• 《Brief History of Machine
    Learning》

机械上(Machine Learning)&深度上(Deep Learning)资料(Chapter 1)

介绍:这是如出一辙首介绍机器上历史之稿子,介绍好圆满,从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

 
  • 《Brief History of Machine
    Learning》

介绍:这是同一篇介绍机器上历史的文章,介绍很完美,从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的风靡版本《神经网络与深上综述》本综述的表征是盖时日排序,从1940年初始称起,到60-80年间,80-90年间,一直称到2000年后与近年来几乎年的进展。涵盖了deep
learning里各种tricks,引用非常全面.

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

介绍:这是同等卖python机器上库,如果你是平等个python工程师而且想深入之学机器学习.那么就首文章或会助及你.

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

介绍:这无异于篇介绍如果计划和保管属于您自己之机上类的篇章,里面提供了管住模版、数据管理及履行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还非理解啊是机上,或虽然是正上感觉到老枯燥乏味。那么推荐一念。这首稿子都深受翻成中文,如果发生趣味可以运动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机上的重点语言,有广大底情侣想读R语言,但是接连忘记一些函数和重点字之含义。那么就首文章或会拉及你

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠如何选择机器上算法,这首稿子于直观的较了Naive
Bayes,Logistic
Regression,SVM,决策树等艺术的好坏,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了底版本:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深网络,作者对例子的挑、理论的介绍都异常到位,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

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

介绍:<机器上和优化>这是同论机器上之小册子,
短短300大抵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, 也适合老手温故而知新.
比打MLAPP/PRML等大部头,
也许就按照你再需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是缘于百度,不过他我已以2014年4月份报名离职了。但是这首文章非常不错如果您无清楚深度上与支持为量机/统计上理论出啊关系?那么应该这看看就首文章.

  • 《计算机是中之数学》

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

  • 《信息时代的电脑对理论(Foundations of Data
    Science)》

介绍:信息时代的微处理器科学理论,目前境内来纸质书购买,iTunes购买

  • 《Data Science with R》

介绍:这是平等准由雪城大学新编的老二版《数据科学入门》教材:偏实用型,浅显易懂,适合想读R语言的同桌选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是相同篇文档或书籍。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?不掌握怎么样选适宜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:对纵深上及representation learning最新进展发趣味之同学可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是千篇一律以信息寻找相关的书,是出于斯坦福Manning以及谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美极端让欢迎之音搜索教材有。最近作者多了该科目的幻灯片和课业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

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

  • 《雅虎研究院的多寡集汇总》

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

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

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

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习材料汇集是专为机上新大家推荐的甲学习资源,帮助新家快速入门。而且这篇稿子的牵线都为翻译成中文版。如果您稍微熟悉,那么自己建议您先押无异扣押中文的牵线。

  • My deep learning reading
    list

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

  • Cross-Language Information
    Retrieval

介绍:这是如出一辙按照图书,主要介绍的是跨语言信息寻找方面的学识。理论很多

  • 追推荐引擎内部的私房,第 1 部分:
    推荐引擎初探

介绍:本文共有三个密密麻麻,作者是来源于IBM的工程师。它至关重要介绍了推介引擎相关算法,并扶持读者很快之落实这些算法。 探讨推荐引擎内部的机密,第
2 有些: 深度推荐引擎相关算法 –
协同过滤,追推荐引擎内部的隐秘,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机械上新专家的一些建议》,
写的怪实在,强调实行和辩论结合,最后还引用了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的数据

介绍:这是相同随关于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”是啊?】John
Platt是微软研究院独立科学家,17年来他直以机器上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定设立博客,向公众介绍机器上的研究进展。机器上是什么,被运在何?来拘禁Platt的这篇博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经被6月21-26日当国家会着力繁华举办。本次大会由微软亚洲研究院与清华大学共主办,是是富有30基本上年历史并著名世界的机上世界的盛会首次于赶到华,已成功吸引全世界1200多各学者的提请参与。干货很多,值得深入学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首文章主要是以Learning to
Rank为例说明企业界机器上的有血有肉使用,RankNet对NDCG之类不灵活,加入NDCG因素后成了LambdaRank,同样的构思从神经网络改也用及Boosted
Tree模型就完事了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一称呼得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文也: From
RankNet to LambdaRank to LambdaMART: An
Overview此外,Burges还有很多尽人皆知的代表作,比如:A
Tutorial on Support Vector Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本学科将阐述无监督特征上和深度上之重点意见。通过学习,你为用贯彻多只效益上/深度上算法,能看其为您办事,并就学如何运用/适应这些想法到新题材达成。本课程假定机器上的基本知识(特别是如数家珍的监控上,逻辑回归,梯度下降的想法),如果您莫熟识这些想法,我们建议乃错过这里机械上课程,并先成功第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已闹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。如果急需了理解,需要肯定的机械上基础。不过小地方会受人口前同样亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是一样首介绍图像卷积运算的稿子,讲的既算是比较详细的了

  • 《Machine Learning Summer School》

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

  • 《Awesome Machine
    Learning》

介绍:一个顶尖级完整的机上开源库总结,如果你当这碉堡了,那背后是列表会另行被你惊叹:【Awesome
Awesomeness】,国内已来热情的恋人进行了翻译汉语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

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

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

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

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台和开源之机上库,按照老数量、NLP、计算机视觉及Deep
Learning分类开展了整理。看起格外全的,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:机器上之算法很多。很多时分困惑人们都是,很多算法是如出一辙类算法,而微算法又是自从任何算法中拉开出的。这里,我们打少个点来深受大家介绍,第一单方面是上学之主意,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你早就知道了凡什么内容,没错。里面来诸多藏的机械上论文值得仔细跟反复的读书。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机上的经文书籍,包括数学基础及算法理论的书本,可举行吗入门参考书单。

  • 《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,手机方面任意时刻去读。不多我建议乃看了一据再下充斥同按部就班。

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

介绍:标题很挺,从新手到大家。不过看罢上面有资料。肯定是家了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的怪多,而且我曾拉你找一块了。

  • 《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的总结

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的行人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这还要是均等篇机器上新专家的入门文章。值得一朗诵

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17独有关机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在这边神奇的伽玛函数(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,王益博士毕业后在google任研究。这篇稿子王益博士7年来打谷歌到腾讯对于分布机器上之眼界。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要学习的课本及摆布的学问。这样,给机器学习者提供一个进步的路线图,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:这是同等本来自小的研究员 li Peng和Dong
Yu所著的有关深度上之主意和采取的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机器上夏季课刚刚完结
有接近50时的视频、十大抵独PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13号称讲师都是牛人: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的常见机器上系统》

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

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客及粗略地介绍了他们当年到位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。如果未是蛮绝望可看概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

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

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有一些任何的机器上与数挖掘文章和深上文章,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独文件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介绍了外好是怎么取舍深度上的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,国内的机械上爱好者很热情的把这个科目翻译成了华语。如果你英语不好,可以省这个

  • 《Deep Learning 101》

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

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学做的一样免费课程(很勉强),这个得于你当深度上的途中让您一个攻之思绪。里面涉及了有些骨干的算法。而且告诉您哪错过用至实际条件面临。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个深上用来识别图片标签/图转文字的demo。是一个实际上应用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是内容需要有必然之基本功。

  • 《R工具包的分类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是现阶段多少解析世界的一个热门内容。很多人数于平常之做事着都要多还是丢失会为此到机械上之算法。本文为卿总结一下科普的机械上算法,以供而在工作和学习中参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了几许个系列。另外还作者还了一个章导航.非常的谢谢作者总结。

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的之所以深度上做计算机是苏的NIPS 2013课。有mp4,
mp3,
pdf各种下载 他是纽约大学教学,目前吗在Facebook工作,他2014年之8篇论文

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开之开源华语自然语言处理(NLP)工具包
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、语法分析等职能,对找引擎
文本分析等多有价。

  • 《Open Sourcing
    ml-ease》

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

  • 《机器上周刊》

介绍:对于英语不好,但与此同时杀怀念学学机器上之爱侣。是一个要命的便利。机器上周刊目前重点提供中文版,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,如果同臻来即谈逆序数及陈行列式性质,很爱给学员去学习之兴趣。我个人推举的超级《线性代数》课程是麻省理工Gilbert
Strang教授的科目。 课程主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了相同名为来自本古里什么大学的访问学者,制作了同样模仿关于机器上之泛滥成灾视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正规机器上算法的论争基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对怪数量时,量子机器上之首先只试验 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2万女性用户之600万题目答案,对他们进行了统计抽样及聚类分析(图2,3),最后到底到手了真爱。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及时宗学科!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源* 《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年始发以处理器对的舆论被吃引用次数最多的舆论

  • 《InfiniTAM:
    基于深度图像的体数据并框架》

介绍:把今年之一个ACM Trans. on Graphics
(TOG)论文中之代码整理也一个开源的算法框架,共享出来了。欢迎大家利用。可以实时的采3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会见继续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好学习她?可以让您于浏览器中,跑起深度学习效果的超酷开源项目ConvNetJS作者karpathy告诉你,最佳技巧是,当您开写代码,一切以更换得清楚。他刚好发布了一样按书籍,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
讲述工业界和学界机器上之异同,大实话

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

介绍:使用Neo4j 做电影评论的情愫分析。

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

介绍:不仅是材料,而且还针对性小材料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了俺们啊?

