样的机器上和数量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上无比让欢迎之25独文件和数码挖掘视频汇总

  • 《怎么选深度上之GPUs》

介绍:在Kaggle上经常得是成绩的Tim
Dettmers介绍了外自己是怎么选择深度上的GPUs,
以及个人怎么样构建深度上之GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机械上爱好者非常热心的将这个课程翻译成了中文。如果你英语不好,可以看看是

  • 《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(就比如那个数量)。其实过多丁还还未晓呀是深浅上。这首文章由浅入深。告诉您深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学做的一模一样免费课程(很勉强),这个可以于你于深上之路上让您一个学的笔触。里面涉及了有些中心的算法。而且告诉你如何去下至实际条件遭到。中文版

  • 《Toronto Deep Learning
    Demos》

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

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是内容需要出自然之底子。

  • 《R工具包的分类集中》

介绍: (CRAN Task Views,
34栽常见任务,每个任务而分别分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多更变量分析,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:
机器学习的是眼下数码解析世界的一个香内容。很多总人口于平常底干活遭到还或多还是遗失会为此到机械上之算法。本文也而总结一下周边的机械上算法,以供你在劳作暨习中参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

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

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列之(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列的(七)

DeepLearning(深度上)学习笔记整理系列之(八)

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

介绍:传送理由:Rob Fergus的之所以深度上做计算机是苏的NIPS 2013科目。有mp4,
mp3,
pdf各种下载
他是纽约大学讲授,目前吧于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支的开源中文自然语言处理(NLP)工具保管
Fudan
NLP里含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等力量,对找引擎
文本分析等远有价。

  • 《Open Sourcing
    ml-ease》

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

  • 《机器上周刊》

介绍:对于英语不好,但又杀怀念上学机器上之心上人。是一个颇的福利。机器上周刊目前任重而道远提供中文版,还是面向广大国内爱好者,内容涉及机械上、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》的显要数学先导课程。其实《线代》这宗课称得浅显易懂特别非便于,如果一致直达来即使出言逆序数及陈行列式性质,很易受学员去学习的志趣。我个人推举的超级《线性代数》课程是麻省理工Gilbert
Strang教授的教程。
课程主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了同等称呼来本古里怎么大学之访问学者,制作了平等法关于机器上的多级视频课程。本课程并分为7期,详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等正规机器上算法的争辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着特别数目时,量子机器上的第一独试验 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)通过杀数量手段+机器上方式破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定在12独账号,下载了婚恋网站2万阴用户的600万题材答案,对他们进行了统计抽样及聚类分析(图2,3),最后竟得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开拍,该课属于MIT研究生级别的课程,对机器人和非线性动力系统感兴趣之爱侣不妨可以挑战一下随即宗学科!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源*
《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年初步当微机对的舆论中受引述次数最多的论文

  • 《InfiniTAM:
    基于深度图像的样式数据并框架》

介绍:把当年之一个ACM Trans. on Graphics
(TOG)论文被的代码整理为一个开源之算法框架,共享出来了。欢迎大家使用。可以实时的采集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会见延续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好上她?可以于你在浏览器中,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉你,最佳技巧是,当您从头勾画代码,一切以变得一清二楚。他刚颁布了一致照书籍,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

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

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

介绍:使用Neo4j
做电影评论的情分析。

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

介绍:不仅是材料,而且还针对有些材料做了诠释。

  • 《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:机器上教会了我们什么?

  • 《scikit-learn:用于机器上之Python模块》

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

  • 《对话机器上大神Michael
    Jordan:解析领域中各类模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上园地神经网络的大牛,他针对性纵深上、神经网络有着不行深切的兴味。因此,很多叩问的问题屡遭隐含了机械上园地的各类模型,乔丹教授对准之一一做了诠释以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*觅是人为智能基本算法,用于高效地寻找图被少触及之特等路径,
核心是 g(n)+h(n):
g(n)是自起点到顶点n的实际上代价,h(n)大凡顶点n到对象顶点的估价代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档以了Microsoft Azure,可以在几乎分割种内成功NLP on Azure
Website的布局,立即开始针对FNLP各种特色的试用,或者以REST
API的样式调用FNLP的言语分析功能

