betway必威机上及深度上资料。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:这是相同首介绍机器上历史之章,介绍很周到,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:这是一致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到自由森林、Deep
Learning.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的新星版本《神经网络与深度上综述》本综述的特点是为时间排序,从1940年初步出口起,到60-80年间,80-90年份,一直称到2000年晚以及近年来几年的拓展。涵盖了deep
learning里各种tricks,引用非常全面.

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》

介绍:这是一模一样卖python机器上库,如果你是千篇一律号python工程师而且想深入的攻机器学习.那么就篇稿子或会拉及你.

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

介绍:这同样首介绍如果计划及管制属于您自己之机器上类的文章,里面提供了管理模版、数据管理以及实施方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还未掌握啊是机械上,或则是刚刚上感觉到不可开交枯燥乏味。那么推荐一念。这篇稿子已给翻译成中文,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语言是机上之关键语言,有诸多底冤家想读R语言,但是接连忘记一些函数和重点字之义。那么就首文章或会拉及你

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠怎么抉择机器上算法,这篇稿子于直观的比了Naive
Bayes,Logistic
Regression,SVM,决策树等方法的高低,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了底版:http://www.52ml.net/15063.html

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

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

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

介绍:<机器上及优化>这是同一据机器上之小册子,
短短300差不多页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有一样垛坨公式的烦恼. 适合新手入门打基础, 也可老手温故而知新.
比由MLAPP/PRML等大部头,
也许就本你又要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上与统计上理论》

介绍:作者是来自百度,不过他自我曾于2014年4月份申请离职了。但是就首文章特别科学如果你莫懂得深度上及支持为量机/统计上理论有什么关联?那么该这看看这首文章.

  • 《计算机科学中之数学》

介绍:这本书是出于谷歌公司与MIT共同出品的处理器对中的数学:[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

  • 《信息时代的微机科学理论(Foundations of Data
    Science)》

介绍:信息时代的微处理器是理论,目前国内来纸质书购买,iTunes购买

  • 《Data Science with R》

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

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是同篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20单问题,内容连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:不见面统计怎么处置?不明了什么样选适用的统计模型怎么惩罚?那立首文章你的佳绩读一读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同一篇有关automatic
statistician的稿子。可以活动选择回归模型类别,还会半自动写报告…

  • 《ICLR 2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是平本信息搜索相关的书籍,是由于斯坦福Manning跟谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最好给欢迎之信息搜索教材之一。最近作者多了该科目的幻灯片和作业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

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

  • 《雅虎研究院的数据集汇总》

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

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

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

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习资料汇集是据为机械上新家推荐的上乘学习资源,帮助新家快速入门。而且这篇文章的介绍就给翻成中文版。如果你有点熟悉,那么我提议您先押无异扣押中文的介绍。

  • My deep learning reading
    list

介绍:主要是沿着Bengio的PAMI
review的稿子找出来的。包括几按综述文章,将近100篇论文,各位山头们的Presentation。全部且得以google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是平按部就班图书,主要介绍的凡跨语言信息寻找方面的文化。理论很多

  • 探讨推荐引擎内部的机密,第 1 有些:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是缘于IBM的工程师。它要介绍了引进引擎相关算法,并赞助读者很快之落实这些算法。 追推荐引擎内部的暧昧,第
2 有的: 深度推荐引擎相关算法 –
协同过滤,探讨推荐引擎内部的密,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有关助手教授David
Mimno写的《对机器上新师的某些提议》,
写的不得了实在,强调实行和辩论结合,最后还引述了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的多寡

介绍:这是平以有关分布式并行处理的数目《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年来他直在机械上园地耕耘。近年来机器上变得炙手可热,Platt和共事们遂决定办博客,向群众介绍机器上的研究进展。机器上是啊,被应用在何?来拘禁Platt的马上篇博文

  • 《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)已经于6月21-26日于国会中心繁华举办。本次大会由微软亚洲研究院和清华大学协同主办,是这有30大多年历史并著名世界之机上园地的盛会首糟赶到中国,已成吸引世界1200基本上各类专家的报名参与。干货很多,值得深入上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首稿子主要是为Learning to
Rank为例说明企业界机器上的现实用,RankNet对NDCG之类不灵动,加入NDCG因素后化作了LambdaRank,同样的思从神经网络改呢利用及Boosted
Tree模型就水到渠成了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一曰得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文也: From
RankNet to LambdaRank to LambdaMART: An
Overview除此以外,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:本课程将阐述无监控特征上与深上的关键观点。通过上,你也拿落实多独职能学/深度上算法,能收看它们也而工作,并上怎样以/适应这些想法及新题材上。本学科假定机器上之基本知识(特别是驾轻就熟的监督上,逻辑回归,梯度下降之想法),如果您切莫熟识这些想法,我们建议乃错过这里机器上课程,并事先得第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已经有python版本了 UFLDL
Tutorial Code

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

介绍:这卖文档来自微软研究院,精髓多。如果需要全明白,需要肯定之机上基础。不过小地方会面给丁面前同样亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是一律篇介绍图像卷积运算的篇章,讲的都算是比较详细的了

  • 《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FQ)

  • 《Awesome Machine
    Learning》

介绍:一个顶尖级完整的机械上开源库总结,如果您道是碉堡了,那后是列表会另行给你惊叹:【Awesome
Awesomeness】,国内已来热心的恋人进行了翻译华语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学处理器系Chris
Manning教授的《自然语言处理》课程有视频已经得以于斯坦福公然课网站上视了(如Chrome不行,可用IE观看)
作业和试验也得下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费在线书,已经写了三回了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning 爱好者的教义。

  • 《Java Machine
    Learning》

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

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太中心的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多时节困惑人们都是,很多算法是一模一样近似算法,而有些算法又是起另算法中延长出的。这里,我们于简单个点来为大家介绍,第一单方面是读书之艺术,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你曾经知晓了凡呀内容,没错。里面来成千上万藏的机器上论文值得仔细跟一再的翻阅。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机械上之藏图书,包括数学基础和算法理论的书本,可开呢入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16本机器上的电子书,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按还下充斥同论。

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

介绍:标题非常死,从新手到大家。不过看了上面装有资料。肯定是大家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的慌多,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。

  • 《Neural Network & Text
    Mining》

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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实践人检测

  • 《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:这还要是一致首机器上新学者的入门文章。值得一念

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17只有关机器上之工具

  • 《神奇的伽玛函数(上)》

介绍:下集在此处神奇的伽玛函数(下)

  • 《分布式机器上的故事》

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后以google任研究。这首文章王益博士7年来起谷歌到腾讯对于分布机器上的见闻。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,每级需要学习之教科书及摆布的学问。这样,给机器学习者提供一个提高的路线图,以免走弯路。另外,整个网站还是关于机器上之,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:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一模一样依照来自小的研究员 li Peng和Dong
Yu所著的关于深度上之主意以及动用之电子书

  • 《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
有守50小时的视频、十多只PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13叫作讲师都是牛人:包括好牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大规模机器上系统》

介绍:在当年底IEEE/IFIP可靠系统与网(DSN)国际会议达到,Google软件工程师Tushar
Chandra做了一个关于Sibyl系统的主题发言。
Sibyl是一个监督式机器上体系,用来化解预测方面的问题,比如YouTube的视频推荐。详情请看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他们当年在座ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。

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

介绍:贝叶斯学习。如果未是坏干净可看概率编程语言及贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友问伯克利机器上大牛、美国偶院士Michael I.
Jordan:”如果您产生10亿美金,你怎么花?Jordan:
“我会见就此这10亿美金建造一个NASA级别的自然语言处理研究项目。”

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有部分旁的机上与数量挖掘文章和纵深上文章,不仅是辩论还有源码。

  • 《文本及数码挖掘视频汇总》

介绍:Videolectures上最为被欢迎之25只文本及数挖掘视频汇总

  • 《怎么挑深度上之GPUs》

介绍:在Kaggle上时常得正确成绩的Tim
Dettmers介绍了他好是怎么选深度上的GPUs,
以及民用怎么构建深度上之GPU集群: http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

介绍:还有2,3部分。http://blog.sina.com.cn/s/blog_46d0a3930101gs5h.html

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机上爱好者很热心的将此课程翻译成了中文。如果你英语不好,可以看看这

  • 《Deep Learning 101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就比如非常数量)。其实过多人口都还无晓呀是深浅上。这篇稿子由浅入深。告诉你深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学举行的相同免费课程(很勉强),这个得叫你当深度上的途中吃您一个读书之笔触。里面涉及了片基本的算法。而且告诉您怎么错过下及骨子里条件被。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个纵深上用来甄别图片标签/图转文字的demo。是一个其实运用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是情节需出得的基础。

  • 《R工具包的归类集中》

介绍: (CRAN Task Views,
34种植常见任务,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,多重复变量分析,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:
机器学习的是眼前多少解析世界的一个热内容。很多人以平常的办事着都还是多或者丢失会因此到机械上之算法。本文也公总结一下大的机器上算法,以供您于干活同上学中参考.

  • 《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一点只系列。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科目。有mp4,
mp3,
pdf各种下载 他是纽约大学讲授,目前呢于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出的开源国语自然语言处理(NLP)工具包
Fudan
NLP里含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功效,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,但与此同时挺想念上学机器上之爱侣。是一个坏的便宜。机器上周刊目前着重提供中文版,还是面向广大国内爱好者,内容涉嫌机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的要数学先导课程。其实《线代》这门课称得浅显易懂特别不爱,如果同样臻来即谈逆序数及陈行列式性质,很容易被学生去学习之兴趣。我个人推举的极品《线性代数》课程是麻省理工Gilbert
Strang教授的课程。 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。很赞之资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了同一名叫来本古里怎么大学的访问学者,制作了一样效仿关于机器上之多级视频课程。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答辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对大数额时代,量子机器上之第一个试验 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单账号,下载了恋爱网站2万女用户之600万题材答案,对他们进行了统计抽样及聚类分析(图2,3),最后竟获得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

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

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源* 《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年启幕在电脑科学的舆论中于引用次数最多的论文

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

介绍:把当年底一个ACM Trans. on Graphics
(TOG)论文被的代码整理也一个开源之算法框架,共享出来了。欢迎大家以。可以实时的集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会连续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好读书她?可以让你当浏览器被,跑起深度学习效果的超酷开源项目ConvNetJS笔者karpathy告诉你,最佳技巧是,当你从头勾画代码,一切将转移得清。他刚刚宣布了一致以图书,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

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

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

介绍:使用Neo4j 做影视评论的情分析。

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

介绍:不仅是材料,而且还针对有些资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了我们什么?