  • 《scikit-learn:用于机器上的Python模块》

介绍:scikit-learn是当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:解析领域被各队模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机上园地神经网络的大牛,他本着纵深上、神经网络有着不行深切的兴味。因此,很多叩问的题目屡遭隐含了机械上世界的各类模型,乔丹教授对准之一一做了诠释以及展望。

  • 《A*搜索算法的可视化短教程》

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

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本项目以了Microsoft Azure,可以于几细分种内成功NLP on Azure
Website的布置,立即开始针对FNLP各种风味的试用,或者以REST
API的形式调用FNLP的语言分析功能

  • 《吴立德《概率主题模型&数据是基础》

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

  • 《机器上入门资源不了集中》

介绍:好东西的干货真的多

  • 《收集从2014年开始深度上文献》

介绍:从硬件、图像及正规、生物、大数额、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年上马深度上文献,相信可以当做深度上之起点,github

  • 《EMNLP上有数首关于股票方向的动论文

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

  • 《学习算法的Neural Turing Machine

介绍:许多俗的机器上任务都是当上function,不过谷歌目前发生初步修算法的矛头。谷歌另外的立刻首学习Python程序的Learning
to Execute为发出相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的辨识上的行使,此外还有零星只。一个凡是甄别垃圾及虚假消息的paper.还生一个是网舆论及其分析技术

  • 《R机器学习履》

介绍:该学科是网易公开课的收费课程,不值钱,超级福利。主要适合给对使用R语言进行机上,数据挖掘感兴趣之总人口。

  • 《大数量解析:机器上算法实现之演变》

介绍:本章中笔者总结了三替代机上算法实现的嬗变:第一代非分布式的,
第二替工具要Mahout和Rapidminer实现基于Hadoop的恢宏,第三替代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析和机具视觉》

介绍:讲计算机视觉的季管奇书(应该受经典吧)之一,另外三依是Hartley的《多图几何》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的推荐系统文章Browsemaps》

介绍:里面基本无提到到具体算法,但笔者介绍了CF在LinkedIn的不在少数采取,以及他们以做推荐过程遭到获取的片经历。最后一修经验是相应监控log数据的成色,因为推荐的成色好靠数据的质量!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初家如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上和生数量构建对话系统

介绍:如何采取深度上及大数额构建对话系统

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

介绍:Francis Bach合作之有关稀疏建模的新概括(书):Sparse Modeling for
Image and Vision Processing,内容涉及Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及以图像以及视觉及的使用,而且首先片有关Why does
the l1-norm induce sparsity的解说为死是。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机械上着至关重要的定义,其当large
margin分类器上之运也是广为熟知的。如果无于好之数学基础,直接掌握RKHS可能会见是。本文自基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同校对于机器上与深度上之迷惑在于,数学方面都大约了解了,但是动于手来可未掌握怎样入手写代码。斯坦福深度上博士Andrej
Karpathy写了一如既往首实战版本的深上与机上课程,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

  • 《机器上算法的一起》

介绍:本文会过一样全副最盛的机上算法,大致了解怎么方法可用,很有帮。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来成千上万关于机器上、信号处理、计算机视觉、深入学、神经网络等领域的大方源代码(或可实行代码)及有关论文。科研写论文的好资源

  • 《NYU
    2014年的深上课程资料》

介绍:NYU 2014年的深浅上课程资料,有视频

  • 《计算机视觉数据集不净集中》

介绍:计算机视觉数据集不完全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数量挖掘十挺经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100只很棒的路

  • 《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械上社区保护在306独数据集。询问数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上在图像、视频语义分析世界得到了科研及工程上的突破,发的篇章不多,但每个都好踏实,在列一个问题达到且得了state-of-art.

  • 《Andrej
    Karpathy的纵深加深学习演示》

介绍:Andrej
Karpathy的深度加深学习演示,论文在这边

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一模一样位英国出生之计机学家和心理学家,以其当神经网络方面的孝敬闻名。辛顿是倒为传来算法和比散度算法的发明人之一,也是深上的积极促进者.

  • 《自然语言处理的深上理论与实际》

介绍:微软研究院深度学习技术中心当CIKM2014
上关于《自然语言处理的纵深上理论和事实上》教学讲座的幻灯片

  • 《用十分数目与机器上做股票价格预计》

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

  • 《关于机器上的好多理论问题》

介绍:徐宗本
院士将为爱机器上的伴侣一起探索有关于机器上之几只理论性问题,并让出有有意义之结论。最后通过有实例来证明这些理论问题之大体意义与实际利用价值。

  • 《深度上以自然语言处理的采用》

介绍:作者还显有《这便是摸索引擎:核心技术详解》一挥毫,主要是介绍应用层的事物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献同业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数构建的几率统计模型并应用模型对数码进行预测和分析的均等山头科学,统计上也成为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之靶子是针对计算机编程,以便利用样本数还是以往之涉来缓解给定的问题.

  • 《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

  • 《人工智能与机器上园地有趣的开源项目》

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:此外作者还有平等篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

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

  • 《简明深度上道概述(一)》

介绍:还有续集引人注目深度上道概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数据以及机具上的做》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

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

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说管多年来型识别达到的突破用至围棋软件及,打16万摆放业棋谱训练模型识别功能。想法是。训练后即亦可不负众望永不计算,只拘留棋盘就给出下一样步,大约10层棋力。但这首文章最过乐观,说啊人类的最后一片堡垒马上就要过掉了。话说得最早。不过,如果与别的软件成该还有潜力可开。@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,他表示,根据这次实验的结果,如果今年NIPS重新审稿的语句,会有一半的舆论被拒。

  • 《2014年最佳的不行数目,数据是文章》

介绍:KDNuggets分别总结了2014年14独阅读最多与享受最多之稿子。我们从中可以望多单主题——深度上,数据科学家职业,教育以及薪酬,学习数据是的家伙比如R和Python以及群众投票的无限被欢迎之数码科学和数据挖掘语言

  • 《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,作者还起外特别过硬的章援引可省

  • 《2014华老数量技术大会33各类中心专家发言PDF》

介绍:2014华夏深数据技术大会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在感情分析功能不错,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前是拖欠的)。这意味Paragraph%E5%85%AC%E5%B8%83%E5%9C%A8github(%E7%9B%AE%E5%89%8D%E6%98%AF%E7%A9%BA%E7%9A%84)%E3%80%82%E8%BF%99%E6%84%8F%E5%91%B3%E7%9D%80Paragraph) Vector终于揭开面纱了嘛。

  • 《NLPIR/ICTCLAS2015分割词系大会上之技巧演讲

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

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反朝求导及练习》

介绍:介绍CNN参数在动用bp算法时该怎么训练,毕竟CNN中生出卷积层和下采样层,虽然和MLP的bp算法本质上同样,但花样达到还是有点区别之,很扎眼以好CNN反往传播前询问bp算法是必的。此外作者吧开了一个资源聚合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果只要以同一篇稿子中匹配配十万单关键词怎么惩罚?Aho-Corasick 算法利用上加了回到边的Trie树,能够当线性时间外就匹配。
但如果配合十万只正则表达式呢 ?
这早晚可以为此到将多个刚则优化成Trie树的方式,如日本人形容的 Regexp::Trie

  • 《Deep learning Reading List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源的深浅上框架,作者目前于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、训练并利用了高阶函数。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为代表,认为只要出胜过性能计算就可得智能,他们之‘深蓝’击败了世界象棋冠军;另一样门户认为智能来自动物本能;还生只非常强的山头认为如果找来家,把他们的构思用逻辑一条条写下,放到计算机里就尽……”
杨强于TEDxNanjing谈智能的源于

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

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

  • 《Deep Learning实战之word2vec》

介绍:网易有道的老三个工程师写的word2vec之辨析文档,从着力的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再至word2vec之各种tricks,公式推导与代码,基本上是网上关于word2vec资料之大合集,对word2vec谢谢兴趣之朋友可以看

  • 《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.与之类似之还有许多像:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是计算机研二(写文章的当儿,现在凡2015年了应当将毕业了),专业方向自然语言处理.这是少数他的阅历的谈.对于入门的恋人或会有扶持

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一律篇有关机器上算法分类的篇章,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多内容,在这边产生有之精粹内容就是发源机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是同样首有关图像分类在深上着之篇章

  • 《自动语音识别:深度上方法》

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

  • 《NLP中的国语分词技术》

介绍: 作者是360电商技术组成员,这是相同首NLP在汉语分词中之应用

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

介绍: 使用deep
learning的人脸要点检测,此外还有同首AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG ,汇集了结构化预测世界众多牛文,涉及CV、NLP等世界,值得一朗诵。网上公开的几乎章草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用高深装逼的数学语言描绘的矩阵概率不等式用初等之措施勾勒出来,是生好的手册,领域外之paper各种证明还在用其中的结果。虽说是初等的,但要么特别的难以

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费生数据集,有些已是熟悉,有些可能要第一赖听说,内容过文本、数据、多媒体等,让他俩随同您起来数据对的一起吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的讨论递归神经网络的章,覆盖了RNN的定义、原理、训练及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还起同首Deep Learning in a
Nutshell值得推介

  • 《机器上:学习资源》

介绍:里面融合了无数底资源,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,该手册希望当争鸣以及实践之间找到平衡点,各重大内容还陪有实在例子及数,书中之例证程序还是用R语言编写的。

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

介绍:IVAN VASILEV写的深度上导引:从浅层感知机到深网络。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒以及便民的人工智能优先研究计划:一封闭公开信,目前就有Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签The Future of Life
Institute
(FLI).这封信的背景是最近霍金及Elon
Musk提醒人们注意AI的黑威胁。公开信的始末是AI科学家等站在福利社会的角度,展望人工智能的前景提高势头,提出开发AI系统的Verification,Validity,
Security,
Control四碰要求,以及要注意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有同总理美剧《疑犯追踪》,介绍了AI的形成从平开始之本人学习,过滤,图像识别,语音识别等判断危险,到第四季的时刻出现了机械通过上成才之后想控制世界的状态。说及这里推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了众资源,还发连锁文化结构,路线图,用时长等。号称是”机器上“搜索引擎

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

介绍:Facebook人工智能研究院(FAIR)开源了同等多级软件库,以救助开发者建立更怪、更快之深浅上型。开放的软件库在
Facebook 被称为模块。用其替代机械上园地常用之开发条件 Torch
中之默认模块,可以在再度缺少的辰外训练再度甚局面的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描摹为2012年,但是及时首稿子意是笔者的经历的作。

  • 《如何变成平等各类数据科学家》

介绍:本文是针对《机器上实战》作者Peter
Harrington做的一个访谈。包含了书被有些的问题解答和少数个体学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好之深度上概述,对几乎种植流行的深上型都进展了介绍及座谈

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

介绍:主要是讲述了下R语言进行多少挖掘

  • 《Understanding
    Convolutions》

介绍:帮你掌握卷积神经网络,讲解很清楚,此外还有少数篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的任何的有关神经网络文章也罢异常硬

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一依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,他的主页放了一部分介绍性文章与课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个于是来飞的统计,机器上以对数据量大的数学库

  • 《ICLR
    2015议会的arXiv稿件合集》

介绍:在此地你可以看来最近深度上有什么新势头。

  • 《Introduction to Information
    Retrieval》

介绍:此书在消息寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表 ,收录了音搜索、网络消息寻找、搜索引擎实现等地方有关的图书、研究中心、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几何法及其在机器上中的应用

  • 《Legal Analytics – Introduction to the
    Course》

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

  • 《文本及之算法》

介绍:
文中干了最优质,模型,最大熵等等理论,此外还有以篇。推荐系统可以说凡是一律遵循无可非议的阅读稿,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的自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: 一个曰机器上的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:
机器学习中之数学,作者的研讨方向是机器上,并行计算如果您还眷恋询问一些别的好省他博客的别文章

  • 《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抉择

  • 《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施用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中之明白数据集

  • 《Search Engine & Community》

介绍: 一个学术搜索引擎

  • 《spaCy》

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

  • 《Collaborative Filtering with
    Spark》

介绍: Fields凡独数学研究中心,上面的马上卖ppt是源于Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经论文》