  • 《吴立德《概率主题模型&数据对基础》》

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

  • 《机器上入门资源不净集中》》

介绍:好东西的干货真的多

  • 《收集从2014年起深度上文献》

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

  • 《EMNLP上点滴首关于股票方向的以论文

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

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深上一丝很牛Bengio组写的科目,算法深入显出,还有实现代码,一步步展开。

  • 《学习算法的Neural Turing Machine

介绍:许多传统的机器上任务都是以念function,不过谷歌目前发始上学算法的样子。谷歌另外的就篇学习Python程序的Learning
to
Execute呢产生相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的识别上之采用,此外还有点儿只。一个凡是甄别垃圾和虚假消息之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,数据挖掘感兴趣之人。

  • 《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的壮大,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:讲计算机视觉的季总统奇书(应该为经典吧)之一,另外三随是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最新的推荐系统文章Browsemaps》

介绍:里面基本没有干到具体算法,但笔者介绍了CF在LinkedIn的博以,以及她们以做推荐过程中赢得的有经验。最后一长达经验是应当监控log数据的质,因为推荐的质地大倚重数据的质地!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初学者如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上及好数量构建对话系统

介绍:如何使用深度上与生数额构建对话系统

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

介绍:Francis Bach合作之有关稀疏建模的新概括(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及在图像和视觉及之以,而且率先组成部分关于Why does
the l1-norm induce sparsity的说明吗酷不错。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上中重大之概念,其于large
margin分类器上的利用为是广为熟知的。如果没比好之数学基础,直接了解RKHS可能会见正确。本文由着力运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同校对于机器上及深度上之迷惑在于,数学方面已经大约了解了,但是动于手来可无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与机上课程,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:本文会了千篇一律尽最流行的机器上算法,大致了解什么措施可用,很有赞助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有许多有关机器上、信号处理、计算机视觉、深入学习、神经网络等世界的大气源代码(或只是尽代码)及连锁论文。科研写论文的好资源

  • 《NYU
    2014年之纵深上课程资料》

介绍:NYU 2014年之深上课程资料,有视频

  • 《计算机视觉数据集不了集中》

介绍:计算机视觉数据集不完全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数挖掘十十分经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单深深的类型

  • 《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、视频语义分析世界得到了科研与工程达标的突破,发的文章未多,但每个都异常扎实,在各国一个题目上都形成了state-of-art.

  • 《Andrej
    Karpathy的纵深加深学习演示》

介绍:Andrej
Karpathy的深度加深学习演示,论文在此地

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是均等各英国生的算计机学家和心理学家,以该以神经网络方面的献闻名。辛顿是相反朝传播算法和对待散度算法的发明人之一,也是深浅上的积极向上推动者.

  • 《自然语言处理的深度上理论和实际》

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事实上》教学讲座的幻灯片

  • 《用老数目与机器上做股票价格预计》

介绍: 本文基于<支持于量机的再三限价订单的动态建模>采用了 Apache
Spark和Spark
MLLib从纽约股票交易所的订单日志数据构建价格移动预测模型。(股票来高风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上之多少争辩问题》

介绍:徐宗本
院士将吃爱机器上之伴联手追有关于机器上的几乎单理论性问题,并吃起有些有义之定论。最后经一些实例来验证这些理论问题之情理意义以及事实上利用价值。

  • 《深度上以自然语言处理的采用》

介绍:作者还显得有《这就是是寻找引擎: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”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数据构建的几率统计模型并下模型对数码进行前瞻及剖析的一模一样宗科学,统计上为改成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之目标是对准计算机编程,以便利用样本数量要以往的更来解决给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能和机械上园地有趣的开源项目》

介绍:部分国语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有雷同篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了相同首超赞的数值优化博文,从牛顿法讲到拟牛顿法,再出口到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上道概述(一)》