  • 《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:解析领域中各项模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上世界神经网络的大牛,他针对性纵深上、神经网络有着不行浓的兴趣。因此,很多叩的题材备受蕴含了机器上世界的号模型,乔丹教授对准是一一做了讲与展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*招来是人造智能基本算法,用于高效地搜索图中有数触及的特级路线,
核心是 g(n)+h(n):
g(n)是自起点到顶点n之骨子里代价,h(n)凡是顶点n到目标顶点的量代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档动了Microsoft Azure,可以当几乎分种内就NLP on Azure
Website的布置,立即开始对FNLP各种特色的试用,或者以REST
API的样式调用FNLP的言语分析功能

  • 《吴立德《概率主题模型&数据科学基础》

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

  • 《机器上入门资源不完全集中》

介绍:好东西的干货真的多

  • 《收集从2014年初始深度上文献》

介绍:从硬件、图像及正规、生物、大数据、生物信息重新到量子计算等,Amund
Tveit等保护了一个DeepLearning.University小类:收集从2014年始深度上文献,相信可以用作深度上之起点,github

  • 《EMNLP上有数首有关股票方向的采用论文

介绍:EMNLP上一丁点儿篇有关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:作者是深度上一丝特别牛Bengio组写的科目,算法深入显出,还有实现代码,一步步展开。

  • 《学习算法的Neural Turing Machine

介绍:许多风俗的机械上任务都是于习function,不过谷歌目前发初步读算法的自由化。谷歌另外的这篇学习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关于信息寻找和自然语言处理的文章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的鉴别上之动,此外还有个别单。一个是辨垃圾和假信息之paper.还发生一个凡纱舆情及其分析技术

  • 《R机器学习实践》

介绍:该课程是网易公开课的收款课程,不贵,超级福利。主要适合吃对用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替机上算法实现的演变:第一替代非分布式的,
第二替代工具而Mahout和Rapidminer实现基于Hadoop的扩展,第三替如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析与机具视觉》

介绍:讲计算机视觉的季部奇书(应该于经典吧)之一,另外三遵照是Hartley的《多图几何》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的引荐系统文章Browsemaps》

介绍:里面基本无提到到具体算法,但作者介绍了CF在LinkedIn的不在少数采取,以及她们在举行推荐过程遭到得到的有的经历。最后一长达经验是该监控log数据的品质,因为推荐的质很倚重数据的质地!

  • 《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

  • 《利用深度上及那个数量构建对话系统

介绍:如何利用深度上及老数据构建对话系统

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

介绍:Francis Bach合作的关于稀疏建模的新综合(书):Sparse Modeling for
Image and Vision Processing,内容涉及Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像及视觉上的利用,而且首先有些有关Why does
the l1-norm induce sparsity的说明为大科学。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上中关键的定义,其以large
margin分类器上之以也是广为熟知的。如果没有于好之数学基础,直接了解RKHS可能会见不错。本文由基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同班对机器上及深度上的疑惑在于,数学方面已大约了解了,但是动于手来也休知晓哪下手写代码。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:本文会了千篇一律全副最盛的机上算法,大致了解什么措施可用,很有辅助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有过多有关机器上、信号处理、计算机视觉、深入学、神经网络等领域的汪洋源代码(或可尽代码)及相关论文。科研写论文的好资源

  • 《NYU
    2014年的深度上课程资料》

介绍:NYU 2014年的吃水上课程资料,有视频

  • 《计算机视觉数据集不净集中》

介绍:计算机视觉数据集不完全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:多少挖掘十死经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单非常过硬的档次

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州大学欧文分校为机上社区保安着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标的突破,发的文章不多,但每个都生朴实,在列一个问题上且得了state-of-art.

  • 《Andrej
    Karpathy的深加深学习演示》

介绍:Andrej
Karpathy的吃水加深学习演示,论文在这里

  • 《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是一模一样位英国生之测算机学家和心理学家,以该在神经网络方面的献闻名。辛顿是倒转为传来算法和自查自纠散度算法的发明人之一,也是深上之主动推进者.

  • 《自然语言处理的吃水上理论及事实上》

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

  • 《用特别数额及机具上做股票价格预计》

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

  • 《关于机器上的若干驳斥问题》

介绍:徐宗本
院士将被爱机器上的同伙一起探索有关于机器上之几只理论性问题,并让出部分发义之定论。最后经过有实例来证明这些理论问题之情理意义与实际用价值。

  • 《深度上以自然语言处理的应用》

介绍:作者还显得有《这就是是摸索引擎:核心技术详解》一题,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与业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其应用”研讨会PPT》

介绍:第十二届中国”机器上及其应用”研讨会PPT

  • 《统计机器上》

介绍:统计上是有关电脑基于数构建的票房价值统计模型并运用模型对数据开展预测与分析的平门户是,统计上为化为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的对象是本着电脑编程,以便利用样本数量还是以往之更来缓解给定的问题.

  • 《CIKM 2014主题报告的幻灯片》

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

  • 《人工智能和机器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写了千篇一律首超赞的数值优化博文,从牛顿法讲到拟牛顿法,再道到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上方式概述(一)》

介绍:还有续集明显深度上方法概述(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
”边学边用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,并在实际上比之中比调参数与清数据。
如果已经装过gensim不要忘记升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这文章说管多年来型识别及之突破用到围棋软件达到,打16万摆放业棋谱训练模型识别功能。想法是。训练后即亦可就永不计算,只看棋盘就吃来下一样步,大约10级棋力。但眼看首文章最过乐观,说啊人类的尾声一块堡垒马上将过掉了。话说得无比早。不过,如果与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,根据这次试验的结果,如果今年NIPS重新审稿的话语,会出一半的论文被拒。

  • 《2014年超级的大数量,数据正确文章》

介绍:KDNuggets分别总结了2014年14单阅读最多同享受最多的篇章。我们从中可以视多个主题——深度上,数据科学家职业,教育与薪酬,学习数据对的家伙比如R和Python以及群众投票的不过给欢迎的数码科学与数量挖掘语言

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

介绍:Python实现线性回归,作者还发生其他异常过硬的章援引可望

  • 《2014华充分数额技术大会33各项中心专家发言PDF》

介绍:2014华夏很数目技术大会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在感情分析效益不错,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前凡拖欠的)。这意味着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终于揭开面纱了呗。

  • 《NLPIR/ICTCLAS2015划分词系大会上的技术演讲

介绍:NLPIR/ICTCLAS2015分叉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色搜索技术研究 李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的倒往求导及练习》

介绍:介绍CNN参数在动用bp算法时该怎么训练,毕竟CNN中发生卷积层和下采样层,虽然和MLP的bp算法本质上等同,但花样达到还是略区别的,很醒目以做到CNN反朝传来前询问bp算法是必须的。此外作者也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:如果要于平首文章被匹配配十万独举足轻重词怎么收拾?Aho-Corasick 算法利用上加了归来边的Trie树,能够在线性时间外形成匹配。
但如果匹配十万单正则表达式呢 ?
这上可据此到管多只刚刚则优化成Trie树的道,如日本人口形容的 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Haskell实现之一个开源的人工神经网络库,它抽象了网络创建、训练并以了高阶函数。该库还提供了扳平组预定义函数,用户可使用多方法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:如果你从互联网搜寻,在线广告,用户作为分析,图像识别,自然语言理解,或者生物信息学,智能机器人,金融展望,那么就宗核心课程你必须深入了解。

  • 《杨强于TEDxNanjing谈智能的发源》

介绍:”人工智能研究分众宗。其中某为IBM为表示,认为一旦发生大性能计算就可落智能,他们的‘深蓝’击败了世道象棋冠军;另一样派系认为智能来自动物本能;还发出只深强之门认为一旦找来家,把他们的思想用逻辑一条条写下,放到计算机里即使实行……”
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的辨析文档,从中心的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再到word2vec的各种tricks,公式推导与代码,基本上是网上关于word2vec素材的大合集,对word2vec谢谢兴趣之情侣可看看

  • 《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商业的开源软件.与此类似之还有许多如:[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:作者是电脑研二(写稿子的时刻,现在是2015年了当将毕业了),专业方向自然语言处理.这是一些异的经历的谈.对于入门的意中人或者会发帮带

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是如出一辙首关于机器上算法分类的章,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多情,在此间有一部分的优异内容即是根源机器上日报.

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

介绍:这是平篇有关图像分类在深度上中的章

  • 《自动语音识别:深度上道》

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

  • 《NLP中之华语分词技术》

介绍: 作者是360电商技术组成员,这是同等篇NLP在国语分词中的用

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

介绍: 使用deep
learning的人口脸要点检测,此外还有平等篇AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等丁编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG ,汇集了结构化预测世界过多牛文,涉及CV、NLP等世界,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把数学家用高深装逼的数学语言形容的矩阵概率不等式用初等的点子勾勒出来,是杀好之手册,领域外的paper各种证明还当就此中的结果。虽说是初等的,但要么颇的麻烦

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费杀数据集,有些已经是驾轻就熟,有些可能要第一软听说,内容超文本、数据、多媒体等,让他俩随同你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的纵深上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

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

  • 《机器上:学习资源》

介绍:里面融合了好多底资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上之统计基础》在线版,该手册希望在辩论和履行里找到平衡点,各主要内容都陪有实在例子及数码,书中之事例程序还是故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:从浅层感知机到深度网络。高只是读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒和便利之人工智能优先研究计划:一封公开信,目前早已生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签约The Future of Life
Institute
(FLI).这封信的背景是近年霍金和Elon
Musk提醒人们注意AI的密威胁。公开信的情是AI科学家等站在方便社会的角度,展望人工智能的前景迈入大势,提出开发AI系统的Verification,Validity,
Security,
Control四点要求,以及需要注意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究于少。其实还有平等部美剧《疑犯追踪》,介绍了AI的多变从平开始的自我学习,过滤,图像识别,语音识别等判断危险,到第四季的下出现了机械通过上成才之后想操纵世界的状态。说到这里推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了广大资源,还起相关知识结构,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)开源了扳平雨后春笋软件库,以助开发者建立重可怜、更快之深浅上型。开放的软件库在
Facebook 被号称模块。用它们替代机械上园地常用的支付环境 Torch
中之默认模块,可以于重缺乏的工夫内训练还要命局面之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描摹给2012年,但是这篇稿子完全是作者的涉的作。

  • 《如何成为同位数据科学家》

介绍:本文是针对性《机器上实战》作者Peter
Harrington做的一个访谈。包含了书被有些的谜解答和一些私有学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的纵深上概述,对几乎栽流行的深度上型都进行了介绍和议论

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

介绍:主要是描述了利用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮你明白卷积神经网络,讲解很鲜明,此外还有点儿首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的别的有关神经网络文章也罢特别棒

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一据学习人工智能的书本,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,他的主页放了有的介绍性文章与课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个所以来飞的统计,机器上而于数据量大之数学库

  • 《ICLR
    2015集会的arXiv稿件合集》

介绍:在这里你可以看最近深度上有啊新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在消息搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表 ,收录了消息寻找、网络消息寻找、搜索引擎实现等地方相关的书、研究中心、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:信息几哪法及其在机械上中之采用

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规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、案件完全情况的展望,定价以及工作人员预测,司法行为预测相当。法律领域大家莫不还比较陌生,不妨了解下。