介绍: Topic modeling 的藏论文,标注了重要点

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

介绍:
多伦多大学及Google合作的初论文,深度上呢可就此来下围棋,据说能够达成六段水平

  • 《机器上周刊第二盼》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚引进一个深度上入门与综合资料

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

介绍: 18 free eBooks on Machine Learning

  • 《Recommend :Hang Li Home》

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

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

介绍:
DEEPLEARNING.UNIVERSITY的论文库已经选定了963篇经过分类的深上论文了,很多经论文都曾选定

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

介绍: Radim
Řehůřek(Gensim开发者)在同样次于机器上聚会上之告知,关于word2vec及其优化、应用和扩充,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多铺面都因此机器上来化解问题,提高用户体验。那么怎么可以让机器上又实时和实惠也?Spark
MLlib 1.2之中的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们各半钟头1TB之钻研数据,现在公布于大家用了。

  • 《LDA入门与Java实现》

介绍:
这是一样首面向工程师的LDA入门笔记,并且提供相同客开箱即用Java实现。本文仅记录基本概念与原理,并无涉及公式推导。文中的LDA实现基本组成部分使用了arbylon的LdaGibbsSampler并力所能同地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science Platform》

介绍:
AMiner是一个学搜索引擎,从学术网络中挖深度知识、面向科技不行数据的挖沙。收集近4000万作者信息、8000万论文信息、1亿差不多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec底幽默应用,Omer
Levy提到了外于CoNLL2014顶尖论文里之解析结果以及新办法,Daniel
Hammack给闹了搜索特异词的有些应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的略微课程就归档过了,但是还有个别的音信没有。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年的归依

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个人脸图像识别库。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不过佳论文
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。通过全局的稳定性分布去求解每个节点影响系数模型。假设合理(转移受到附近的熏陶系数影响)。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:
非常深的强调特征选择针对性分类器重要性的文章。情感分类中,根据互信息对复杂高维特征降维再用节能贝叶斯分类器,取得了比SVM更美之作用,训练及归类时间也大大降低——更主要的凡,不必花费大量时日在读书及优化SVM上——特征也一致no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和电脑有关知名教授Larry Wasserman
在《机器崛起》,对比了统计与机具上之出入

  • 《实例详解机器上怎么缓解问题》

介绍:随着大数目时的到,机器上变成化解问题之如出一辙种植要且要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的矛头,但是学术界和工业界对机械上之研讨各个发讲究,学术界侧重于对机器上理论的研讨,工业界侧重于怎样用机器上来化解实际问题。这篇稿子是美团的骨子里条件面临之实战篇

  • 《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、模型选择与超参优化、高斯模型和另外模型关系、大数据集的临界方法等,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是根据Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您还快地开创和管理NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一企盼的机器上入门课程”Introduction to
Machine
Learning“近期恰好开拍,课程4K高清视频并到Youtube上,目前刚好更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之校友可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的一路特征,可重新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收获和漱口;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技术团队本着前段时间开源的时间序列非常检测算法(S-H-ESD)R包的介绍,其中对那个的定义跟分析深值得参考,文中也涉嫌——异常是高针对性的,某个圈子支出的雅检测以另领域直接用而不行.

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

介绍:聚焦数据质量问题之回复,数据质量对各种框框企业之习性及频率还要,文中总结出(不压)22种典型数据质量问题显现的信号,以及卓越的多少质量解决方案(清洗、去重新、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之口径仍机场(CRF)介绍文章,作者的读笔记

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

介绍: 来自Stanford,用神经网络实现快捷准确之依存关系解析器

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

介绍:做深上如何选GPU的建议

  • 《Sparse Linear
    Models》

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

  • 《Awesome Computer
    Vision》

介绍:
分类整理的机械视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的换代频率为要命频繁

  • 《Adam Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建与部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

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

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三单影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习之沉思:组合了BM11跟BM15点滴个模型。4)作者是BM25的倡导者和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简便介绍,ARMA是研讨时序列的主要艺术,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: 把自target的attention signal加入source encoding
CNN的输入,得到了比BBN的范好的多neural network joint model

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

介绍:
揭开印度菜肴的美味秘诀——通过对大量菜单原料关系之打桩,发现印度菜肴香的原委之一是中的味道互相冲突,很有趣之文件挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐汉语分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与该降序排序的涉嫌,最有名的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对甚高频同深低频词的描写 2)Heaps’ law:
词汇表与语料规模之平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相互速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上之面面俱到硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在面部识别及而自己还是大家,即使细微之异样呢能辨别。研究已说明人类与灵长类动物在颜加工及差让任何物种,人类用梭状回面孔区(FFA)。Khaligh-Razavi等经电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的圆满组合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调试梯度下降以及可调节动量法设计和编码经典BP神经网络,网络经过训练可以做出惊人和美好之物下。此外作者博客的旁文章也罢不行不错。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的莫过于利用场景NN选择参考表,列举了有卓越问题建议以的神经网络

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

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

  • 《Deep Learning Tutorials》

介绍:深度上课程,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的精回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上高达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公司网站的如出一辙首博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们于MLlib中的分布式实现,以及展示一些简短的事例并提议该打哪里达手.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,目前而处理中英文语料,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》 思路实现.

  • 《神经网络语言模型》

介绍:本文根据神经网络的进步进程,详细讲解神经网络语言模型在依次阶段的样式,其中的范包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重点变形,总结的专门好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之初钻: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)竞赛优厚方案源码及文档,包括总体的数码处理流程,是读Python数据处理以及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On Line》

介绍:IPOL(在线图像处理)是图像处理和图像分析的研讨期刊,每篇文章还蕴含一个算法和相应的代码、Demo和实验文档。文本以及源码是通过了同行评审的。IPOL是开放的不易与而又的钻研期刊。我直接怀念做点类似之办事,拉近产品以及技艺之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数快速分类问题.

  • 《purine2》

介绍:新加坡LV实验室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构,在多机多卡,同步更新参数的事态下中心达标线性加速。12块Titan
20小时可以做到Googlenet的训。

  • 《Machine Learning
    Resources》

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

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是一律照自然语言处理的词典,从1998年初始交当前积攒了很多的正统词语解释,如果您是平等个刚刚入门的朋友.可以借这本词典让好成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R Tutorial》

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

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区意识的飞跃算法,Gephi中的[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,可每当客户端浏览器被运行,支持LSTM等 github地址

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

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

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

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

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做大LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

介绍: 基于深度上之基本上标签分类,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》,
国内发出热情的对象翻译了中文版,大家呢足以在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的多寡挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强大的Python的数解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文本分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研与Theano的开端测试体会报告.

  • 《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等丁言深度上之新书,还无定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开始源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数据科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种都开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的计吗克同word2vec博多的功力。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:机器上中的重中之重数学概念.

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

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

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程,先编制课程为机上(10-715)和中级统计学(36-705),聚焦统计理论同方法以机器上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法及自由优化学科》是哈佛应用数学研究生教程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣之对象一定要是省,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数量利用》

介绍:生物医学的SPARK大数额应用.并且伯克利开源了他们之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还是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,这个网址有此世界几百般顶会的舆论列表,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,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 每个人还如描写一个舆论级别之报告
里面来有好有意思的使用 大家可看看 .

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

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

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

介绍:文中涉及的老三首论文(机器上那些从、无监督聚类综述、监督分类归纳)都生经典,Domnigos的机上课为特别不错

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深上的几率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近以McGill
University研讨会达成的告知,还提供了同多重讲话机器上方式的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:亚马逊在机器上方面的一对应用,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的机上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的引进系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析和多少挖掘的几率数据结构.

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

介绍:机器上在导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp 》

介绍:{swirl}数据训练营:R&数据是在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春季学期CMU的机上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.境内镜像.

  • 《Big Data
    Processing》

介绍:大数目处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机械上,国内镜像.

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

介绍:以往上千实行代码概率编程(语言)实现就待50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

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

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted paper》

介绍:国际人工智能联合会议用论文列表,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)对纵深上的重大性.

  • 《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:最醒目入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

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

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

  • 《Machine Learning Repository @ Wash
    U》

介绍:华盛顿大学的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,是图挖掘地方的大方。他掌管设计以及贯彻之Arnetminer是境内领先的希冀挖掘系统,该体系啊是差不多只会的支持商.

  • 《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:在半监察上,multi-label学习和合学习地方当列国及出得的震慑力.

  • 《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:吴军博士是眼前Google中日韩文搜索算法的要紧设计者。在Google其间,他领导了广大研发项目,包括多暨汉语相关的制品及自然语言处理的品种,他的乍个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

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

介绍:如何评论机器上型系列文章,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巧》

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

  • 《神经网络训练中的Tricks之迅捷BP(反向传播算法)》

介绍:神经网络训练中之Tricks之速BP,博主的其他博客也要命帅之.

  • 《我和NLP的故事》

介绍:作者是NLP方向的硕士,短短几年内研究成果颇富,推荐新入门的爱人阅读.

  • 《The h Index for Computer Science

介绍:UCLA的Jens Palsberg根据Google
Scholar建立了一个计算机领域的H-index牛人列表,我们耳熟能详的各个领域的大牛绝大多数且当榜上,包括1位诺贝尔奖得主,35各项图灵奖得主,近百各美国工程院/科学院院士,300大抵个ACM
Fellow,在此间推荐的来由是豪门好当google通过搜寻牛人的名来取更多之资源,这卖资料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

介绍:用巨型语料库学习概念的层次关系,如鸟是鹦鹉的上司,鹦鹉是虎皮鹦鹉的上面。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,所以用起环扩散(loopy
propagation)迭代算边际概率(marginal probability).

  • 《Bayesian
    analysis》

介绍:
这是一模一样缓缓贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册发生250基本上页,虽然R语言
已经起像样的项目,但终究可以增加一个可选项.

  • 《deep net highlights from
    2014》

介绍:deep net highlights from 2014.

  • 《Fast R-CNN》

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

  • 《Fingerprinting Images for Near-Duplicate
    Detection》

介绍:图像指纹的双重识别,作者源码,国内翻版本.

  • 《The Computer Vision Industry

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

  • 《Seaborn: statistical data
    visualization》

介绍:Python版可视化数据统计开源库.

  • 《IPython lecture notes for OCW MIT
    18.06》

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

  • 《Canova: A Vectorization Lib for
    ML》

介绍:面向机器上/深度上之多少为量化工具Canova,github,
支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文书为量化.

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

介绍:快速入门:基于Apache Mahout的分布式机器学习.

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

介绍:基于scikit-learn讲解了部分机械上技术,如SVM,NB,PCA,DT,以及特色工程、特征选择跟模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的很快机器上,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各数据科学家语录精选.