介绍:还有续集显然深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数目与机具上之整合》

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以及deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并以实际比中比调参数与清数据。
如果既装过gensim不要遗忘升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这文章说将多年来型识别及之突破用至围棋软件上,打16万张业棋谱训练模型识别功能。想法是。训练后即能成功永不计算,只拘留棋盘就深受闹下一致步,大约10级棋力。但立刻首文章最过乐观,说啊人类的最终一块堡垒马上快要跨越掉了。话说得最好早。不过,如果跟别的软件做该还有潜力可开。@万精油墨绿

  • 《NIPS审稿实验》

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

  • 《2014年最佳的异常数目,数据是文章》

介绍:KDNuggets分别总结了2014年14只阅读最多与享受最多之稿子。我们从中可以看来多单主题——深度上,数据科学家职业,教育以及薪酬,学习数据是的工具比如R和Python以及民众投票的无比受欢迎之数码正确与数码挖掘语言

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

介绍:Python实现线性回归,作者还来外特别过硬的章援引可省

  • 《2014中国充分数据技术大会33各项中心专家发言PDF》

介绍:2014中华那个数目技术大会33个中心专家发言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在情感分析效益不错,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前凡是空的)。这意味Paragraph
Vector终于揭秘面纱了嘛。

  • 《NLPIR/ICTCLAS2015分开词系大会上之技艺演讲

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

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的倒为求导及练习》

介绍:介绍CNN参数在运bp算法时该怎么训练,毕竟CNN中来卷积层和下采样层,虽然同MLP的bp算法本质上同样,但形式达到还是有点区别的,很扎眼以就CNN反往传播前询问bp算法是要的。此外作者吧召开了一个资源集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果要是当同样首文章被匹配配十万个基本点词怎么惩罚?Aho-Corasick
算法利用上加了回去边的Trie树,能够当线性时间外完成匹配。
但如果匹配十万单正则表达式呢 ?
这下可据此到把多只刚则优化成Trie树的法子,如日本总人口形容的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

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

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现的开源人工神经网络库

介绍:LambdaNetLambdaNet是出于Haskell实现之一个开源之人工神经网络库,它抽象了网创建、训练并使用了高阶函数。该库还提供了同样组预定义函数,用户可采用多种方结合这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

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

  • 《杨强在TEDxNanjing谈智能的根源》

介绍:”人工智能研究分众门。其中某为IBM为表示,认为只要出胜过性能计算就可得智能,他们的‘深蓝’击败了世道象棋冠军;另一样门户认为智能来自动物本能;还生个坏强之派别认为只要找来专家,把她们之思用逻辑一条条写下,放到计算机里就是执行……”
杨强在TEDxNanjing谈智能的来源于

  • 《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:网易有道的老三员工程师写的word2vec底解析文档,从中心的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再届word2vec底各种tricks,公式推导与代码,基本上是网上有关word2vec材料的大合集,对word2vec感谢兴趣之情侣可望

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机器上的各种编程语言学术和商的开源软件.与这类似的还有许多像:[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:作者是计算机研二(写文章的时节,现在凡是2015年了相应将毕业了),专业方向自然语言处理.这是某些他的涉的谈.对于入门的爱人或会时有发生帮扶

  • 《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情,在此地发出一部分的美好内容就是是来源于机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是一致篇有关图像分类在深上着的文章

  • 《自动语音识别:深度上方法》

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

  • 《NLP中之汉语分词技术》

介绍: 作者是360电商技术组成员,这是一样首NLP在中文分词中之运用

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

介绍: 使用deep
learning的人数脸要点检测,此外还有一样首AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人口编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界多牛文,涉及CV、NLP等领域,值得一诵读。网上公开之几章节草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用大深装逼的数学语言形容的矩阵概率不等式用初等的主意勾勒出来,是充分好之手册,领域外之paper各种证明还在用其中的结果。虽说是初等的,但要挺的难以