  • 《文本上的算法》

介绍:
文中提到了极理想,模型,最大熵等等理论,此外还有用篇。推荐系统可说凡是一致仍对的阅读稿,关于模型还推荐一篇Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的自图像生成自然语言描述的工具。它实现了Google
(Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei, CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个教练好之动物模型,你可以拿狮子大象的照片来试试看看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了于Hadoop2.0齐使深度上,文章来源paypal

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

介绍:用基于梯度下降的点子训练深度框架的行推荐指导,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: 一个张嘴机器上的Youtube视频教程。160集合。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,作者的研讨方向是机械上,并行计算如果你还惦记打听一些其它的得望外博客的其余文章

  • 《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选项

  • 《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利用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中的明数据集

  • 《Search Engine & Community》

介绍: 一个学搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快最好抢之NLP库,快的由同样凡是用Cython写的,二凡为此了只深巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍: Fields大凡个数学研究中心,上面的立刻卖ppt是源于Fields举办的运动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的藏论文》

介绍: Topic modeling 的经文论文,标注了重大点

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

介绍:
多伦多大学与Google合作之初论文,深度上啊足以用来下围棋,据说能够及六段落水平

  • 《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的舆论库已经选定了963首经过分类的吃水上论文了,很多藏论文都早已用

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

介绍: Radim
Řehůřek(Gensim开发者)在平软机器上聚会及之喻,关于word2vec会同优化、应用和扩展,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多商家都为此机器上来解决问题,提高用户体验。那么怎么可以给机器上再实时和有效呢?Spark
MLlib 1.2间的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们各半钟头1TB之钻研数据,现在揭晓于大家之所以了。

  • 《LDA入门与Java实现》

介绍:
这是同一篇面向工程师的LDA入门笔记,并且提供平等客开箱即用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实现中心组成部分应用了arbylon的LdaGibbsSampler并力所能够及地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science Platform》

介绍:
AMiner是一个学搜索引擎,从学术网络被挖潜深度知识、面向科技特别数目的发掘。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上之主题,讨论Word2Vec之妙趣横生应用,Omer
Levy提到了外于CoNLL2014顶尖论文里的剖析结果与初点子,Daniel
Hammack给有了搜寻特异词的多少应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的粗课程就归档过了,但是还有个别的信息没有。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年的信教

  • 《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只算法.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在了图分析者,比相似的propagation
model更加浓厚一些。通过全局的安定分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之熏陶系数影响)。可以为此来反求每个节点的影响系数

  • 《机器上入门书单》

介绍:机器上入门书籍,现实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常硬的强调特征选择针对性分类器重要性的稿子。情感分类中,根据互信息对复杂高维特征降维再下节能贝叶斯分类器,取得了比SVM更尽善尽美之机能,训练和分类时间也大大降低——更要的凡,不必花费大量年华以念与优化SVM上——特征呢同等no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和计算机有关知名教授Larry Wasserman
在《机器崛起》,对比了统计和机器上之距离

  • 《实例详解机器上怎么解决问题》

介绍:随着大数目时之赶到,机器上变成化解问题之一模一样种植要且要之家伙。不管是工业界还是学术界,机器上都是一个炙手可热的自由化,但是学术界以及工业界对机器上的研讨各个有珍惜,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。这首文章是美团的莫过于条件遭受的实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和外模型关系、大数据集的逼方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

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

  • 《Introduction to Machine
    Learning》

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

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的共特征,可另行好地表达图片内容相似性。由于匪靠让人工标签(标注),可用于大规模图片处理,难在用户作为数据的抱和洗涤;利用社会化特征的思路值得借鉴.

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

介绍:Twitter技术团队针对前段时间开源之年华序列非常检测算法(S-H-ESD)R包的介绍,其中对那个的概念和分析好值得参考,文中也关系——异常是强针对性的,某个圈子支出之非常检测以任何世界直接用而不行.

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

介绍:聚焦数据质量问题的对答,数据质量对各种层面企业的特性及频率还要,文中总结出(不压制)22种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,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的法仍机场(CRF)介绍文章,作者的就学笔记

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

介绍: 来自Stanford,用神经网络实现快速准确的依存关系解析器

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

介绍:做深上怎样挑选GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上之语,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年与主题报告 、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!作者的创新频率也不行频繁

  • 《Adam Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建与部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一篇有意思的Arxiv文章,作者用Shannon Entropy来描写NLP中各项任务的难度.

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息搜索排序模型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单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)并且带有集成学习之想想:组合了BM11跟BM15鲜单模型。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)时间序列的简约介绍,ARMA是研讨时序列的要紧方式,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

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

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

介绍:
揭开印度菜肴的鲜秘诀——通过对大气菜谱原料关系之发掘,发现印度菜肴香的因之一是中间的含意互相冲突,很风趣的文件挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐华语分词之HMM模型详解

  • 《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)引入参数修正了对甚高频同特别低频词的抒写 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

介绍: Jürgen Schmidhuber在Reddit上之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。下载最简便的点子,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基础及长了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的全面硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在面部识别达到你本身都是大家,即使细微的差别也会分辨。研究已证明人类同灵长类动物在颜加工及差于其它物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经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无微不至组合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了用而调节梯度下降与可调节动量法设计及编码经典BP神经网络,网络经过训练可以做出惊人和优异的物出来。此外作者博客的另外文章为格外不利。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实在利用场景NN选择参考表,列举了有典型问题建议以的神经网络

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

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

  • 《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的有力回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上达标99.63%准确率(新记录),FaceNet
embeddings可用来人脸识别、鉴别以及聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的同篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们当MLlib中的分布式实现,以及显一些简练的例证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,提供论文和兑现代码.

  • 《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,目前只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腾飞历程,详细讲解神经网络语言模型在挨家挨户阶段的形式,其中的范包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重大变形,总结的专门好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新研:利用文本和可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优厚方案源码及文档,包括完整的数据处理流程,是上学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)是图像处理及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和尝试文档。文本和源码是经过了同行评审的。IPOL是开之不利及可再次的研究期刊。我一直想做点类似的劳作,拉近产品和技巧之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密多少快速分类问题.

  • 《purine2》

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

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然较少.但蚊子再聊也是肉.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高达的主题报告材料,用Scikit-Learn做监督上的入门例子.

  • 《The Natural Language Processing
    Dictionary》

介绍:这是千篇一律论自然语言处理的词典,从1998年开至即积淀了不少的标准词语解释,如果您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迅猛算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即根据此.

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化以及人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上之基业,值得深入上 国内云(视频)

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

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

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它目前托管在sourceforge上面

  • 《Data Journalism Handbook》

介绍: 免费电子书《数据新闻手册》,
国内发出热心的心上人翻译了中文版,大家为得以在线阅读

  • 《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的上马测试体会报告.

  • 《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等人提深度上的新书,还无定稿,线达提供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:好多数目科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种曾经开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的法子呢克与word2vec获得多的效用。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:机器上中的重要性数学概念.

  • 《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,句子级相关性判断与感情分类功能非常好.兑现代码.

  • 《Statistical Machine
    Learning》

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

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

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

  • 《生物医学的SPARK大数目以》

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

  • 《ACL Anthology》

介绍:对自然语言处理技术或机器翻译技术感兴趣之亲们,请以提出好牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有这个圈子几万分顶会的舆论列表,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,贯彻代码.

  • 《NIPS 2014 CIML workshop》

介绍:NIPS CiML 2014之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 每个人犹设描写一个舆论级别之报告
里面来一对挺风趣的下 大家可望 .

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

介绍:R语言线性回归多方案速度较具体方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

介绍:文中提到的老三首论文(机器上那些事、无监督聚类综述、监督分类归纳)都生经典,Domnigos的机器上课为生理想

  • 《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研讨会达成的晓,还提供了平等层层讲话机器上方式的ipn,很有价 GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊在机器上地方的一些采取,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的引荐系统.

  • 《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数据集的开源结分析工具于,评测覆盖Naive
Bayes、SentiWordNet、CoreNLP等 .

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析和数码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&数据是在线交互教程.

  • 《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:大数量处理课.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:以往上千实施代码概率编程(语言)实现就待50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,除此以外一个,此外尚推荐《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起用论文列表,大部分舆论而使Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之根本性.

  • 《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:有趣的机械上:最引人注目入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

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

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

  • 《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。他掌管设计以及兑现之Arnetminer是境内领先的图挖掘系统,该系统啊是基本上只集会的支持商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习之国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半监督上,multi-label学习及合学习方面当列国及发生必然之熏陶力.

  • 《国内机器上算法和应用领域人物篇:王海峰》

介绍:信息寻找,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:吴军博士是现阶段Google中日韩文搜索算法的显要设计者。在Google其间,他领导了多研发型,包括广大及中文相关的活以及自然语言处理的品种,他的初个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

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

介绍:如何评价机器上型系列文章,How to Evaluate Machine Learning
Models, Part 2a: Classification
Metrics,How
to Evaluate Machine Learning Models, Part 2b: Ranking and Regression
Metrics.

  • 《Building a new trends
    experience》

介绍:Twitter新trends的中心实现框架.

  • 《Storm Blueprints: Patterns for Distributed Real-time
    Computation》

介绍:Storm手册,国内有中文翻译版本,谢谢作者.

  • 《SmileMiner》

介绍:Java机器上算法库SmileMiner.

  • 《机器翻译学术论文写作方法和技艺》

介绍:机器翻译学术论文写作方法和技能,Simon Peyton Jones的How to write a
good research
paper同类视频How
to Write a Great Research
Paper,how to paper
talk.

  • 《神经网络训练中之Tricks之迅捷BP(反向传播算法)》

介绍:神经网络训练中的Tricks之迅速BP,博主的其它博客也酷漂亮之.

  • 《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足,推荐新入门的爱人阅读.

  • 《The h Index for Computer Science

介绍:UCLA的Jens Palsberg根据Google
Scholar建立了一个处理器领域的H-index牛人列表,我们耳熟能详的各个领域的大牛绝大多数都当榜上,包括1位诺贝尔奖得主,35各图灵奖得主,近百个美国工程院/科学院院士,300多员ACM
Fellow,在这边推荐的由是大家可以google通过查找牛人的名字来抱更多的资源,这卖材料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

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

  • 《Bayesian
    analysis》

介绍:
这是千篇一律慢慢悠悠贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册出250大抵页,虽然R语言
已经起像样之项目,但毕竟可以长一个可选项.

  • 《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:图像指纹的重复识别,作者源码,国内翻译版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用之局信息汇总.应用领域包括:自动帮助驾驶及交通管理、眼球和头部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和验证、医药和海洋生物、移动设备目标识别及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/深度上的数目向量化工具Canova,github,
支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文件为量化.

  • 《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讲解了有些机上技能,如SVM,NB,PCA,DT,以及特色工程、特征选择以及模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的短平快机器上,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:深度上在充分数据解析世界的动和挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费之机上及数学书籍,除此之外还来外的免费编程书,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能很快到位训练之大(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上的推介系统导论(Introduction to Recommender
Systems)公开课.