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

介绍:深度上以老大数目解析世界的使及挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费之机上及数学书籍,除此之外还起另外的免费编程书,编程语言,设计,操作系统等.

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

介绍:一篇关于CNN模型对象识别Paper.

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

介绍:深度上之统计分析V:泛化和正则化.

  • 《Highway Networks》

介绍:用SGD能便捷完成训练的周边(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上之推介系统导论(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,博客的旁机器上文章也罢不错.

  • 《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的新型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),色地址,此外推荐相关神经图灵机算法.

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

介绍:华盛顿大学之机器视觉(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、降维和广泛机器上三章,电子版仍然免费.

  • 《Learning Deep
    Learning》

介绍:一个深上资源页,资料十分丰富.

  • 《Learning Deep Learning》

介绍:免费电子书”Learning Deep Learning”.

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

介绍:Machine Learning for Astronomy with scikit-learn.

  • 《An Introduction to Random Forests for
    Beginners》

介绍:免费电子书”随机森林入门指南”.

  • 《Top 10 data mining algorithms in plain
    English》

介绍:白话数据挖掘十挺算法.

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

介绍:基于Mahout和Elasticsearch的推介系统,境内译版.

  • 《Advances in Extreme Learning
    Machines》

介绍:博士学位论文:ELM研究进展.

  • 《10-minute tour of pandas》

介绍:Pandas十分钟速览,ipn.

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

介绍:面向数据新闻之公文挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用网络图片合成延时视频(SIGGRAPH 2015).

  • 《The Curse of Dimensionality in
    classification》

介绍:分类体系的维数灾难.

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

介绍:深度上vs.大数据——从数量到知识: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的数码可视化建议.

  • 《Decoding Dimensionality Reduction, PCA and
    SVD》

介绍:解读数据降维/PCA/SVD.

  • 《Supervised learning superstitions cheat
    sheet》

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

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

介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.

  • 《An Introduction to Random
    Indexing》

介绍:随机索引RI词空间模型专题.

  • 《VDiscover》

介绍:基于机器上的尾巴检测工具VDiscover.

  • 《Minerva》

介绍:深度上系统minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上能够在4上内以GoogLeNet训练及68.7%之top-1以及89.0%之top-5准确率。和和为dmlc项目的cxxnet相比,采用动态数据流引擎,提供更多灵活性。未来以和cxxnet一起组成为mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉与模式识别会议paper.

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

介绍:Netflix工程总监眼中之归类算法:深度上优先级最低,中文版.

  • 《Results for Microsoft COCO Image Captioning
    Challenge》

介绍:Codalab图像标注竞赛排行+各家论文,Reddit上flukeskywalker整理了各家技术有关论文.

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

介绍:基于Caffe的增速深度上体系CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练与)存储.

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

介绍:新书预览:模型机学习.

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

 此外推荐Introduction to Bandits: Algorithms and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

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

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

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

介绍:Andrew
Ng关于深度上/自学习/无监督特征上的报,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:面向金融数据的感情分析工具.

  • 《pyLDAvis》

介绍:(Python)主题模型交互可视化库pyLDAvis.

  • 《Logistic Regression and Gradient
    Descent》

介绍:Logistic回归与优化实例教程.

  • 《贾扬清微信讲座记录》

介绍:贾扬清(谷歌大脑科学家、caffe缔造者)微信讲座记录.

  • 《sketch》

介绍:Theano/Blocks实现RNN手写字符串生成sketch.

  • 《Web Scale Document Clustering: Clustering 733 Million Web
    Pages》

介绍:基于TopSig的雅量(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:机器上预测股市之七独问题.

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

介绍:神经网络学习材料推荐.

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

介绍:面向序列上的RNN综述.

  • 《Handling and Processing Strings in
    R》

介绍:R文本处理手册.

  • 《Must-watch videos about
    Python》

介绍:“必看”的Python视频集锦.

  • 《The Google
    Stack》

介绍:Google(基础结构)栈.

  • 《Randomized Algorithms for Matrices and
    Data》

介绍:矩阵和数码的擅自算法(UC Berkeley 2013).

  • 《Intermediate
    R》

介绍:DataCamp中级R语言教程.

  • 《Topology Without Tears》

介绍:免费电子书:轻松掌握拓扑学,中文版.

  • 《Information Theory, Pattern Recognition, and Neural
    Networks》

介绍:Book,video.

  • 《Scikit-learn》

介绍:Scikit-learn
是因Scipy为机上建筑的底一个Python模块,他的特征就是是多样化的分类,回归和聚类的算法包括支持于量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient
Boosting,聚类算法和DBSCAN。而且也筹划来了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个给机器上钻研简单化的基于Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个以HTM学习算法为器的机器智能平台。HTM是皮肤的可靠计算办法。HTM的骨干是冲时间之无休止学习算法和储存和取消的时空模式。NuPIC适合吃五花八门的问题,尤其是检测好和展望的流多少出自。

  • 《Nilearn》

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

  • 《PyBrain》

介绍:Pybrain是冲Python语言强化学习,人工智能,神经网络库底简称。
它的目标是提供灵活、容易采取以强大的机器上算法和展开多种多样的预定义的条件受到测试来比你的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下之一个大网开模块。它也数量挖掘,自然语言处理,网络分析和机械上提供工具。它支持向量空间模型、聚类、支持为量机和感知机并且因此KNN分类法进行分拣。

  • 《Fuel》

介绍:Fuel为你的机上型提供数据。他产生一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这好像数据集的接口。你下他来经杀多种底法门来替自己的数额。

  • 《Bob》

介绍:Bob是一个免费的信号处理和机械上的家伙。它的工具箱是故Python和C++语言共同编辑的,它的规划目的是变得越来越快捷而减少支出时间,它是由于拍卖图像工具,音频和视频拍卖、机器上与模式识别的汪洋软件包构成的。

  • 《Skdata》

介绍:Skdata是机上及统计的数据集的库程序。这个模块于玩具问题,流行的电脑视觉与自然语言的数据集提供正规的Python语言的运用。

  • 《MILK》

介绍:MILK是Python语言下之机器上工具包。它最主要是当很多但获得的归类比如SVMS,K-NN,随机森林,决策树被使用监控分类法。
它还推行特征选择。
这些分类器在多端互动结合,可以形成不同之如无监督上、密切关系金传播和由MILK支持之K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个只顾让干抽取的开源性信息抽取工具。它根本对的凡待针对大型数据集进行信息提取的用户以及纪念如果品尝新的算法的科学家。

  • 《Quepy》

介绍:Quepy是经变更自然语言问题用以数据库查询语言中进行查询的一个Python框架。他可省略的被定义为在自然语言和数据库查询中不同品种的题目。所以,你绝不编码就好起你自己之一个据此自然语言进入你的数据库的系统。现在Quepy提供于Sparql和MQL查询语言的支持。并且计划将它们延伸至另外的数据库查询语言。

  • 《Hebel》

介绍:Hebel是以Python语言中对于神经网络的吃水上的一个库程序,它以的是透过PyCUDA来拓展GPU和CUDA的加速。它是极端要之神经网络模型的品种的工具而能够提供有不等之运动函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

  • 《mlxtend》

介绍:它是一个由中之家伙及平凡数据是任务的恢弘组成的一个库程序。

  • 《nolearn》

介绍:这个顺序包容纳了大量克针对而得机器上任务来辅助的实用程序模块。其中大量的模块和scikit-learn一起工作,其它的屡见不鲜还有因此。

  • 《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机器学习着唯独插入的框架,它现存的Python语言下的机上及统计工具(比如scikit-learn,rpy2等)Ramp提供了一个简单的声明性语法探索效能因此能迅速有效地履行算法和换。

  • 《Feature
    Forge》

介绍:这同层层工具通过与scikit-learn兼容的API,来创造和测试机上效果。这个库程序提供了一如既往组工具,它见面让你当过剩机械上程序采取着老受用。当你使用scikit-learn这个家伙时,你晤面感觉到吃了充分怪的扶。(虽然当时仅仅会以你来两样的算法时起作用。)

  • 《REP》

介绍:REP是因同样栽和谐、可再生的章程啊指挥数据移动驱动所提供的一模一样栽环境。它有一个联的分类器包装来提供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且其可当一个部落为平行的艺术训练分类器。同时她为提供了一个交互式的情节。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机上建筑的大概软件收集。

  • 《Python-ELM》

介绍:这是一个每当Python语言下基于scikit-learn的尽学习机器的落实。

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外尚援引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整理的深浅上数据集列表.

  • 《Golang Natural Language
    Processing》

介绍:Go语言编写的自然语言处理工具.

  • 《Rehabilitation of Count-based Models for Word Vector
    Representations》

介绍:词频模型对词向量的反击,参考Improving Distributional Similarity
with Lessons Learned from Word
Embeddings 。

  • 《Three Aspects of Predictive
    Modeling》

介绍:预测模型的老三个方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度念及自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015及Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上机关发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上的剖析

 

 

  • 《Deep Learning in Neural Networks: An
    Overview》

机器上(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写的行版本《神经网络与深上综述》本综述的风味是盖时排序,从1940年始讲话起,到60-80年代,80-90年间,一直讲到2000年后与近年来几乎年之展开。涵盖了deep
learning里各种tricks,引用非常全面.

流动:机器上材料篇目一共500条,篇目二开班更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
仰望转载的恋人,你可以不要联系自己.但是毫无疑问要是封存原文链接,因为此路还以继承为以非期更新.希望看文章的冤家能模拟到重多.此外:某些材料在中国拜会需要梯子.
  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

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

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28届IEEE计算机视觉与模式识别(CVPR)大会以美国波士顿召开。微软研究员们在大会上显示了于以往又快更据的微机视觉图像分类新模型,并介绍了什么行使Kinect等传感器实现在动态或者低光环境之很快大规模3D扫描技术.

  • 《Machine Learning for
    Humans》

介绍:(文本)机器上可视化分析工具.

  • 《A Plethora of Tools for Machine
    Learning》

介绍:机器上工具包/库的汇总/比较.

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

介绍:数据可视化最佳实践指南.

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

介绍:Day
1、Day
2、Day
3、Day
4、Day
5.

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

介绍:深度上之“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:语义图像分割的真情演示,通过深度上技能及几率图模型的语义图像分割.

  • 《Fully Convolutional Networks for Semantic
    Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,范代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长的烦恼.

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

介绍:基于三首届培训方法的文件流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础及新型进展.

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

介绍:深度上革命.

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

介绍:数据正确(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G底微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产条件(产品级)机器上的时机和挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的组织化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机器上小组关于在线Boosting的舆论 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20独极看好的开源(Python)机器上项目.