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费杀数据集,有些已是驾轻就熟,有些可能要第一差听说,内容过文本、数据、多媒体等,让他俩随同您起来数据对的同吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的讨论递归神经网络的文章,覆盖了RNN的概念、原理、训练及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还闹同篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了累累底资源,例如角,在线课程,demo,数据整合等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望于答辩同实施里找到平衡点,各要内容都陪有实在例子及数量,书中之事例程序都是用R语言编写的。

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

介绍:IVAN VASILEV写的吃水上导引:从浅层感知机到深网络。高可读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒同便利的人工智能优先研究计划:一查封公开信,目前都出Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等丁签字The Future of Life
Institute
(FLI).这封信的背景是近年来霍金同Elon
Musk提醒人们注意AI的机要威胁。公开信的内容是AI科学家们站于有利于社会之角度,展望人工智能的前程进步大方向,提出开发AI系统的Verification,Validity,
Security,
Control四点要求,以及需要留意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究比较少。其实还有同管辖美剧《疑犯追踪》,介绍了AI的多变从同开始之自家学习,过滤,图像识别,语音识别等判断危险,到第四季的早晚起了机械通过学习成长之后想操纵世界之状态。说及这边推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了成千上万资源,还发生连带文化结构,路线图,用时长等。号称是”机器上“搜索引擎

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

介绍:Facebook人工智能研究院(FAIR)开源了同样名目繁多软件库,以帮开发者建立更特别、更快之深度上型。开放的软件库在
Facebook 被喻为模块。用它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:本文虽然是写给2012年,但是这篇文章完全是作者的涉的作。

  • 《如何成为同各数据科学家》

介绍:本文是针对性《机器上实战》作者Peter
Harrington做的一个访谈。包含了书写被一些的疑点解答和一些私房学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好之深浅上概述,对几乎种流行的纵深上型都开展了介绍和议论

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

介绍:主要是叙了使R语言进行数据挖掘

  • 《Understanding
    Convolutions》

介绍:帮您了解卷积神经网络,讲解很清楚,此外还有点儿篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的外的关于神经网络文章为不行硬

  • 《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:一本上人工智能的书,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E.
    Hinton个人主页》

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了一部分介绍性文章和课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个之所以来快速的统计,机器上以对数据量大的数学库

  • 《ICLR
    2015议会的arXiv稿件合集》

介绍:在此而可观看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、网络信息寻找、搜索引擎实现等方面有关的图书、研究为主、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪里法及其于机上着之行使

  • 《Legal Analytics – Introduction to the
    Course》

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

  • 《文本上的算法》

介绍:
文中涉嫌了极端美妙,模型,最大熵等等理论,此外还有用篇。推荐系统可以说凡是一模一样按照科学的阅读稿,关于模型还推荐一首Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的由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自带了一个教练好的动物模型,你可以拿狮子大象的相片来试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了在Hadoop2.0达到运用深度上,文章来源paypal

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

介绍:用基于梯度下降之不二法门训练深度框架的施行推荐指导,作者是Yoshua
Bengio
.感谢@xuewei4d 推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计以及报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个出口机器上之Youtube视频教程。160集结。系统程度跟书可比拟。

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

介绍:
机器学习中的数学,作者的钻研方向是机器上,并行计算如果你还眷恋询问一些别样的足看看外博客的其他文章

  • 《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句的挑三拣四

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

介绍: CNN用于WEB搜索,深度上在文件计算中之动

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的公开数据集

  • 《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,快的原故同样凡因此Cython写的,二是故了单好巧妙的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凡只数学研究中心,上面的这卖ppt是来Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经典论文》

介绍: Topic modeling 的藏论文,标注了要点

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

介绍:
多伦多大学跟Google合作的新论文,深度上吧得以就此来下围棋,据说会达标六截水平

  • 《机器上周刊第二期待》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外还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的舆论库已经用了963首经过分类的深上论文了,很多经论文还已经用

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

介绍: Radim
Řehůřek(Gensim开发者)在相同涂鸦机器上聚会及之语,关于word2vec会同优化、应用及扩充,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多商行都因此机器上来化解问题,提高用户体验。那么怎么好给机器上还实时和行之有效吗?Spark
MLlib 1.2内部的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是以实时处理他们各半小时1TB的钻研数据,现在宣告于大家于是了。