  • 《Stanford Machine
    Learning》

介绍:Andrew Ng经典机器上课程笔记.

  • 《ICLR
    2015》

介绍:ICLR
2015见闻录,博客的其余机器上文章也不错.

  • 《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的新星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),类型地址,此外推荐相关神经图灵机算法.

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

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

  • 《Mining of Massive Datasets》

介绍:”Mining of Massive Datasets”发布第二版本,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、降维和广大机器上三章,电子版依旧免费.

  • 《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:白话数据挖掘十良算法.

  • 《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:面向数据新闻之文件挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用大网图片合成延时视频(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——从数及文化:版权的思维,[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的数额可视化建议.

  • 《Decoding Dimensionality Reduction, PCA and
    SVD》

介绍:解读数据降维/PCA/SVD.

  • 《Supervised learning superstitions cheat
    sheet》

介绍:IPN:监督上方式言传身教/对比参考表,覆盖logistic回归, 决策树, SVM, KNN,
Naive Bayes等方法.

  • 《DopeLearning: A Computational Approach to Rap Lyrics
    Generation》

介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.

  • 《An Introduction to Random
    Indexing》

介绍:随机索引RI词空间模型专题.

  • 《VDiscover》

介绍:基于机器上之狐狸尾巴检测工具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上能于4上外用GoogLeNet训练到68.7%之top-1以及89.0%底top-5准确率。和和也dmlc项目的cxxnet相比,采用动态数据流引擎,提供再多灵活性。未来用同cxxnet一起组成呢mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉与模式识别会议paper.

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

介绍:Netflix工程总监眼中的分类算法: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整理了各家技术有关论文.

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

介绍:基于Caffe的增速深度上系统CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练及)存储.

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

介绍:新书预览:模型机学习.

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

 此外推荐Introduction to Bandits: Algorithms and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

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

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

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

介绍:Andrew
Ng关于深度上/自学习/无监控特征上的告诉,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过隐秘知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向经济数据的真情实意分析工具.

  • 《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的雅量(7亿+)网页聚类.

  • 《NAACL 2015 Proceedings on ACL
    Anthology》

介绍:NAACL 2015 论文papers.

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

介绍:机器上预测股市的七单问题.

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

介绍:神经网络学习材料推荐.

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

介绍:面向序列上之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:矩阵和多少的轻易算法(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
是冲Scipy为机械上建筑的底一个Python模块,他的风味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。而且也设计出了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个受机器上钻研简单化的冲Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个为HTM学习算法为工具的机智能平台。HTM是皮肤的准确计算方式。HTM的基本是依据时间之缕缕学习算法和储存与注销的时空模式。NuPIC适合给各种各样的题材,尤其是检测好及展望的流动多少来源。

  • 《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。它使用Python语言中的scikit-learn
工具箱和有些进展展望建模,分类,解码,连通性分析的应用程序来开展多重的统计。

  • 《PyBrain》

介绍:Pybrain是依据Python语言强化学习,人工智能,神经网络库底简称。
它的靶子是提供灵活、容易用以强大的机器上算法和进行多种多样的预定义的条件遭到测试来比较你的算法。

  • 《Pattern》

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

  • 《Fuel》

介绍:Fuel为公的机械上型提供数据。他生一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这类似数据集的接口。你以外来由此杀多种之不二法门来取代自己的数额。

  • 《Bob》

介绍:Bob是一个免费的信号处理及机器上之家伙。它的工具箱是用Python和C++语言共同编制的,它的筹划目的是换得更便捷又减少开支时间,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汪洋软件包构成的。

  • 《Skdata》

介绍:Skdata是机器上与统计的数据集的库程序。这个模块于玩具问题,流行的计算机视觉和自然语言的数据集提供标准的Python语言的施用。

  • 《MILK》

介绍:MILK是Python语言下之机器上工具包。它最主要是在很多而收获的归类比如SVMS,K-NN,随机森林,决策树被运用监督分类法。
它还实行特征选择。
这些分类器在多上面彼此结合,可以形成不同之比如说无监控上、密切关系金传播和由MILK支持的K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个留意让干抽取的开源性信息抽取工具。它至关重要针对的凡需要针对大型数据集进行信息提取的用户以及想要尝试新的算法的科学家。

  • 《Quepy》

介绍:Quepy是经变更自然语言问题因此以数据库查询语言中展开查询的一个Python框架。他得略的为定义也在自然语言和数据库查询中不同类别的问题。所以,你不用编码就好成立你协调的一个于是自然语言进入而的数据库的体系。现在Quepy提供于Sparql和MQL查询语言的支撑。并且计划将其延伸至任何的数据库查询语言。

  • 《Hebel》

介绍:Hebel是当Python语言中对此神经网络的吃水上的一个库程序,它以的凡通过PyCUDA来进展GPU和CUDA的加速。它是无比重大之神经网络模型的品类的家伙又会提供一些异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:它是一个由于中的家伙及平凡数据是任务的壮大组成的一个库程序。

  • 《nolearn》

介绍:这个序包容纳了大量能够对您完了机器上任务有拉的实用程序模块。其中大量的模块和scikit-learn一起坐班,其它的一般还产生因此。

  • 《Ramp》

介绍:Ramp是一个以Python语言下制定机器上中加快原型设计之化解方案的库程序。他是一个轻型的pandas-based机器学习中只是插入的框架,它现存的Python语言下之机械上及统计工具(比如scikit-learn,rpy2等)Ramp提供了一个粗略的声明性语法探索效能因此能很快有效地实施算法和转换。

  • 《Feature
    Forge》

介绍:这无异名目繁多工具通过跟scikit-learn兼容的API,来创造与测试机上效果。这个库程序提供了一如既往组工具,它见面让您以诸多机械上程序行使受到深受用。当你用scikit-learn这个家伙时,你见面觉得到丁了非常十分之拉。(虽然当时只有会以您有差的算法时打作用。)

  • 《REP》

介绍:REP是为同等种和谐、可再生的点子吗指挥数据移动驱动所提供的一样种植环境。它发一个合的分类器包装来供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且其可当一个群体为平行的不二法门训练分类器。同时其吗提供了一个交互式的情。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机上建筑的简软件收集。

  • 《Python-ELM》

介绍:这是一个于Python语言下基于scikit-learn的顶学习机器的贯彻。

  • 《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:预测模型的老三只方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度上与自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015高达Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上机关发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上的辨析

 

 

  • 《Deep Learning in Neural Networks: An
    Overview》

机械上(Machine Learning)&深度上(Deep Learning)资料(Chapter 2)

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的最新版本《神经网络与深度上综述》本综述的特色是为时日排序,从1940年始发出口起,到60-80年份,80-90年代,一直说到2000年后以及近年来几乎年的拓。涵盖了deep
learning里各种tricks,引用非常全面.

注:机器上材料篇目一共500条,篇目二起更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
期望转载的情人,你得毫不联系我.但是必定要保存原文链接,因为这个类别还于连续为于无定期更新.希望见到文章的朋友会模拟到还多.此外:某些材料在神州访问需要梯子.
  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

  • 《Proceedings of The 32nd International Conference on Machine
    Learning》

介绍:ICML2015
论文集,优化4单+稀疏优化1只;强化学习4只,深度上3独+深度上计算1个;贝叶斯非参、高斯过程以及上理论3单;还有划算广告和社会选择.ICML2015
Sessions.

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28暨IEEE计算机视觉和模式识别(CVPR)大会在美国波士顿做。微软研究员们以大会上展示了比较过去更快又准的处理器视觉图像分类新模型,并介绍了哪运用Kinect等传感器实现在动态或者低光环境之短平快大规模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/库的归纳/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:深度上之“深”——DNN的隐喻分析.

  • 《Mixture Density
    Networks》

介绍:混合密度网络.

  • 《Interview Questions for Data Scientist
    Positions》

介绍:数据科学家职位面试题.

  • 《Accurately Measuring Model Prediction
    Error》

介绍:准确评估模型预测误差.

  • 《Continually updated Data Science Python
    Notebooks》

介绍:Continually updated Data Science Python Notebooks.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《The Eyescream Project NeuralNets dreaming natural
    images》

介绍:来自Facebook的图像自动生成.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《A Neural Conversational Model》

介绍:(Google)神经(感知)会话模型.

  • 《The 50 Best Masters in Data
    Science》

介绍:The 50 Best Masters in Data Science.

  • 《NLP常用信息资源》

介绍:NLP常用信息资源.

  • 《Conditional Random Fields as Recurrent Neural
    Networks》

介绍:语义图像分割的真相演示,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,型代码.

  • 《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:基于三头培方法的文书流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础和最新进展.

  • 《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的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)机器上的时同挑战.

  • 《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:来自雅虎的机器上小组关于在线Boosting的舆论 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20个极端热门之开源(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的风行篇章《深度上》,Jürgen
Schmidhuber的时评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的预计分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

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

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

介绍:读了就100首论文
就会成大数据高手,境内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体与公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写于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将通告只是扩大/自动调整参贝叶斯推理神经网络.

  • 《An Empirical Exploration of Recurrent Network
    Architectures》

介绍:面向上下文感知查询建议之层系递归编解码器.

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

介绍:GPU上冲Mean-for-Mode估计的快捷LDA训练.

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

介绍:从实验室到工厂——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个经数据集(及另外100单列表).

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

介绍:Google面向机器视觉的深学习.

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

介绍:构建预测类应用时如何选机器上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,此外推荐分类算法的实证比较分析.

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

介绍:CMU(ACL 2012)(500+页)面向NLP基于图的一半监理上到底法.

  • 《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/政治与实时预测的机器学习.

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

介绍:Stanford社交网络以及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的敏捷深度学习.

  • 《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:这是同一篇有关百度文章《基于深度上的图像识别进展:百度的多执行》的摘要,建议少首稿子做起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机械上技术.

  • 《Training Recurrent Neural
    Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的灰色区域:可解释性问题,中文版.

  • 《Machine Learning Libraries in GoLang by
    Category》

介绍:Golang 实现的机上库资源聚合总.

  • 《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的纵深上技术以及技巧.

  • 《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:这是一律随机器上的电子书,作者Max
Welling儒在机器上教学方面有丰富的经历,这本开小然精致.

  • 《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:介绍个愿总结暨翻译机器上与电脑视觉类资料之博客,包含的始末:Hinton的CSC321课程的总结;Deep
Learning综述;Notes on
CNN的下结论;python的法则总结;Theano基础知识和练总结;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:深度上以语音合成最新进展产生哪些?推荐MSRA的Frank
Soong老师关于语音合成的深度上方法的拍照和幻灯片与同谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data Science》

介绍:新书(可免费下载):数据科学的点子

  • 《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所写,算是不过广为认知的机械上读本有,内容覆盖到,难度中达成,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:这首论文荣获EMNLP2015之特等数据/资源奖优秀奖,号的推特数据集

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

介绍:作者以深上之思考.