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

介绍:C++并行贝叶斯推理统计库QUESO,github code.

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

介绍:Nature:LeCun/Bengio/Hinton的风行篇章《深度上》,Jürgen
Schmidhuber的风靡评论文章《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篇论文
就会成那个数额高手,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将公布只是扩大/自动调整参贝叶斯推理神经网络.

  • 《An Empirical Exploration of Recurrent Network
    Architectures》

介绍:面向上下文感知查询建议的层系递归编解码器.

  • 《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,此外推荐分拣算法的实证比较分析.

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

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

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

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的吃水加深学习教程.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的可解释性.

  • 《The Essential Spark Cheat
    Sheet》

介绍:Spark快速入门.

  • 《Machine Learning for Sports and Real Time
    Predictions》

介绍:TalkingMachines:面向体育/政治及实时预测的机器学习.

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

介绍:Stanford社交网络和信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

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

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的便捷深度学习.

  • 《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:这是平等首有关百度文章《基于深度上的图像识别进展:百度的多少实践》的摘要,建议少首文章做起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机上技术.

  • 《Training Recurrent Neural
    Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的灰色区域:可解释性问题,中文版.

  • 《Machine Learning Libraries in GoLang by
    Category》

介绍:Golang 实现之机器上库资源聚集总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上之统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的深上技术同技巧.

  • 《CrowdFlower Competition Scripts: Approaching
    NLP》

介绍:Kaggle’s CrowdFlower竞赛NLP代码集锦.

  • 《CS224U: Natural Language
    Understanding》

介绍:斯坦福的自然语言理解课程.

  • 《Deep Learning and Shallow
    Learning》

介绍:Deep Learning与Shallow Learning 介绍

  • 《A First Encounter with Machine
    Learning》

介绍:这是如出一辙依机器上的电子书,作者Max
Welling士在机器上教学方面有丰富的更,这仍开小但是精致.

  • 《Click Models for Web
    Search》

介绍:由荷兰阿姆斯特丹大学 & 谷歌瑞士著.

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

介绍:介绍单愿总结和翻译机器上与电脑视觉类资料的博客,包含的情: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)如何挑选机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据是免费书写分类集合

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

介绍:深度上以语音合成最新进展产生什么样?推荐MSRA的Frank
Soong老师关于语音合成的深浅上道的留影与幻灯片与和谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data Science》

介绍:新书(可免费下载):数据科学的方

  • 《Pattern Recognition and Machine
    Learning》

介绍:模式识别与机具上书本推荐,本书是微软剑桥研究院大神Bishop所描绘,算是不过广为认知的机器上读本有,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底顶尖数据/资源奖优秀奖,标明的推特数据集

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

介绍:作者以深上之思考.

  • 《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“机器上与几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教授Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的初书Understanding Machine Learning: From Theory to
Algorithms,此开的于偏理论,适合对机器上理论出趣味之同校选读

  • 《Machine Learning
    Checklist》

介绍:机器上习清单

  • 《NLP界有怎样神级人物?》

介绍:知乎上面的平等首关于NLP界有哪神级人物?提问。首推Michael Collins

  • 《机器上温和指南》

介绍:机器上及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中之第一概念,应用程序和挑战,旨在让读者能延续找机器上文化。

  • 《Gradient Boosted Regression
    Trees》

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

  • 《Apache SINGA : Distributed Deep Learning
    System》

介绍: 无需做深上就能用之分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊多少与众包Mechanical
Turk上,实现了来自彩票和拍卖的编制,以收集用户指向产品之愿意购买价格(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:来自伯克利分校的宽泛机器学习.

  • 《机器上材料十分集中》

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是2013年世界首独数据科学院(位于哥伦比亚大学)主任,她也凡ACL、AAAI和ACM
Fellow .

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

介绍:EMNLP-15文本摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上添加达到4小时之晓,共248页,是针对性推荐系统发展之一律次等到综合,其中还包Netflix在个性化推荐者的部分历介绍.

  • 《BigData Stream
    Mining》

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

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras深上框架Elephas.

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

介绍:Surya Ganguli深度上统计物理学.

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

介绍:(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表.

  • 《Introduction to Topic Modeling in
    Python》

介绍:(PyTexas 2015)Python主题建筑模.

  • 《Large Scale Distributed Deep Learning on Hadoop
    Clusters》

介绍:Hadoop集群上的周边分布式机器学习.

  • 《Top Deep Learning Employers Based On LinkedIn
    Data》

介绍:基于LinkedIn数据得出的深浅上热门”东家”排行.

  • 《Neural Net in C++ Tutorial》

介绍:(c++)神经网络手把手实现教程.

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

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

  • 《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等丁近来形容的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顶人口近来形容的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的大面积分布式深度上》

介绍:基于Hadoop集群的广阔分布式深度学习.

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

介绍:来自斯坦福大学和NVIDIA的干活,很实际好实用。采用推网络连接及重新训练方法,可大削减CNN模型参数。针对AlexNet、VGG等模型和ImageNet数据,不损失识别精度情况下,模型参数可大削减9-13倍.

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

介绍:无需做深上就是能够因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个很数据科学家,通过他们的名然后放在google中搜寻一定会找到多良过硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的深浅上(Theano/Lasagne)系列教程.

  • 《Connection between probability theory and real
    analysis》

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

  • 《Data Science Learning
    Resources》

介绍:数据是(学习)资源列表.

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

介绍:应针对非均衡数据集分类问题之八非常策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点推介的20独数据科学相关课程.

  • 《Recurrent Neural
    Networks》

介绍:递归神经网络.

  • 《Histograms of Oriented
    Gradients》

介绍:(HOG)学习笔记.

  • 《Computational modelling
    courses》

介绍:计算建模/计算神经学课程汇总.

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

介绍:(Yelp)基于深度上的商贸图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费在线书《Neural Networks and Deep
Learning》神经网络与深度上。目前供了面前四段的草稿,第一章经过手写数字识别的事例介绍NN,第二节说反往传播算法,第三章节讲反为传来算法的优化,第四回说NN为什么能够起合任意函数。大量python代码例子和相互动画,生动有趣.中文版

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

介绍:数据对大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以于此网站找到github的花色链接.

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

介绍:深度上在视觉跟踪的探索.

  • 《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)二私分类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前的产物,他们现想只要做进一步的提高。于是推出了新的,专门对科学家设计之学术搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监理上,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)二划分类.

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

介绍:为入门者准备的吃水上和神经网络免费资源.

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

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

  • 《Veles:Distributed machine learning
    platform》

介绍:三星星开源的飞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:语义大数目——大数目/事件处理的语义方法.

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

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

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

介绍:Princeton Vision Group的深度上库初步源.

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

介绍:基于AWS的活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)深度上及深度数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

介绍:免费写:面向数据是的高级线性模型.

  • 《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学生举行的CS183c课程的一个note,该课程是出于Reid
Hoffman等互联网boss级人物设置的,每节课请一员巨头公司之相干主管来做访谈,讲述该商厦是怎么scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中之应用.

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

介绍:思维上——RL+RNN算法信息论.

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

介绍:数据科学家毕业后继续读书之5种方式.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:深度上在神经网络的应用.

  • 《Contextual Learning》

介绍:上下文学习,代码.

  • 《Machine Learning For Complete
    Beginners》

介绍:机器上零基础入门,代码.

  • 《2015年中国计算机学会(CCF)优秀博士学位论文》

介绍:2015年份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.

  • 《神经网络与深上课本》

介绍:复旦大学邱锡鹏教育工作者编制的神经网络与深上课本,ppt.

  • 《Microsoft Open Sources Distributed Machine Learning
    Toolkit》

介绍:微软亚洲研究院开源分布式机器上工具包.

  • 《语音识别的技巧原理是呀?》

介绍:语音识别的艺原理分析

  • 《Michael I. Jordan》

介绍:迈克尔·I.乔丹的主页.根据主页可以找到多资源。迈克尔·I.乔丹是老牌的处理器对和统计学学者,主要研究机器上与人工智能。他的最主要贡献包括指出了机器上和统计学之间的关系,并推机械学习界广泛认识及贝叶斯网络的基本点。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是平等个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。辛顿是倒转朝传来算法和对照散度算法的发明人之一,也是深浅上之能动促进者.通过他的主页可以开掘到异常多Paper以及优秀学生的paper,此外推荐他的生Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机器上方向的牛人,如果你免知晓好翻阅本着话机器学习大神Yoshua
Bengio(上),针对话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上运用演进

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

介绍:MIT出版的纵深上电子书,公开电子书

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

介绍:深度卷积神经网络(CNN)提取特征的数学理论

  • 《Microsoft Research Asia:Kaiming
    He》

介绍:推荐微软亚洲研究院何恺明主页

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

介绍:《语音以及语言处理》第三版本(草稿)

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

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上与机具上导论视频》

介绍:上海交大张志华先生的统计机器上与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)深度上使用的流量鉴别(协议鉴别/异常检测),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),%5Bmaterial%5D(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

  • 《LibRec:A Java Library for Recommender
    Systems》

介绍:一个推介系统的Java库

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

介绍:多中心图的谱说及其于网络入侵检测中的利用(MC-GPCA&MC-GDL)

  • 《Computational Statistics in
    Python》

介绍:用Python学计算统计学

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

介绍:datumbox-framework——Java的开源机器上框架,该框架重点是供大量底机械上算法和统计检验,并能处理着约略框框之数据集

  • 《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是华盛顿大学的执教,主要研究方向是机上与数据挖掘.在2015年的ACM
webinar会议,曾上了有关盘点机器上园地的五充分流派主题演讲.他的个人主页拥有广大连锁研究之paper以及他的教授课程.

  • 《Video resources for machine
    learning》

介绍:机器上视频集锦

  • 《Deep Machine Learning libraries and
    frameworks》

介绍:深度机器上库与框架

  • 《大数目/数据挖掘/推荐系统/机器上相关资源》

介绍:这首文章外之引荐系统资源很丰富,作者非常有中心,摘录了《推荐系统实战》内援的论文.

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

介绍:(天文学)贝叶斯方法/MCMC教程——统计实战

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

介绍:免费书写:统计稀疏学习,作者Trevor
Hastie与Rob
Tibshirani且是斯坦福大学的执教,Trevor
Hastie更是以统计学上及建树多多

  • 《The Evolution of Distributed Programming in
    R》

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

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

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

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统开发库汇总.

  • 《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:斯坦福新学科,面向视觉识别的卷积神经网络(Fei-Fei Li & Andrej
Karpathy),slides+video,homework.

  • 《NIPS 2015 Deep Learning Symposium Part
    I》

介绍:NIPS
2015会议总结第一局部,亚片.