  • 《LDA入门与Java实现》

介绍:
这是平等首面向工程师的LDA入门笔记,并且提供平等份开箱即用Java实现。本文就记录基本概念与原理,并无涉公式推导。文中的LDA实现核心组成部分应用了arbylon的LdaGibbsSampler并力所能够跟地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学搜索引擎,从学网络被挖潜深度知识、面向科技特别数据的挖。收集近4000万作者信息、8000万论文信息、1亿几近引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec之妙趣横生应用,Omer
Levy提到了外以CoNLL2014极品论文里的分析结果以及初办法,Daniel
Hammack给起了搜索特异词的有些应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然里的微课程就归档过了,但是还有个别的消息并未。感谢课程图谱的小编

  • 《A First Course in Linear
    Algebra》

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

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

  • 《Inverting a
    Steady-State》

介绍:WSDM2015尽佳论文
把马尔可夫链理论用在了图分析者,比相似的propagation
model更加深厚一些。通过全局的稳定性分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之震慑系数影响)。可以为此来反求每个节点的熏陶系数

  • 《机器上入门书单》

介绍:机器上入门书籍,切实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常高的强调特征选择对分类器重要性的篇章。情感分类中,根据互信息对复杂高维特征降维再利用节能贝叶斯分类器,取得了比SVM更美好的效力,训练及归类时间呢大大降低——更要的凡,不必花费大量日以习和优化SVM上——特征呢如出一辙no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上怎么缓解问题》

介绍:随着大数目时的到来,机器上变成解决问题之一律栽要且主要的工具。不管是工业界还是学术界,机器上都是一个炙手可热的矛头,但是学术界以及工业界对机械上之研讨各个出厚,学术界侧重于对机械上理论的钻研,工业界侧重于怎样用机器上来化解实际问题。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、高斯模型与任何模型关系、大数据集的薄方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是因Theano的神经网络搭建框架,集成相关函数、管道与算法,帮您还快地创造与管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一意在的机器上入门课程”Introduction to
Machine
Learning“近期刚好开拍,课程4K高清视频并到Youtube上,目前刚刚更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣的同校可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的共同特征,可还好地表述图片内容相似性。由于不负让人工标签(标注),可用以大规模图片处理,难在用户作为数据的获与洗涤;利用社会化特征的笔触值得借鉴.

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

介绍:Twitter技术团队对前段时间开源之日序列非常检测算法(S-H-ESD)R包的介绍,其中针对特别的概念跟剖析好值得参考,文中也涉——异常是赛针对性的,某个世界支出之生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应对,数据质量对各种框框企业的性能与频率还主要,文中总结出(不杀)22种植典型数据质量问题表现的信号,以及卓越的数目质量解决方案(清洗、去重新、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之尺度仍机场(CRF)介绍文章,作者的攻笔记

  • 《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:做深度上怎么样抉择GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上之报,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年同主题报告
、讲义.

  • 《Awesome Computer
    Vision》

介绍:
分类整理的机器视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的换代频率也甚频繁

  • 《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来形容NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三个影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习之思:组合了BM11和BM15个别个模型。4)作者是BM25的倡导者和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简易介绍,ARMA是钻时序列的基本点措施,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

介绍: 把自target的attention signal加入source encoding
CNN的输入,得到了比BBN的型好的多neural network joint model

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

介绍:
揭开印度菜之美味秘诀——通过对大量菜单原料关系的发掘,发现印度菜香的缘故有是里的意味互相冲突,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)词频与该降序排序的涉嫌,最著名的凡语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对甚高频以及大低频词的勾勒 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上的AMA(Ask Me
Anything)主题,有成千上万RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您也会受益匪浅.