  • 《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“机器上和几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教书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,适合对机器上理论有趣味之同桌选读

  • 《Machine Learning
    Checklist》

介绍:机器上习清单

  • 《NLP界有什么样神级人物?》

介绍:知乎上面的同篇有关NLP界有怎么样神级人物?提问。首推Michael Collins

  • 《机器上温和指南》

介绍:机器上与NLP专家、MonkeyLearn联合创始人&CEO Raúl
Garreta面向初学者大体概括使用机器上过程被的第一概念,应用程序和挑战,旨在为读者会继承找机器上知识。

  • 《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: 无需开深度上就是能够因此之分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊多少以及众包Mechanical
Turk上,实现了来自彩票和处理之建制,以收集用户指向成品的愿意购买价格(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:来自伯克利分校的泛机器学习.

  • 《机器上资料十分集中》

介绍:来自52ml底机械上材料大汇总.

  • 《Automatic
    Summarization》

介绍:这按照开之犯者McKeown凡2013年世界首单数据科学院(位于哥伦比亚大学)主任,她也凡ACL、AAAI和ACM
Fellow .

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

介绍:EMNLP-15文本摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上长达到4小时之告诉,共248页,是针对性推荐系统提高的平等涂鸦到综合,其中尚包Netflix在个性化推荐方面的片段更介绍.

  • 《BigData Stream
    Mining》

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

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras深度上框架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集群上之大分布式机器学习.

  • 《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余标注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的任监督特征上,Ross Goroshin’s
webpage.

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

介绍:谷歌研究院Samy Bengio等丁近来描绘的RNN的Scheduled
Sampling训练方法论文.

  • 《Essential Machine Learning Algorithms in a
    nutshell》

介绍:机器上为主算法简要入门.

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

介绍:Github机器学习/数学/统计/可视化/深度上有关品种大列表.

  • 《Information Processing and
    Learning》

介绍:CMU的信息论课程.

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

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

  • 《基于Hadoop集群的广大分布式深度上》

介绍:基于Hadoop集群的普遍分布式深度学习.

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

介绍:来自斯坦福大学与NVIDIA的劳作,很实在挺实用。采用推网络连接及重新训练方法,可大减少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,模型参数可大回落9-13倍.

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

介绍:无需做深上就能为此的分布式深度上软件,github.

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

介绍:当今世界最NB的25号异常数目科学家,通过她们之名然后在google中找找一定会找到多百般过硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的深上(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:数据正确(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的八颇策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推介的20单数据对相关课程.

  • 《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)基于深度上之商图片分类.

  • 《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。目前供了面前四节的草稿,第一章通过手写数字识别的事例介绍NN,第二节说反往传播算法,第三段讲反为传播算法的优化,第四回讲NN为什么能起合任意函数。大量python代码例子和互动动画,生动有趣.中文版

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

介绍:数据正确大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以在此网站找到github的档次链接.

  • 《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)二分开类.

  • 《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,他们现纪念如果举行越的增进。于是推出了新的,专门针对科学家设计的学搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监督上,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)二分类.

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

介绍:为入门者准备的纵深上和神经网络免费资源.

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

介绍:Google 开源最新机器上系统
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:三星球开源之快捷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:语义大数额——大数额/事件处理的语义方法.

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

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

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

介绍:Princeton Vision Group的吃水上库初步源.

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

介绍:基于AWS的机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)深度上及深数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

介绍:免费写:面向数据科学的高级线性模型.

  • 《Net2Net: Accelerating Learning via Knowledge
    Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

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

介绍:徐亦达机器上课程 Variational Inference.

  • 《Learning the Architecture of Deep Neural
    Networks》

介绍:深度神经网络结构学习.

  • 《Multimodal Deep
    Learning》

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

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

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

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

介绍:这个专栏是一个stanford学生做的CS183c课程的一个note,该科目是由Reid
Hoffman等互联网boss级人物设置的,每节课请一位巨头公司之连带主管来开访谈,讲述该商家是怎么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:机器上在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:数据科学家毕业后继续求学的5种方式.

  • 《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年中华电脑学会(CCF)优秀博士学位论文》

介绍:2015秋CCF优秀博士学位论文奖论文列表.

  • 《Learning to Hash Paper, Code and
    Dataset》

介绍:Learning to Hash Paper, Code and Dataset.

  • 《Neural networks with Theano and
    Lasagne》

介绍:(PyData2015)基于Theano/Lasagne的CNN/RNN教程,github.

  • 《神经网络与深度上读本》

介绍:复旦大学邱锡鹏教员编制的神经网络与深度上读本,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.

  • 《语音识别的艺原理是呀?》

介绍:语音识别的技能原理分析

  • 《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.乔丹是举世瞩目的电脑对和统计学学者,主要研究机器上及人为智能。他的重大贡献包括指出了机器上与统计学之间的沟通,并推进机械学习界广泛认识及贝叶斯网络的根本。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一样号英国诞生的乘除机学家和心理学家,以那于神经网络方面的奉献闻名。辛顿是倒往传来算法和自查自纠散度算法的发明人之一,也是深度上之主动推进者.通过他的主页可以挖掘到大多Paper以及优秀学生的paper,此外推荐他的学习者Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机械上方向的牛人,如果您莫亮堂可以阅读对话机器学习大神Yoshua
Bengio(上),本着话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上应用演进

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

介绍:MIT出版的吃水上电子书,公开电子书

  • 《A Mathematical Theory of Deep Convolutional Neural Networks for
    Feature Extraction》

介绍:深度卷积神经网络(CNN)提取特征的数学理论

  • 《Microsoft Research Asia:Kaiming
    He》

介绍:推荐微软亚洲研究院何恺明主页

  • 《Speech and Language Processing (3rd ed.
    draft)》

介绍:《语音及语言处理》第三本(草稿)

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

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上和机具上导论视频》

介绍:上海交大张志华先生的统计机器上及机具上导论视频链接:密码:
r9ak
.概率基础

  • 《Computational Linguistics and Deep
    Learning》

介绍:computational linguistics and deep
learning视频,推荐Deep
Learning: An Introduction from the NLP
Perspective

  • 《Black Hat USA 2015 – Deep Learning On
    Disassembly》

介绍:(BlackHat2015)深度上下之流量鉴别(协议鉴别/异常检测),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),%5Bmaterial%5D(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

  • 《LibRec:A Java Library for Recommender
    Systems》

介绍:一个引进系统的Java库

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

介绍:多为重图的谱说及其在网入侵检测中之采取(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之机械上算法和统计检验,并能够处理中稍微框框之数据集

  • 《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是华盛顿大学之讲解,主要研究方向是机器上和数码挖掘.在2015年之ACM
webinar会议,曾上了关于盘点机器上世界的五怪流派主题演讲.他的个人主页拥有广大连锁研究的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:深度机器上库和框架

  • 《大数目/数据挖掘/推荐系统/机器上相关资源》

介绍:这首文章外的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还是斯坦福大学的教学,Trevor
Hastie更是以统计学上上建树多多

  • 《The Evolution of Distributed Programming in
    R》

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

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

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

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统开发库汇总.

  • 《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议会总结第一部分,第二有些.

  • 《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:牛津大学著名视觉几哪组VGG在IJCV16年首卷首盼: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这篇期刊文章融合了前面少首会议(ECCV14,NIPS14ws),定位以及辨识图片中之文件(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据与代码.

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

介绍:计算机视觉的一个比充分的数量集索引,
包含387只标签,共圈定了314独数据集合,点击标签云就得找到自己用之库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的下结论: 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 的长度。在国民deep learning做visual
perception的早晚,再来读读CV中的 geometry.

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

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

介绍:ICCV 2015底ImageNet比赛以及MS COCO竞赛联合研讨会的幻灯片和盼频.

  • 《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]基于TensorFlow的深度上/机器学习课程.

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

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

  • 《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:这是一模一样依照在线的深浅上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是如出一辙各类新入门的学生可先押即仍图书Yoshua Bengio:
How can one get started with machine
learning?.中文译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深浅上阅读列表.

  • 《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.

  • 《文本数据的机械上机关分类方法(上)》

介绍:文本数据的机械上机关分类方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以管于挡住的图样上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院将那深度上工具包CNTK,想愈询问及上学CNTK的同校可以看眼前几龙公布的《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,传授直觉和经验,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:面向数据正确的统计测算,R示例代码,很对GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由Yoshua
Bengio撰写的教程,其情节涵盖了读人工智能所下的深上架构的念资源,书中之花色已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是一模一样份机器上及纵深上课程,文章与资源的清单。这张清单根据各个主题开展创作,包括了不少和深度上有关的种类、计算机视觉、加强学习和各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是出于Donne
Martin策划收集的IPython笔记本。话题涵盖大数目、Hadoop、scikit-learn和对Python堆栈以及广大旁方的始末。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为都被含有中,当然还有相关的特定构架和定义等.

  • 《Open Source Deep Learning Server》

介绍:开源之深度上服务,DeepDetect是C++实现之依据外部机器上/深度学习库(目前是Caffe)的API。给有了图片训练(ILSVRC)和文书训练(基于字的情分析,NIPS15)的样例,以及因图片标签索引至ElasticSearch中github.

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

介绍:这是国外的一个科技频道,涵盖了数码挖掘,分析以及数科学类的文章.偶尔还有机器上精选.

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

介绍:经典论文:数据挖掘与统计学.

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

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不明了的科学——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独老数据解析最佳学习资源(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:如何在社会媒体齐举行言语检测?没有数量怎么收拾?推特官方宣布了一个死难得的数据集:12万标明过之Tweets,有70种语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上和机器上重点集会ICLR 2016起用文章

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

介绍:机器上——深度非技术指南

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

介绍:数据叙事入门指南——创意生成/数据收集/内容设计息息相关资源推介

  • 《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本子)35只超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两员大家首糟糕合发文,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的一个研型,MLbase是一个分布式机器上管理体系

  • 《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语言深度上第一节约: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按最佳机器上免费书写

  • 《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
开设的纵深上课程,课程youtube地址,Google
DeepMind的钻科学家,此外首页:computervisiontalks的内容为要命丰富,如果您是召开机械视觉方面的钻,推荐呢看看其他内容.肯定得呢未小.还有,这号youtube主页顶了的视频也颇有份量

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上世界的Hacker
news.紧跟深度上的新闻、研究进展和连锁的创业项目。从事机械上,深度上园地的恋人建议每日看无异扣

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的会paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上以生物工程领域的动,如果您从生物工程领域,可以优先看一首稿子详尽介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在海洋生物信息法领域的应用

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

介绍:一些有关机器上要明白知识,对于刚入门机上之同校应该读一诵读

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器念书用户组主页,网罗了剑桥大学有的机械上领域专家与谍报

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

介绍:Randy
Olson’s的部分数码解析和机具上类库,是学履的好素材

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果采用的倒多,而用来做机械上之尽管于少了.Swift
Ai在当时方面举行了许多聚集.可以望

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

介绍:如何向同各5年份之孩儿解释支持为量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机械上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的片牛人博客,超有实力的研究机构等之网站链接.做计算机视觉方向的朋友建议大多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度学习钻研主页,此外研究小组对2013年deep learning
的新型进展和血脉相通论文举行了整,其中useful
links的内容十分受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是平篇关于寻找引擎的博士论文,对当今周边运用的寻找引擎google,bing等召开了分析.对于做搜索类似制品之老大有技术参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这类书比较少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深度上方面的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的再三分布式梯度下降.同时引进科普分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究有关问题综述.