  • 《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:牛津大学老牌视觉几哪里组VGG在IJCV16年首卷首可望: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这篇期刊文章融合了事先少首会议(ECCV14,NIPS14ws),定位以及辨别图片被的文件(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据及代码.

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

介绍:计算机视觉的一个比充分之多少集索引,
包含387只标签,共圈定了314独数据集合,点击标签云就好找到自己要的库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的总结: 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。在萌deep learning做visual
perception的时段,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之ImageNet比赛跟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]冲TensorFlow的吃水上/机器学习课程.

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

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

  • 《Machine Learning: a Probabilistic
    Perspective》

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

  • 《Deep learning Book》

介绍:这是平等随在线的深度上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是一模一样位新入门的学员可先行看即仍书籍Yoshua Bengio:
How can one get started with machine
learning?.华语译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深度上阅读列表.

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

介绍:纽约州立大学布法罗分校2015年春机械上课程主页.

  • 《Theano is a Deep learning Python library

介绍:
Theano是主流的纵深上Python库之一,亦支持GPU,入门比较难.推荐Theano
tutorial,Document

  • 《Statistical Language Models Based On Neural
    Networks》

介绍:博士论文:神经网络统计语言模型.

  • 《文本数据的机械上机关分类方法(上)》

介绍:文件数据的机上机关分拣方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以拿让挡住的图片上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院将其深度上工具包CNTK,想越了解以及上CNTK的校友可以拘留前面几乎上公布的《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,用尽量少的数学与演绎,传授直觉和更,全部Python示例,内容覆盖卡尔曼滤波器、扩展卡尔曼滤波,无迹卡尔曼滤波等,包括练习和参考答案

  • 《Statistical inference for data
    science》

介绍:在线免费书写:面向数据对的统计测算,R示例代码,很科学GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由于Yoshua
Bengio撰写之课,其情节涵盖了读人工智能所动的吃水上架构的就学资源,书被的品种已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是平份机器上与深上课程,文章和资源的清单。这张清单根据各个主题开展写作,包括了好多以及深上有关的档次、计算机视觉、加强学习和各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是由Donne
Martin策划收集的IPython笔记本。话题涵盖大数目、Hadoop、scikit-learn和不易Python堆栈以及无数别点的始末。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为皆让含有中,当然还有相关的特定构架和概念等.

  • 《Open Source Deep Learning Server》

介绍:开源的深上服务,DeepDetect是C++实现之基于外部机器上/深度学习库(目前凡Caffe)的API。给出了图片训练(ILSVRC)和文件训练(基于字之情丝分析,NIPS15)的样例,以及因图片标签索引到ElasticSearch中github.

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

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

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

介绍:经典论文:数据挖掘和统计学.

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

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不明白的科学——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个可怜数量解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上之应有尽有硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何在社会媒体齐召开言语检测?没有数怎么收拾?推特官方公布了一个百般珍贵之数据集:12万标了的Tweets,有70种语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上和机器上要会议ICLR 2016用文章

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

介绍:机器上——深度非技术指南

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

介绍:数据叙事入门指南——创意生成/数据搜集/内容设计息息相关资源推介

  • 《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)35独超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两个大家首蹩脚联袂发文,CAFFE和SPARK完美结合,分布式深度上混搭模式!github

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

介绍:深度上(分类)文献集

  • 《Learning Deep
    Learning》

介绍:深度上阅读列表

  • 《Awesome42 The easiest way to find R
    packages》

介绍:探索R包的好网站Awesome 42

  • 《MLbase:Distributed Machine Learning Made
    Easy》

介绍:MLbase是Prof. Dr. Tim
Kraska的一个研究项目,MLbase是一个分布式机器上管理网

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

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

介绍:Spark视频集锦

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

介绍:R语言深度上第一节省: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仍最佳机器上免费写

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

介绍:ICCV15视频集

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

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

  • 《A Short Introduction to Learning to
    Rank》

介绍:Learning to Rank简介

  • 《Global Deep learning
    researcher》

介绍:全球深度上专家列表,涵盖研究者主页

  • 《Top Spark Ecosystem
    Projects》

介绍:Spark生态顶级项目集中

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

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

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

介绍:深入机器上,2,3,4

  • 《Oxford Deep
    Learning》

介绍:Nando de
Freitas每当 Oxford
开设的深度上课程,课程youtube地址,Google
DeepMind的钻研科学家,此外首页:computervisiontalks的始末为格外丰富,如果你是举行机械视觉方面的钻研,推荐吧看外内容.肯定得吧无小.还有,这号youtube主页交了之视频为够呛有分量

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上园地的Hacker
news.紧跟深度上之新闻、研究进展和连锁的创业项目。从事机械上,深度上世界的对象建议每日看同样扣押

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的会议paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上在生物工程领域的用,如果您行生物工程领域,可以优先读书一首文章详细介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在生物信息法领域的采取

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

介绍:一些关于机器上得掌握知识,对于正入门机上的同班应该读一朗诵

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器念用户组主页,网罗了剑桥大学有机器上领域专家与情报

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

介绍:Randy
Olson’s的一些数量解析以及机具上型库,是读书实践的好材料

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果采用之倒多,而之所以来举行机械上的便较少了.Swift
Ai在马上上面开了无数聚集.可以看

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

介绍:如何为同一号5春秋的毛孩子解释支持于量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机器上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的有牛人博客,超发实力的研讨机关当的网站链接.做计算机视觉方向的爱侣建议多关心其中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度读钻研主页,此外研究小组对2013年deep learning
的行进展和系论文开了整治,其中useful
links的始末好受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是一致首关于寻找引擎的博士论文,对现行广泛使用的搜引擎google,bing等召开了分析.对于做搜索类似制品的怪有技术参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这看似书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深度上地方的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的重申分布式梯度下降.同时引进广阔分布式深度网络

  • 《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: 协同过滤在内容引进的研究.

  • 《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: 亚马逊对于联合过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

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

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的引荐收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏代表与高维几何.12年由Elsevier、13年交今日由PAMI(仍由Elsevier赞助)设立之妙龄研究者奖(Young
Researcher
Award)授予好博士学位后七年内取得杰出贡献的;由CV社区提名,在CVPR会议上发表。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法》援已超5K.

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上有关著名教授Alex Smola在Quora对于《程序员如何学习Machine
Learning》的提议:Alex推荐了许多关于线性代数、优化、系统、和统计领域的藏教材以及资料.

  • 《Book review: Fundamentals of Deep
    Learning》

介绍:
书籍推荐,深度上基础.源码

  • 《Learning from Big Code》

介绍:
软件工程领域现在为对机械上及自然语言处理很感兴趣,有人出了“大代码”的定义,分享了诸多代码集合,并且认为ML可以就此在预测代码Bug,预测软件作为,自动写新代码等任务上。大代码数据集下载

  • 《Object
    Detection》

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

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

介绍: Yann LeCun 2016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文章。1.众确保激励机制的表现经济学研究:批量结算比单任务的姣好率大。2.当众包专家跟新手间建立联系: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移位预计。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一律节介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是同缓机上之开源框架,专为黑客打造,而休也科学家要发。它用Rust开发,传统的机器上,现今之深上通吃。Leaf

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

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

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

介绍: OpenAI Gym:开发、比较强化学习算法工具箱

  • 《conference-iclr-2016 Papers and
    Code》

介绍: 机器学习会议ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要涉嫌的是贝叶斯网络和马尔科夫逻辑网络的learning和inference问题,同时以对PGM有深切的理论解释,是学概率图模型必看之图书。难度中达到,适合有一对ML基础之钻研生.[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:
这是千篇一律客有关机器上与数码挖掘以网安全地方采取之资源帖,包含了一些重要的站点,论文,书籍,斯坦福课程与有立竿见影之教程.

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

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车的深浅上

  • 《ICML 2016 Conference and Workshops
    Video》

介绍: ICML 2016看来频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线以及参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度学

  • 《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近来于AAAI
2017达成召开的有关优化和广大机器上的Tutorial。很值得一看。里面对人情的优化算法,特别是局部理论特性和分布式算法的应和理论特性还产生一个较详细的下结论。非常适合想迅速了解这些世界的专家和工程师。另外,这个Tutorial还介绍了DMTK的有的状,作为一个分布式计算平台的得失,还顺带比较了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设计思想和兑现,比较多种植流行框架(Caffe、MXNet、TensorFlow、Chainer等)的性能与异同。

  • 《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种算法

  • 《Course notes for CS224N
    Winter17》

介绍:笔记:斯坦福CS224n深度念NLP课程(2017)

  • 《Persontyle Workshop for Applied Deep
    Learning》

介绍:伦敦深上研讨会资料

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

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

  • 《An Introduction to MCMC for Machine
    Learning》

介绍:面向机器上之马尔科夫链蒙特卡洛(MCMC)

  • 《Awesome Deep learning papers and other
    resources》

介绍:深度上论文及资源大列表(论文、预训练模型、课程、图书、软件、应用、相关列表等)

  • 《Datasets for Natural Language
    Processing》

介绍:自然语言处理NLP数据集列表

  • 《Machine Learning for Software
    Engineers》

介绍:软件工程师的机器上

  • 《Quantitative Finance
    resources》

介绍:量化金融(Quants)资源列表

  • 《What Computers Still Can’t
    Do.》

介绍:《计算机还是不克召开啊——人工理性批判》MIT版导言

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

介绍:谷歌发论文详解TPU

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

介绍:2017年ICWSM会议论文合集,业内对它们的品是:”算是最顶级也是太早的有关社会计算的集会”。里面的舆论大部分是研讨社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容还是颇前沿的。如果你是做社会计算的要么好看看。毕竟是行业内数一数二之会。对了,只要是您了解名字的有名社交媒体都生投稿.[陌陌不算是]

  • 《NTUEE ML
    2017》

介绍:台大李宏毅中文机器上课程(2017)

  • 《TensorFlow Dev Summit
    2017》

介绍:2017 TensorFlow 开发者峰会(中文字幕)

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

介绍:斯坦福2017季CS231n深度视觉识别课程视频

 

 

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

介绍:这是同样卖python机器上库,如果您是同一位python工程师而且想深入的求学机器学习.那么这篇稿子或能够拉到你.

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

介绍:这同一首介绍如果规划与管理属于您自己的机上类的篇章,里面提供了管住模版、数据管理和履行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还未知道什么是机器上,或虽然是刚上感觉到十分枯燥乏味。那么推荐一念。这首文章就让翻成中文,如果发趣味可以走http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机械上之首要语言,有过多的冤家想读R语言,但是连忘记一些函数和根本字的意思。那么这篇稿子或能够拉到您

  • 《Choosing a Machine Learning
    Classifier》

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

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

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

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

介绍:<机器上和优化>这是一样比照机器上之小册子,
短短300几近页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有一样垛坨公式的烦恼. 适合新手入门打基础, 也称老手温故而知新.
比从MLAPP/PRML等大部头,
也许这仍你还用!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是自百度,不过他本身都当2014年4月份报名离职了。但是这篇稿子好正确如果你免知道深度上与支持于量机/统计上理论出什么关系?那么相应立即看看这首文章.