  • 《学术种子网站:AcademicTorrents》

介绍:
成G上T的学问数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简便的道,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,在初的Cheat
Sheet基础及加上了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的通盘硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在颜识别及您自我还是大方,即使细微的反差吗能辨识。研究都证实人类同灵长类动物在脸加工及差于任何物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等通过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的统筹兼顾结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调剂梯度下降和可调节动量法设计以及编码经典BP神经网络,网络经过训练可以做出惊人和精美的事物下。此外作者博客的其它文章也大科学。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的其实运用场景NN选择参考表,列举了一部分名列前茅问题建议下的神经网络

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

介绍:一个深度上型,提供了Python, C/C++, Java, Scala, Go多只版的代码

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

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的等同篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们以MLlib中的分布式实现,以及展示一些简的事例并提议该打哪儿达手.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进化进程,详细讲解神经网络语言模型在相继阶段的形式,其中的模子包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重点变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新研究:利用文本及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优化方案源码及文档,包括完全的数量处理流程,是读Python数据处理和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研讨期刊,每篇文章还包含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是开放之不错和可再次的研究期刊。我一直惦记做点类似之工作,拉近产品及技巧中的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数量快速分类问题.

  • 《purine2》

介绍:新加坡LV实验室之神经网络并行框架Purine: A bi-graph based deep
learning
framework,支持构建各种互动的架,在多机多卡,同步创新参数的动静下中心达标线性加速。12片Titan
20钟头可以形成Googlenet的教练。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然于少.但蚊子再小也是肉.有凸起部分.此外还有一个由zheng
Rui整理的机械上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是千篇一律论自然语言处理的词典,从1998年开头到目前攒了成百上千的正规化词语解释,如果你是相同各刚刚入门的朋友.可以借这仍词典让自己成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年届今日之竞数据,用PageRank计算世界杯参赛球队排名榜.

  • 《R
    Tutorial》

介绍:R语言教程,此外尚推荐一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

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

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化以及自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上之本,值得深刻上
国内云(视频)

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

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

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

介绍: 基于深度上之大都标签分类,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,它目前托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内有热心的对象翻译了中文版,大家呢可以在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数目挖掘文章.

  • 《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: 非常强劲的Python的多少解析工具包.

  • 《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的启测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等人口说深度上的新书,还无定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language
    processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多多少科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目就开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的法门吗会和word2vec到手多的效益。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深度上与自然语言处理课程,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,句子级相关性判断和感情分类效果挺好.兑现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编制课程为机上(10-715)和中级统计学(36-705),聚焦统计理论及方式在机械上园地应用.

  • 《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朋友一定要看看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数目运用》

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,其他的情节可以关注一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或机器翻译技术感兴趣的亲们,请以提出自己牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有此小圈子几万分顶会的论文列表,切不可断章取义,胡乱假设.

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

介绍:论文+代码:基于集成方法的Twitter情感分类,实现代码.

  • 《NIPS 2014 CIML
    workshop》

介绍:NIPS CiML 2014的PPT,NIPS是神经信息处理系统进展大会的英文简称.

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福的纵深上课程的Projects 每个人还要写一个舆论级别之报告
里面有部分颇有趣的运 大家好看看 .

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

介绍:R语言线性回归多方案速度比较现实方案包括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(机器上那些事、无监督聚类综述、监督分类归纳)都生经典,Domnigos的机器上课为够呛优异

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上的票房价值理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近于McGill
University研讨会及的报告,还提供了平等层层讲话机器上道的ipn,很有价
GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊在机器上方面的片采取,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的推荐系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

介绍:基于Yelp数据集的开源情感分析工具较,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分析以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&数据对在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春学期CMU的机械上课程,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器上,境内镜像.

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

介绍:以往上千执行代码概率编程(语言)实现就需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,另外一个,此外还引进《A
new data processing workflow for R: dplyr, magrittr, tidyr,
ggplot2》.

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted
    paper》

介绍:国际人工智能联合会议选定论文列表,大部分论文而运Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的主要性.

  • 《Distributed (Deep) Machine Learning
    Common》

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

  • 《Reinforcement Learning: An
    Introduction》

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

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

介绍:免费书写:Azure ML使用精要.

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

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

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

介绍:有趣之机上:最强烈入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

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

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

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