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

介绍: 社交计算应用领域概览,里面有些经典论文推荐

  • 《Collaborative Filtering Recommender
    Systems》

介绍: 协同过滤在推举系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在情节引进的研究.

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

介绍: 协同过滤经典仍文.

  • 《Item-based Collaborative Filtering Recommendation
    Algorithms》

介绍: 协同过滤算法.

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

介绍: 亚马逊对同过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

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

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的引进收藏.

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

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

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上相关著名教授Alex Smola在Quora对于《程序员如何学习Machine
Learning》的建议:Alex推荐了无数有关线性代数、优化、系统、和统计领域的经教材及资料.

  • 《Book review: Fundamentals of Deep
    Learning》

介绍:
书籍推荐,深度上基础.源码

  • 《Learning from Big Code》

介绍:
软件工程领域现在为对机器上与自然语言处理很感兴趣,有人出了“大代码”的概念,分享了不少代码集合,并且认为ML可以就此当前瞻代码Bug,预测软件作为,自动写新代码等任务及。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章。1.众确保激励机制的一言一行经济学研究:批量结算比单任务的姣好率大。2.每当众包专家和新手间建立联系:微实习。3.词嵌入结合众包验证的乐章汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的位移预计。5.砥砺错以加快众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据是

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D如出一辙省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是千篇一律慢慢悠悠机上的开源框架,专为黑客打造,而非也科学家要作。它用Rust开发,传统的机上,现今之深浅上通吃。Leaf

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

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

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

介绍: OpenAI Gym:开发、比较强化学习算法工具箱

  • 《conference-iclr-2016 Papers and
    Code》

介绍: 机器学习会议ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要干的是贝叶斯网络及马尔科夫逻辑网络的learning和inference问题,同时又对PGM有浓厚的反驳解释,是上学概率图模型必看之书本。难度中上,适合生部分ML基础之研讨生.[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:
这是平卖有关机器上和数目挖掘以网安全地方动之资源帖,包含了一部分重点的站点,论文,书籍,斯坦福课程与部分有效之教程.

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

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车的吃水上

  • 《ICML 2016 Conference and Workshops
    Video》

介绍: ICML 2016望频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线与参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度修

  • 《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多年来以AAAI
2017齐做的关于优化以及广泛机器上之Tutorial。很值得一看。里面对人情的优化算法,特别是有辩护特性以及分布式算法的呼应理论特性还生一个比较详细的下结论。非常适合想迅速了解这些领域的师及工程师。另外,这个Tutorial还介绍了DMTK的局部景,作为一个分布式计算平台的利害,还捎带比较了Spark和TensorFlow等风靡框架。

  • 《Deep Learning Implementations and Frameworks
    (DLIF)》

介绍:AAAI
2017的Tutorial,专门讲述了深上框架的规划思想及兑现,比较多栽流行框架(Caffe、MXNet、TensorFlow、Chainer等)的性质与异同。

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

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

  • 《Deconstruction with Discrete
    Embeddings》

介绍:用离散嵌入解构模糊数据

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

介绍:视频发布:自然现象可靠机器上(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深度修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齐还有为数不少经文推荐可翻阅

  • 《An Introduction to MCMC for Machine
    Learning》

介绍:面向机器上的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:《计算机还是未能够做什么——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,业内对其的评价是:”算是不过顶级也是绝早的关于社会计算的会议”。里面的舆论大部分凡钻社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容或颇前沿的。如果你是召开社会计算的抑得以省。毕竟是行业内数一数二的集会。对了,只要是公知名字的有名社交媒体都有投稿.[陌陌不算是]

  • 《NTUEE ML
    2017》

介绍:台大李宏毅中文机器上课程(2017)

  • 《TensorFlow Dev Summit
    2017》

介绍:2017 TensorFlow 开发者峰会(中文字幕)

  • 《Convolutional Neural Networks for Visual Recognition (CS231n
    Spring
    2017)》

介绍:斯坦福2017季CS231n深度视觉识别课程视频

 

 

转自 https://github.com/ty4z2008/Qix/blob/master/dl.md

介绍:这是相同份python机器上库,如果您是同个python工程师而且想深入的念机器学习.那么这篇稿子或能帮忙及你.

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

介绍:这等同首介绍如果计划及管制属于您自己之机械上型的文章,里面提供了保管模版、数据管理及执行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还非理解啊是机械上,或则是刚刚上感觉到非常枯燥乏味。那么推荐一朗诵。这篇文章已为翻译成汉语,如果来趣味可以运动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上的重要性语言,有成千上万之爱人想上学R语言,但是接连忘记一些函数和重大字之含义。那么就首文章或能帮忙及公

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该怎么挑选机器上算法,这首稿子于直观的于了Naive
Bayes,Logistic
Regression,SVM,决策树等方式的三六九等,另外讨论了范本大小、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,作者对例子的选择、理论的介绍都特别成功,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

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

介绍:<机器上与优化>这是同随机器上的小册子,
短短300大多页道尽机器学习之方方面面. 图文并茂, 生动易懂,
没有同堆坨公式的烦恼. 适合新手入门打基础, 也适合老手温故而知新.
比从MLAPP/PRML等大部头,
也许就仍你再需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上与统计上理论》

介绍:作者是来源于百度,不过他本身现已以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/统计上理论出什么联系?那么相应就看看这首文章.

  • 《计算机是中之数学》

介绍:这本书是由于谷歌公司和MIT共同出品的微处理器科学中的数学:[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

  • 《信息时代的计算机对理论(Foundations of Data
    Science)》

介绍:信息时代的微机科学理论,目前国内有纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是同等随由雪城大学新编的次本《数据是入门》教材:偏实用型,浅显易懂,适合想深造R语言的同班选读。

  • 《Twenty Questions for Donald
    Knuth》

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

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

介绍:不会见统计怎么惩罚?不清楚怎样挑选适当的统计模型怎么处置?那这首文章你的出色读一朗诵了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了一样首有关automatic
statistician的章。可以自行选择回归模型类别,还能够活动写报告…

  • 《ICLR
    2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是同等依信息搜索有关的书本,是出于斯坦福Manning同谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美尽被欢迎的信搜索教材之一。最近笔者多了该学科的幻灯片和学业。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摆漂亮的希冀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

  • 《雅虎研究院的数量集汇总》

介绍:雅虎研究院的数码集汇总:
包括语言类数据,图和社交类数据,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,并且以2014年一月曾经开盘: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占为机械上新学者推荐的优质学习资源,帮助新家快速入门。而且这首文章的介绍曾被翻成中文版。如果你稍微熟悉,那么我提议你先押一样关押中文的介绍。

  • My deep learning reading
    list

介绍:主要是挨Bengio的PAMI
review的章找出来的。包括几论综述文章,将近100篇论文,各位山头们的Presentation。全部都好于google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是同等如约图书,主要介绍的凡跨语言信息寻找方面的学问。理论很多

  • 追究推荐引擎内部的绝密,第 1 有:
    推荐引擎初探

介绍:本文共有三只密密麻麻,作者是来自IBM的工程师。它根本介绍了推荐引擎相关算法,并帮忙读者很快之兑现这些算法。
探究推荐引擎内部的秘,第 2 有: 深度推荐引擎相关算法 –
协同过滤,深究推荐引擎内部的黑,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学系助手教授David
Mimno写的《对机械上新学者的少数建议》,
写的异常实在,强调实行与理论结合,最后还引用了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的数量

介绍:这是同等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 的童鞋可以参见下

  • 《“机器上”是啊?》

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

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经给6月21-26日当江山议会着力隆重举办。本次大会由微软亚洲研究院暨清华大学协同主办,是其一拥有30多年历史并著名世界的机械上世界的盛会首糟到华,已成功掀起全世界1200差不多员学者的提请与。干货很多,值得深刻学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子主要是盖Learning to
Rank为条例说明企业界机器上之切实可行应用,RankNet对NDCG之类不灵敏,加入NDCG因素后成了LambdaRank,同样的合计从神经网络改吧以及Boosted
Tree模型就形成了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一号称得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文也:
From RankNet to LambdaRank to LambdaMART: An
Overview
除此以外,Burges还有众多举世闻名的代表作,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:本课程将阐述无监控特征上与深上的根本意见。通过上,你也用贯彻多独效益学/深度上算法,能顾它们为您办事,并上怎样运用/适应这些想法及新题材达成。本课程假定机器上的基本知识(特别是如数家珍的监控上,逻辑回归,梯度下降的想法),如果您无熟识这些想法,我们建议乃错过这里机械上课程,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。如果要了知晓,需要一定的机器上基础。不过有点地方会于人眼前同一亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是相同首介绍图像卷积运算的章,讲的早已算比较详细的了

  • 《Machine Learning Summer
    School》

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

  • 《Awesome Machine
    Learning》

介绍:一个特级完整的机上开源库总结,如果您以为这碉堡了,那背后是列表会重复于您怪:【Awesome
Awesomeness】,国内就出热情的恋人进行了翻中文介绍,机器上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学电脑系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了(如Chrome不行,可用IE观看)
作业及试验也足以下载。

  • 《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,已经写了三回了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的福音。

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台以及开源的机械上库,按照好数据、NLP、计算机视觉与Deep
Learning分类进行了整治。看起颇全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太中心的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多时候困惑人们还是,很多算法是一致近乎算法,而有些算法又是自其它算法中延长出的。这里,我们于零星个点来吃大家介绍,第一单地方是学之道,第二只面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你都明白了凡呀内容,没错。里面来广大藏的机上论文值得仔细跟一再的翻阅。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机械上之藏图书,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照机器上的电子书,可以下载下来当pad,手机者任意时刻去看。不多我建议您看了一以又下充斥同按。

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

介绍:标题非常怪,从新手到大方。不过看了上面装有素材。肯定是家了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的不得了多,而且我已经帮您追寻手拉手了。

  • 《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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的履人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这同时是同篇机器上新家的入门文章。值得一诵读

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17单关于机器上的家伙

  • 《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。这首文章王益博士7年来起谷歌到腾讯对于分布机器上的胆识。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要上学之讲义及左右的文化。这样,给机器学习者提供一个向上的路图,以免走弯路。另外,整个网站还是有关机器上之,资源充分丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一致如约来自小的研究员 li Peng和Dong
Yu所著的关于深度上之法子以及以之电子书

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

  • 《Sibyl:
    来自Google的泛机器上体系》

介绍:在今年的IEEE/IFIP可靠系统以及网络(DSN)国际会上,Google软件工程师Tushar
Chandra做了一个有关Sibyl系统的主题发言。
Sibyl是一个监督式机器上系统,用来缓解预测方面的问题,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及略地介绍了她们当年在座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。如果非是殊彻底可看概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友咨询伯克利机器上大牛、美国对院士Michael I.
Jordan:”如果您发出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,此外作者还有部分外的机器上与数挖掘文章和纵深上文章,不仅是辩论还有源码。