  • 《计算机是中之数学》

介绍:这本书是由谷歌公司暨MIT共同出品的电脑科学中的数学:[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

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

介绍:信息时代的电脑对理论,目前国内发出纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是千篇一律遵照由雪城大学新编的亚本《数据是入门》教材:偏实用型,浅显易懂,适合想学习R语言的同学选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是一样首文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20个问题,内容连TAOCP,P/NP问题,图灵机,逻辑,以及为何大神不用电邮等等。

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

介绍:不见面统计怎么处置?不知情哪抉择当的统计模型怎么收拾?那立篇稿子你的精粹读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同等首关于automatic
statistician的稿子。可以活动选择回归模型类别,还会自动写报告…

  • 《ICLR
    2014论文集》

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

  • 《Introduction to Information
    Retrieval》

介绍:这是均等如约信息搜索有关的书籍,是由斯坦福Manning和谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最为给欢迎的音讯搜索教材之一。最近笔者多了该课程的幻灯片和学业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10摆好的希冀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.很鲜明

  • 《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,图和集体交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的多寡。

  • 《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,并且于2014年一月早已开盘: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材料汇集是据为机械上新专家推荐的上品学习资源,帮助新家快速入门。而且就首文章的介绍曾于翻成中文版。如果你稍微熟悉,那么我提议乃先看同样看中文的介绍。

  • My deep learning reading
    list

介绍:主要是本着Bengio的PAMI
review的稿子找出来的。包括几遵照综述文章,将近100篇论文,各位山头们的Presentation。全部都得以以google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是均等本图书,主要介绍的凡跨语言信息寻找方面的学识。理论很多

  • 探究推荐引擎内部的机密,第 1 有些:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是出自IBM的工程师。它主要介绍了推荐引擎相关算法,并扶读者很快之实现这些算法。
深究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,探究推荐引擎内部的密,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学系助手教授David
Mimno写的《对机器上新家的某些提议》,
写的很实在,强调实行和理论做,最后还引用了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的数据

介绍:这是相同比照关于分布式并行处理的数码《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参见下

  • 《“机器上”是呀?》

介绍:【“机器上”是呀?】John
Platt是微软研究院独立科学家,17年来他径直于机上世界耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定设立博客,向民众介绍机器上之研究进展。机器上是什么,被以在乌?来拘禁Platt的立首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经为6月21-26日当国家会议着力热闹举办。本次大会由微软亚洲研究院及清华大学同主办,是以此装有30几近年历史并著名世界的机上世界的盛会首次来华,已成功引发全球1200基本上位学者的申请参与。干货很多,值得深刻学下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首文章要是为Learning to
Rank为例说明企业界机器上之具体运用,RankNet对NDCG之类不灵活,加入NDCG因素后改成了LambdaRank,同样的思考从神经网络改也下至Boosted
Tree模型就完了了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一称作得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
另外,Burges还有为数不少名牌的代表作,比如:A Tutorial on Support Vector
Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本学科将阐述无监控特征上和深度上的要意见。通过学习,你也将促成多个力量学/深度上算法,能看出她为您办事,并就学怎么样采取/适应这些想法及新题材及。本课程假定机器上的基本知识(特别是轻车熟路的监控上,逻辑回归,梯度下降的想法),如果您不熟识这些想法,我们建议乃错过这里机械上课程,并事先形成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已产生python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果需要了明了,需要自然的机器上基础。不过有些地方会受丁面前平亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是一模一样首介绍图像卷积运算的稿子,讲的就算是比较详细的了

  • 《Machine Learning Summer
    School》

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

  • 《Awesome Machine
    Learning》

介绍:一个顶尖完整的机上开源库总结,如果你觉得这个碉堡了,那后是列表会还给你惊叹:【Awesome
Awesomeness】,国内已生热心的对象进行了翻译汉语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学处理器系Chris
Manning教授的《自然语言处理》课程有视频已经足以当斯坦福公开课网站上见到了(如Chrome不行,可用IE观看)
作业以及考试呢得下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费于线书,已经写了三回了,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机器上相关平台和开源之机器上库,按照老数额、NLP、计算机视觉及Deep
Learning分类开展了整治。看起非常全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太基本的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多时困惑人们都是,很多算法是同样接近算法,而略算法又是打外算法中延长出的。这里,我们由区区只地方来给大家介绍,第一独面是学习之点子,第二个点是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你已掌握了凡呀内容,没错。里面来为数不少经典的机上论文值得仔细跟数的翻阅。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机械上之经典图书,包括数学基础和算法理论的图书,可开呢入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16按照机器上的电子书,可以下载下来当pad,手机者任意时刻去阅读。不多己提议您看了一照还下充斥同照。

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

介绍:标题非常可怜,从新手到大家。不过看了上面有资料。肯定是专家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的不可开交多,而且我曾拉您摸手拉手了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上系统,用来缓解预测方面的题材,比如
YouTube 的视频推荐。

  • 《Deep
    Learning》

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

  • 《Neural Network & Text
    Mining》

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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实践人检测

  • 《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:这又是千篇一律首机器上新师的入门文章。值得一朗诵

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17独关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此间神奇的伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后每当google任研究。这首文章王益博士7年来打谷歌到腾讯对于分布机器上的见识。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要学习的教科书和掌握的学识。这样,给机器学习者提供一个升华的途径图,以免走弯路。另外,整个网站还是关于机器上之,资源十分丰富。

  • 《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:这是同样按来自小的研究员 li Peng和Dong
Yu所出示的关于深度上的道与以之电子书

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

  • 《Sibyl:
    来自Google的宽泛机器上系统》

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

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客及略地介绍了她们当年列席ImageNet取得好成绩的GoogLeNet系统.是有关图像处理的。

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

介绍:贝叶斯学习。如果不是好彻底可省概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友发问伯克利机器上大牛、美国偶院士Michael I.
Jordan:”如果你生出10亿美金,你怎么花?Jordan:
“我会见因此就10亿美金建造一个NASA级别之自然语言处理研究型。”

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有部分其他的机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上极度给欢迎的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上经常得不错成绩的Tim
Dettmers介绍了他协调是怎么取舍深度上之GPUs,
以及民用怎么构建深度上之GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机上爱好者非常热情的拿此课程翻译成了汉语。如果你英语不好,可以望这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就像大数额)。其实过多人数犹还未掌握啊是深上。这首文章由浅入深。告诉您深度学究竟是什么!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学召开的一律免费课程(很勉强),这个好给你以深上之旅途被您一个学的思绪。里面涉及了有的为主的算法。而且告诉你怎么样去下到实际条件受到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学召开的一个深上用来甄别图片标签/图转文字的demo。是一个其实利用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要出一定之基本功。

  • 《R工具包的分类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是当前多少解析世界的一个红内容。很多人口以平时底行事受到还要多或丢失会用到机械上的算法。本文为公总结一下科普的机械上算法,以供应你在干活以及读书着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了几许独密密麻麻。另外还作者还了一个章导航.非常的感谢作者总结。

Deep
Learning(深度上)学习笔记整理系列的(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列之(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列之(七)

DeepLearning(深度上)学习笔记整理系列之(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清醒的NIPS 2013课程。有mp4,
mp3,
pdf各种下载
他是纽约大学教授,目前吗当Facebook工作,他2014年之8篇论文

  • 《FudanNLP》

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

  • 《Open Sourcing
    ml-ease》

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

  • 《机器上周刊》

介绍:对于英语不好,但又很想学机器上的冤家。是一个挺之便民。机器上周刊目前任重而道远提供中文版,还是面向周边国内爱好者,内容涉及机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的第一数学先导课程。其实《线代》这宗课称得浅显易懂特别非易于,如果同齐来就算称逆序数及陈行列式性质,很轻吃学生去学习的趣味。我个人推举的顶尖《线性代数》课程是麻省理工Gilbert
Strang教授的学科。
学科主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了一样称呼源于本古里安大学之访问学者,制作了同等模拟关于机器上之多样视频课程。本课程并分为7期,详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等健康机器上算法的申辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着生数量时代,量子机器上之率先只实验 paper
下载

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

介绍:Wired杂志报导了UCLA数学博士Chris McKinlay
(图1)通过大数额手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定正在12只账号,下载了谈情说爱网站2万女性用户的600万题目答案,对她们开展了统计抽样及聚类分析(图2,3),最后终于得到了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开盘,该课属于MIT研究生级别之学科,对机器人及非线性动力系统感兴趣的意中人不妨可以挑战一下立马门课程!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源*
《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年上马于电脑对的论文被让引用次数最多之舆论

  • 《InfiniTAM:
    基于深度图像的样式数据并框架》

介绍:把今年的一个ACM Trans. on Graphics
(TOG)论文中之代码整理为一个开源的算法框架,共享出来了。欢迎大家以。可以实时的募集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会见延续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好上她?可以吃你在浏览器中,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉你,最佳技巧是,当您从头写代码,一切以更换得清楚。他恰好发布了一致按部就班书籍,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
讲述工业界和学术界机器上之异同,大实话

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

介绍:使用Neo4j
做电影评论的情丝分析。

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

介绍:不仅是材料,而且还对小材料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了我们啊?