  • 《文本及数量挖掘视频汇总》

介绍:Videolectures上极其给欢迎的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上不时得正确成绩的Tim
Dettmers介绍了外好是怎么挑深度上的GPUs,
以及民用怎么样构建深度上之GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机上爱好者很热情的管此科目翻译成了国文。如果您英语不好,可以看这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上以媒体界被炒作死厉害(就像非常数目)。其实过多口犹还未掌握啊是深浅上。这篇稿子由浅入深。告诉你深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学举行的一样免费课程(很勉强),这个好给你当深度上之旅途让您一个攻的笔触。里面涉及了有些核心的算法。而且告诉你怎么样去采用至骨子里条件遭到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学召开的一个纵深上用来鉴别图片标签/图转文字的demo。是一个实际采用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要发出肯定之基础。

  • 《R工具包的分类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是现阶段数据解析世界的一个热门内容。很多丁于平常底干活吃还或多还是少会就此到机械上的算法。本文为而总结一下广泛的机器上算法,以供应您于办事及上着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了好几单密密麻麻。另外还作者还了一个文章导航.非常之感谢作者总结。

Deep
Learning(深度上)学习笔记整理系列的(二)

Deep
Learning(深度上)学习笔记整理系列的(三)

Deep
Learning(深度上)学习笔记整理系列的(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列的(六)

Deep
Learning(深度上)学习笔记整理系列之(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的故深度上做计算机是苏的NIPS 2013学科。有mp4,
mp3,
pdf各种下载
他是纽约大学讲授,目前呢于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出之开源中文自然语言处理(NLP)工具保证
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、语法分析等力量,对找引擎
文本分析等极为有价。

  • 《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,但与此同时十分怀念上机器上之爱人。是一个死的方便。机器上周刊目前重点提供中文版,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》的最主要数学先导课程。其实《线代》这门课称得浅显易懂特别不轻,如果一致直达来就讲讲逆序数及陈行列式性质,很容易吃学生去学习之兴味。我个人推举的顶尖《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。很赞的资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了扳平称作来本古里怎么大学的访问学者,制作了同效关于机器上的文山会海视频课程。本课程并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正规机器上算法的争辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对生数目时,量子机器上之率先独试验 paper
下载

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

介绍:Wired杂志报导了UCLA数学博士Chris McKinlay
(图1)通过杀数据手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定正在12独账号,下载了婚恋网站2万女性用户的600万问题答案,对他们开展了统计抽样及聚类分析(图2,3),最后到底得到了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开讲,该课属于MIT研究生级别的科目,对机器人及非线性动力系统感兴趣之对象不妨可以挑战一下立刻宗学科!

  • 《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为引述次数最多的论文

  • 《InfiniTAM:
    基于深度图像的体数据并框架》

介绍:把当年的一个ACM Trans. on Graphics
(TOG)论文被的代码整理也一个开源之算法框架,共享出来了。欢迎大家利用。可以实时的采访3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会持续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好学习她?可以为您于浏览器被,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉您,最佳技巧是,当你开始写代码,一切将变得一清二楚。他正好颁布了同样比照书籍,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
做影视评论的情丝分析。

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

介绍:不仅是材料,而且还针对有些资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱啊?

  • 《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:解析领域面临个模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上世界神经网络的大牛,他针对纵深上、神经网络有着十分深切的兴味。因此,很多发问的问题遭带有了机械上世界的各类模型,乔丹教授对之一一做了诠释和展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*找是人为智能基本算法,用于高效地找图被点滴触及之最佳路径,
核心是 g(n)+h(n):
g(n)是自从起点至顶点n的其实代价,h(n)凡是顶点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:本档利用了Microsoft Azure,可以于几乎分开种内做到NLP on Azure
Website的部署,立即开始对FNLP各种风味的试用,或者以REST
API的样式调用FNLP的言语分析效益

  • 《吴立德《概率主题模型&数据科学基础》》

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

  • 《机器上入门资源不完全集中》》

介绍:好东西的干货真的多

  • 《收集从2014年始深度上文献》

介绍:从硬件、图像及健康、生物、大数据、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年开班深度上文献,相信可以作为深度上之起点,github

  • 《EMNLP上少首关于股票方向的应用论文

介绍:EMNLP上点滴首有关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:作者是深浅上一丝好牛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:许多风俗习惯的机上任务都是于求学function,不过谷歌目前起开始学习算法的主旋律。谷歌另外的及时篇学习Python程序的Learning
to
Execute啊产生相似之处

  • 《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关于信息寻找和自然语言处理的章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的识别上之使,此外还有一定量单。一个是识别垃圾以及假消息的paper.还来一个凡网络舆情及其分析技术

  • 《R机器学习实践》

介绍:该课程是网易公开课的收款课程,不值钱,超级福利。主要适合为对采用R语言进行机上,数据挖掘感兴趣的人口。

  • 《大数据解析:机器上算法实现的演化》

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,
第二代工具要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,分析及机具视觉》

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

  • 《LinkedIn最新的引进系统文章Browsemaps》

介绍:里面基本无提到到具体算法,但笔者介绍了CF在LinkedIn的不少使,以及他们在举行推荐过程遭到得到的有些更。最后一修经验是应有监控log数据的质量,因为推荐的品质大倚重数据的质!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初专家如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上及那个数目构建对话系统

介绍:如何下深度上及老数量构建对话系统

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

介绍:Francis Bach合作之有关稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容提到Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像及视觉上的使用,而且率先片有关Why does
the l1-norm induce sparsity的分解为十分正确。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上中主要的定义,其以large
margin分类器上之运也是广为熟知的。如果没比较好之数学基础,直接掌握RKHS可能会见是。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,数学方面就约了解了,但是动于手来也未晓什么样下手写代码。斯坦福深度上博士Andrej
Karpathy写了同篇实战版本的深度上及机上课程,手把手教君用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:本文会了同样全套最盛行的机上算法,大致了解如何措施可用,很有帮助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有那么些关于机器上、信号处理、计算机视觉、深入学、神经网络等领域的大度源代码(或可尽代码)及连锁论文。科研写论文的好资源

  • 《NYU
    2014年的纵深上课程资料》

介绍:NYU 2014年的深上课程资料,有视频

  • 《计算机视觉数据集不完全集中》

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:数码挖掘十雅经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100独好过硬的色

  • 《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护着306个数据集。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和工程及的突破,发之稿子非多,但每个都很踏实,在每一个题材达成还形成了state-of-art.

  • 《Andrej
    Karpathy的深加深学习演示》

介绍:Andrej
Karpathy的吃水加深学习演示,舆论在此地

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同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孝敬闻名。辛顿是相反朝传播算法和对比散度算法的发明人之一,也是深浅上的主动推动者.

  • 《自然语言处理的深浅上理论及实际》

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

  • 《用生数额及机械上做股票价格预计》

介绍: 本文基于<支持为量机的多次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.

  • 《关于机器上的好多驳问题》

介绍:徐宗本
院士将受爱机器上之同伴联手探索有关于机器上的几乎独理论性问题,并给闹片发意义之定论。最后经过有实例来证实这些理论问题之大体意义及骨子里行使价值。

  • 《深度上以自然语言处理的使用》

介绍:作者还亮有《这便是找引擎:核心技术详解》一书,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《推荐系统经典论文文献与业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其应用”研讨会PPT》

介绍:第十二届中国”机器上及其应用”研讨会PPT

  • 《统计机器上》

介绍:统计上是有关电脑基于数据构建的概率统计模型并行使模型对数据开展展望与分析的平派别是,统计上吧化为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的对象是对准电脑编程,以便使样本数要以往底经验来缓解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能与机器上世界有趣的开源项目》

介绍:部分中文列表

  • 《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写了同等首超赞的数值优化博文,从牛顿法讲到拟牛顿法,再称到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:还有续集明明深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数额及机具上之组成》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边模仿边用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,并于实际比里比调参数和清数据。
如果就作了gensim不要遗忘升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说拿多年来型识别达到的突破用及围棋软件及,打16万张业棋谱训练模型识别功能。想法是。训练后即能够形成决不计算,只拘留棋盘就给闹下同样步,大约10层棋力。但就首稿子最过乐观,说啊人类的最后一片堡垒马上就要超过掉了。话说得最为早。不过,如果与别的软件成该还有潜力可挖。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他意味着,根据这次实验的结果,如果今年NIPS重新审稿的语句,会生出一半底舆论被驳回。

  • 《2014年超级的老数量,数据对文章》

介绍:KDNuggets分别总结了2014年14只阅读最多同享受最多的篇章。我们从中可以观看多个主题——深度上,数据科学家职业,教育以及薪酬,学习数据对的家伙比如R和Python以及公众投票的极给欢迎之数码科学及数码挖掘语言

  • 《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,作者还发出另异常棒的章援引可望

  • 《2014中国那个数据技术大会33各中心专家发言PDF》

介绍:2014华甚数目技术大会33位中心专家发言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)。这表示Paragraph
Vector终于揭秘面纱了嘛。

  • 《NLPIR/ICTCLAS2015区划词系大会上之艺演讲

介绍:NLPIR/ICTCLAS2015瓜分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的相反为求导及练习》

介绍:介绍CNN参数在运bp算法时欠怎么训练,毕竟CNN中来卷积层和下采样层,虽然与MLP的bp算法本质上一样,但形式上要多少区别的,很强烈在得CNN反为传来前询问bp算法是必须的。此外作者吧做了一个资源集聚:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果只要以同等首文章被匹配配十万单举足轻重词怎么处置?Aho-Corasick
算法利用上加了归来边的Trie树,能够以线性时间外到位匹配。
但如果匹配十万独正则表达式呢 ?
这上可就此到将多单正则优化成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是一个开源之纵深上框架,作者目前于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实现的一个开源的人工神经网络库,它抽象了网络创建、训练并应用了高阶函数。该库还提供了同组预定义函数,用户可以利用多主意做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

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

  • 《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落智能,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;还生个坏强的门户认为只要找来家,把她们之思用逻辑一条条写下,放到计算机里就是实施……”
杨强在TEDxNanjing谈智能的来自

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

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

  • 《Deep
    Learning实战之word2vec》

介绍:网易有道的老三员工程师写的word2vec的分析文档,从中心的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再到word2vec的各种tricks,公式推导与代码,基本上是网上有关word2vec素材之大合集,对word2vec谢谢兴趣的冤家可以省

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上的各种编程语言学术和经贸的开源软件.与此类似的还有许多诸如:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是计算机研二(写篇的时刻,现在是2015年了应有将毕业了),专业方向自然语言处理.这是一些客的经验的谈.对于入门的心上人或者会生辅助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一律首关于机器上算法分类的章,非常好

  • 《2014年的《机器上日报》大合集》

介绍:机器上日报中推荐多情,在这里发生部分的好内容即是根源机器上日报.

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

介绍:这是同样首关于图像分类在深上着之稿子

  • 《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中之汉语分词技术》

介绍: 作者是360电商技术组成员,这是相同首NLP在国语分词中之应用

  • 《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把数学家用高深装逼的数学语言形容的矩阵概率不等式用初等的道勾勒出来,是坏好的手册,领域内的paper各种证明都于于是中的结果。虽说是初等的,但要么蛮之难

  • 《The free big data sources you should
    know》

介绍:
不容错过的免费杀数据集,有些都是轻车熟路,有些可能还是率先软听说,内容越文本、数据、多媒体等,让他俩陪您从头数据科学的同吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《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还产生雷同首Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了成千上万底资源,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,该手册希望以理论同履行里找到平衡点,各主要内容都陪有实际例子及数码,书被的例证程序都是为此R语言编写的。

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

介绍:IVAN VASILEV写的吃水上导引:从浅层感知机到深度网络。高但读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒同便利之人造智能优先研究计划:一封闭公开信,目前早就生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签约The Future of Life
Institute
(FLI).这封信的背景是新近霍金以及Elon
Musk提醒人们注意AI的绝密威胁。公开信的始末是AI科学家们站在方便社会的角度,展望人工智能的前景迈入动向,提出开发AI系统的Verification,Validity,
Security,
Control四碰要求,以及需要注意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究于少。其实还有平等部美剧《疑犯追踪》,介绍了AI的形成从平开始之自己学习,过滤,图像识别,语音识别等判断危险,到第四季的时出现了机通过上成才之后想操纵世界的状态。说到此处推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了累累资源,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)开源了扳平多元软件库,以帮扶开发者建立重特别、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发环境 Torch
中的默认模块,可以于再次缺乏的光阴外训练还老范围的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描写于2012年,但是就首稿子意是笔者的经验的作。

  • 《如何变成平等各项数据科学家》

介绍:本文是针对性《机器上实战》作者Peter
Harrington做的一个访谈。包含了写被有的问题解答和一些私房学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的吃水上概述,对几栽流行的深浅上型都进行了介绍与讨论

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

介绍:主要是描述了采用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您懂得卷积神经网络,讲解很鲜明,此外还有少首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其它的关于神经网络文章吧十分棒

  • 《Introduction to Deep Learning
    Algorithms》

介绍:Deep Learning算法介绍,里面介绍了06年3首被deep learning崛起之舆论

  • 《Learning Deep Architectures for
    AI》

介绍:一随学习人工智能的书本,作者是Yoshua
Bengio,相关国内通讯

  • 《Geoffrey E.
    Hinton个人主页》

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

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个于是来快速的统计,机器上又对数据量大的数学库

  • 《ICLR
    2015议会的arXiv稿件合集》

介绍:在这边您得见见最近深度上来什么新势头。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信息寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了信寻找、网络信息搜索、搜索引擎实现等地方有关的书、研究中心、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动

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法律相关分析与展望问题,相关的法采取包括预测编码、早期案例评估、案件完全状况的前瞻,定价与工作人员预测,司法行为预测相当。法律领域大家可能都较陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中干了不过了不起,模型,最大熵等等理论,此外还有使用篇。推荐系统可以说凡是同准是的阅读稿,关于模型还引进一首Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

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

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了当Hadoop2.0高达利用深度上,文章来源paypal

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

介绍:用基于梯度下降之措施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: 用统计以及报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个语机器上之Youtube视频教程。160集。系统程度跟书可比拟。

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

介绍:
机器学习着的数学,作者的研究方向是机械上,并行计算如果您还惦记打听一些别的足看看外博客的另外文章

  • 《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句之取舍

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

介绍: CNN用于WEB搜索,深度上以文书计算着的下

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中之公开数据集

  • 《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,号称是速度极其抢之NLP库,快之原委一样是因此Cython写的,二凡是故了只特别抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields是只数学研究中心,上面的当下卖ppt是根源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:
多伦多大学及Google合作之初论文,深度上吧足以为此来下围棋,据说能够达到六段子水平

  • 《机器上周刊第二巴》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚援引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的舆论库已经选定了963首经过分类的深上论文了,很多经论文还早已用

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

介绍: Radim
Řehůřek(Gensim开发者)在同赖机器上聚会及之告知,关于word2vec会同优化、应用以及扩展,很实用.国内网盘

  • 《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。那么怎么好让机器上还实时和行之有效吗?Spark
MLlib 1.2里头的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为着实时处理他们各半小时1TB的钻数据,现在发表给大家之所以了。

  • 《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,并且提供平等卖开箱即用Java实现。本文特记录基本概念与原理,并无涉及公式推导。文中的LDA实现基本组成部分以了arbylon的LdaGibbsSampler并力所能够同地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学问搜索引擎,从学术网络中刨深度知识、面向科技大数额的打。收集近4000万作者信息、8000万舆论信息、1亿差不多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上之主题,讨论Word2Vec之妙趣横生应用,Omer
Levy提到了外以CoNLL2014超级论文里之解析结果以及新方式,Daniel
Hammack给起了寻特异词的稍应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的小课程已经归档过了,但是还有个别的音讯尚未。感谢课程图谱的小编

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个口脸图像识别库。包含正面与多视角丁脸检测两只算法.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。通过全局的安静分布去求解每个节点影响系数模型。假设合理(转移受到附近的震慑系数影响)。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,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以节能贝叶斯分类器,取得了比SVM更优良之功能,训练及分类时间吗大大降低——更主要之是,不必花费大量岁月在学及优化SVM上——特征也同样no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上如何解决问题》

介绍:随着大数据时代的来,机器上变成化解问题之平等种重点且要的家伙。不管是工业界还是学术界,机器上还是一个炙手可热的主旋律,但是学术界以及工业界对机械上的钻各个起讲究,学术界侧重于对机械上理论的研究,工业界侧重于安用机器上来缓解实际问题。这首文章是美团的实在条件受到之实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上的高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和另外模型关系、大数据集的逼方法齐,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下之公文模糊匹配库,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、管道和算法,帮你又快地创建同管理NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一企的机械上入门课程”Introduction to
Machine
Learning“近期刚好开拍,课程4K高清视频一起到Youtube上,目前恰恰更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之校友可以关注,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同步特征,可重复好地发挥图片内容相似性。由于未借助于让人工标签(标注),可用来大规模图片处理,难在用户作为数据的取和清洗;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日序列非常检测算法(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,某个世界支出之老大检测在外领域直接用而不行.

  • 《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都紧要,文中总结出(不限于)22种植典型数据质量问题表现的信号,以及卓越的多寡质量解决方案(清洗、去重新、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之规则仍机场(CRF)介绍文章,作者的修笔记

  • 《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:做深度上如何选GPU的提议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上的报,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年与主题报告
、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!作者的更新频率为老频繁

  • 《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单影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习之构思:组合了BM11同BM15零星单模型。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)时间序列的粗略介绍,ARMA是研讨时序列的最主要艺术,由由回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

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

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

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

介绍:
揭开印度菜的鲜秘诀——通过对大气菜系原料关系之挖,发现印度菜肴香的原因有是中间的寓意互相冲突,很有趣的文本挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的干,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状 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

介绍: Jürgen Schmidhuber在Reddit上之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,相信你为会受益匪浅.

  • 《学术种子网站:AcademicTorrents》

介绍:
成G上T的学问数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简单易行的方式,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: 深度上的圆硬件指南,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】在脸部识别达到而本人都是家,即使细微之差距也会鉴别。研究就证实人类同灵长类动物在脸加工上差让其它物种,人类用梭状回面孔区(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圆结合。

  • 《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之事物下。此外作者博客的别样文章也够呛科学。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的其实应用场景NN选择参考表,列举了有的天下无双问题建议用的神经网络

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

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

  • 《Deep Learning
    Tutorials》

介绍:深度上课程

  • 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

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

介绍:Google对Facebook DeepFace的强劲回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上直达99.63%准确率(新记录),FaceNet
embeddings可用来人脸识别、鉴别和聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文自Databricks公司网站的均等首博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们当MLlib中之分布式实现,以及显一些简单易行的事例并建议该从哪里达手.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上扬进程,详细讲解神经网络语言模型在相继阶段的花样,其中的模型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重点变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之新钻: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,包括总体的数额处理流程,是学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,每篇文章还蕴涵一个算法和相应的代码、Demo和尝试文档。文本以及源码是通过了同行评审的。IPOL是开之科学与而再的研究期刊。我直接怀念做点类似之办事,拉近产品以及技巧中的距离.

  • 《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,同步创新参数的景下中心达线性加速。12片Titan
20小时可形成Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然较少.但蚊子再小也是肉.有凸起部分.此外还有一个由于zheng
Rui整理的机上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是一样遵循自然语言处理的词典,从1998年初步到当下积攒了很多的规范词语解释,如果您是同等各刚刚入门的朋友.可以借这仍词典让好成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年交今日的角数据,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敏捷算法,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,可在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的优化及自由方式课程,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.近百篇,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: 基于深度上的差不多标签分类,用基于RBM的DBN解决多标签分类(特征)问题

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它目前托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内来热心的爱侣翻译了中文版,大家呢可在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数据挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强的Python的数目解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文件分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研和Theano的起来测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等人口讲深度上之新书,还不定稿,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:好多数码科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目曾经开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的措施呢克同word2vec落多的效应。另外,无论作者怎么碰,GloVe都较不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上中的重大数学概念.

  • 《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功能好好.贯彻代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机上课程,先编课程为机械上(10-715)和中统计学(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教程,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大数额利用》

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,其他的内容好关心一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或机器翻译技术感兴趣之亲们,请在提出好牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有这个圈子几颇顶会的论文列表,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,心想事成代码.

  • 《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:斯坦福的纵深上课程的Projects 每个人且使描写一个舆论级别的报告
里面有一对杀风趣的运用 大家可望 .

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

介绍:R语言线性回归多方案速度较具体方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

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

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深度上之几率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近当McGill
University研讨会及之报,还提供了同一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:亚马逊以机械上方面的片段使用,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数据集的开源情感分析工具正如,评测覆盖Naive
Bayes、SentiWordNet、CoreNLP等 .

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析及数码挖掘的概率数据结构.

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

介绍:机器上在导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp

介绍:{swirl}数据训练营:R&数据对在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春季学期CMU的机器上课程,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:以往上千执代码概率编程(语言)实现只需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

介绍:ggplot2速查小册子,此外一个,此外尚援引《A
new data processing workflow for R: dplyr, magrittr, tidyr,
ggplot2》.

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted
    paper》

介绍:国际人工智能联合会议用论文列表,大部分舆论而采用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之最主要性.

  • 《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),相关学科资料,Reinforcement
Learning.

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

介绍:免费写:Azure ML使用精要.

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

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

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

介绍:有趣之机上:最鲜明入门指南,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上自己的博客主页

发表评论

电子邮件地址不会被公开。 必填项已用*标注