  • 《scikit-learn:用于机器上的Python模块》

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

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

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。因此,很多发问的问题备受蕴含了机器上园地的号模型,乔丹教授对是一一做了讲和展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*查找是人造智能基本算法,用于高效地搜索图中点滴触及的特级路线,
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:本档利用了Microsoft Azure,可以当几乎划分种内就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年上马深度上文献》

介绍:从硬件、图像及正规、生物、大数据、生物信息再至量子计算等,Amund
Tveit等保障了一个DeepLearning.University小类:收集从2014年开头深度上文献,相信可以看作深度上之起点,github

  • 《EMNLP上个别篇有关股票方向的施用论文

介绍:EMNLP上片篇有关stock
trend
用到了deep model组织特征;Exploiting Social Relations and Sentiment for
Stock
Prediction用到了stock
network。

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深度上一线很牛Bengio组写的科目,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:许多俗的机器上任务都是当上function,不过谷歌目前时有发生始发上学算法的自由化。谷歌另外的立刻首学习Python程序的Learning
to
Execute啊发出相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的辨认上的下,此外还有零星只。一个凡是识别垃圾及虚假消息的paper.还产生一个是网舆论及其分析技术

  • 《R机器学习履》

介绍:该学科是网易公开课的收费课程,不值钱,超级福利。主要适合给对以R语言进行机上,数据挖掘感兴趣之人。

  • 《大数量解析:机器上算法实现之演变》

介绍:本章中笔者总结了三代表机上算法实现之演化:第一代非分布式的,
第二替工具如Mahout和Rapidminer实现基于Hadoop的扩张,第三代表如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析以及机具视觉》

介绍:讲计算机视觉的季统奇书(应该让经典吧)之一,另外三以是Hartley的《多图几哪里》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的推介系统文章Browsemaps》

介绍:里面基本没有干到现实算法,但作者介绍了CF在LinkedIn的大队人马使用,以及她们于召开推荐过程中赢得的有更。最后一久经验是应该监控log数据的质地,因为推荐的身分大据数据的色!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初大家如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上与好数额构建对话系统

介绍:如何使用深度上和生数量构建对话系统

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

介绍:Francis Bach合作之有关稀疏建模的新概括(书):Sparse Modeling for
Image and Vision Processing,内容涉嫌Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及以图像以及视觉及之采用,而且率先片有关Why does
the l1-norm induce sparsity的说为大科学。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机械上中最主要的定义,其以large
margin分类器上之以为是广为熟知的。如果无于好之数学基础,直接了解RKHS可能会见是。本文自基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同学对于机器上和深度上之迷惑在于,数学方面都盖了解了,但是动于手来却无掌握怎样入手写代码。斯坦福深度上博士Andrej
Karpathy写了一致篇实战版本的深度上和机上课程,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:本文会了同样整个最风靡的机械上算法,大致了解哪些措施可用,很有赞助。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有很多有关机器上、信号处理、计算机视觉、深入上、神经网络等领域的大量源代码(或可实行代码)及有关论文。科研写论文的好资源

  • 《NYU
    2014年的纵深上课程资料》

介绍:NYU 2014年的深上课程资料,有视频

  • 《计算机视觉数据集不全集中》

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:数挖掘十那个经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100独雅棒的路

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高校欧文分校为机械上社区保安着306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、视频语义分析世界取得了科研与工程及的突破,发之稿子未多,但每个都老踏实,在各个一个题目达成都成功了state-of-art.

  • 《Andrej
    Karpathy的纵深加深学习演示》

介绍:Andrej
Karpathy的深加深学习演示,舆论在此

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是平等员英国出生之盘算机学家和心理学家,以其当神经网络方面的孝敬闻名。辛顿是倒朝传播算法和比散度算法的发明人之一,也是深浅上的积极推动者.

  • 《自然语言处理的深上理论与实际》

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

  • 《用生数目与机械上做股票价格预计》

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

  • 《关于机器上之多反驳问题》

介绍:徐宗本
院士将被爱机器上之同伴联手探究有关于机器上的几乎单理论性问题,并于来一些发意义的结论。最后通过有实例来说明这些理论问题的大体意义和实在用价值。

  • 《深度上在自然语言处理的使用》

介绍:作者还显示有《这就是是寻觅引擎: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

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《推荐系统经典论文文献同业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数据构建的几率统计模型并采用模型对数码进行前瞻和剖析的平等派系是,统计上啊变为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的靶子是对计算机编程,以便使样本数或者以往之更来化解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能与机具上世界有趣之开源项目》

介绍:部分华语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有同首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

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

  • 《简明深度上方式概述(一)》

介绍:还有续集妇孺皆知深度上方式概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数量和机具上之成》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边学边用word2vec以及deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并以实质上比间比调参数和清数据。
如果都装了gensim不要遗忘升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说将多年来型识别达到的突破用至围棋软件上,打16万布置业棋谱训练模型识别功能。想法是。训练后即会不辱使命决不计算,只拘留棋盘就于来下一致步,大约10层棋力。但当时篇稿子最过乐观,说啊人类的结尾一片堡垒马上快要跨越掉了。话说得最为早。不过,如果同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重新审稿的讲话,会生出一半之舆论被驳回。

  • 《2014年最佳的可怜数据,数据正确文章》

介绍:KDNuggets分别总结了2014年14单阅读最多和享受最多之章。我们从中可以看到多独主题——深度上,数据科学家职业,教育与薪酬,学习数据正确的工具比如R和Python以及公众投票的顶让欢迎的数目是及数量挖掘语言

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

介绍:Python实现线性回归,作者还闹其它大棒的文章推荐可望

  • 《2014神州特别数额技术大会33个中心专家发言PDF》

介绍:2014华夏分外数量技术大会33号中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

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

  • 《NLPIR/ICTCLAS2015区划词系大会上的技巧演讲

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

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的倒为求导及练习》

介绍:介绍CNN参数在用bp算法时该怎么训练,毕竟CNN中来卷积层和下采样层,虽然与MLP的bp算法本质上同样,但形式达到还是有点区别之,很引人注目以就CNN反为传播前询问bp算法是要的。此外作者吧召开了一个资源集合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果如当同样首文章中相当配十万个基本点词怎么处置?Aho-Corasick
算法利用上加了回边的Trie树,能够当线性时间内形成匹配。
但如果配合十万只正则表达式呢 ?
这时节可为此到将多独刚则优化成Trie树的办法,如日本人数写的
Regexp::Trie

  • 《Deep learning Reading
    List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源之深上框架,作者目前在google工作,作者主页Yangqing
Jia (贾扬清)

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由于Haskell实现的一个开源之人工神经网络库,它抽象了网创建、训练并使用了高阶函数。该库还提供了同一组预定义函数,用户可以运用多术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必深入了解。

  • 《杨强以TEDxNanjing谈智能的自》

介绍:”人工智能研究分众帮派。其中之一为IBM为表示,认为要有强性能计算就不过抱智能,他们的‘深蓝’击败了社会风气象棋冠军;另一样流派认为智能来自动物本能;还闹个特别强之宗派认为要找来大家,把她们之沉思用逻辑一条条写下,放到计算机里便尽……”
杨强以TEDxNanjing谈智能的源于

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

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

  • 《Deep
    Learning实战之word2vec》

介绍:网易有道的老三员工程师写的word2vec之辨析文档,从着力的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再至word2vec之各种tricks,公式推导与代码,基本上是网上关于word2vec资料之大合集,对word2vec谢谢兴趣之对象可以看

  • 《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.与之类似之还有多像:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是电脑研二(写稿子的当儿,现在凡是2015年了应当将毕业了),专业方向自然语言处理.这是某些异的阅历的谈.对于入门的恋人或会产生协助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一样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,在这里发生部分的可观内容即是源于机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是相同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,这是如出一辙首NLP在中文分词中之采取

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

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

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等丁编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界众多牛文,涉及CV、NLP等领域,值得一读。网上公开之几乎章节草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用高深装逼的数学语言描绘的矩阵概率不等式用初等之道勾勒出来,是杀好的手册,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,有些都是驾轻就熟,有些可能还是率先软听说,内容越文本、数据、多媒体等,让他俩陪你开数据科学的同吧,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篇章,覆盖了RNN的概念、原理、训练以及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还产生同等篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了众多底资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望以理论同实践里找到平衡点,各关键内容还陪有实际例子及数,书被的例证程序还是为此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。高而读

  • 《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,目前早已生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).这封信的背景是近期霍金以及Elon
Musk提醒人们注意AI的黑威胁。公开信的始末是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趋势,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,以及道德领域有关研究于少。其实还有同统美剧《疑犯追踪》,介绍了AI的形成从同开始的自我学习,过滤,图像识别,语音识别等判断危险,到第四季的时起了机械通过上成才之后想控制世界的状态。说及此推荐收看。

  • 《metacademy》

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

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

介绍:Facebook人工智能研究院(FAIR)开源了扳平密密麻麻软件库,以拉开发者建立重甚、更快之深上型。开放的软件库在
Facebook 被称作模块。用它们替代机械上园地常用的支付条件 Torch
中之默认模块,可以当更短的时光外训练再度不行局面之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是写给2012年,但是及时首文章完全是笔者的更的作。

  • 《如何成为平等各项数据科学家》

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

  • 《Deep learning from the bottom
    up》

介绍:非常好之深浅上概述,对几栽流行的纵深上型都进展了介绍与讨论

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

介绍:主要是讲述了采用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您掌握卷积神经网络,讲解很清晰,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老过硬

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一本上人工智能的书本,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,他的主页放了一部分介绍性文章和课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个因此来快速的统计,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取向。

  • 《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
,收录了信息寻找、网络消息寻找、搜索引擎实现等地方有关的图书、研究中心、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪里法及其在机上中的运

  • 《Legal Analytics – Introduction to the
    Course》

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

  • 《文本及之算法》

介绍:
文中提到了太优异,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一模一样比照无可非议的阅读稿,关于模型还推荐一首Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

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

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了在Hadoop2.0及使用深度上,文章来源paypal

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

介绍:用基于梯度下降之道训练深度框架的实行推荐指导,作者是Yoshua
Bengio
.感谢@xuewei4d 推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计和报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个云机器上之Youtube视频教程。160汇聚。系统程度跟书可比拟。

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

介绍:
机器学习着之数学,作者的钻方向是机械上,并行计算如果您还惦记打听一些外的好看他博客的别文章

  • 《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挑选

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

介绍: CNN用于WEB搜索,深度上以文书计算着之运

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的明白数据集

  • 《Search Engine &
    Community》

介绍: 一个学搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度最好抢的NLP库,快之因一样凡是故Cython写的,二凡用了只坏抢眼的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举凡独数学研究为主,上面的马上卖ppt是来源于Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经论文》

介绍: Topic modeling 的藏论文,标注了要点

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

介绍:
多伦多大学和Google合作的新论文,深度上为可就此来下围棋,据说能够达六段水平

  • 《机器上周刊第二想》

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的论文库已经用了963篇经过分类的深浅上论文了,很多经论文还曾选定

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

介绍: Radim
Řehůřek(Gensim开发者)在同浅机器上聚会上的报告,关于word2vec及其优化、应用以及扩张,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多商厦都为此机器上来缓解问题,提高用户体验。那么怎么好为机器上又实时和卓有成效也?Spark
MLlib 1.2中的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为了实时处理他们每半时1TB底钻数据,现在颁发给大家用了。

  • 《LDA入门与Java实现》

介绍:
这是一律篇面向工程师的LDA入门笔记,并且提供相同卖开箱即用Java实现。本文仅记录基本概念与原理,并无干公式推导。文中的LDA实现基本部分使用了arbylon的LdaGibbsSampler并力所能同地诠释了,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,从学网络中刨深度知识、面向科技大数量的挖掘。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上的主题,讨论Word2Vec的趣应用,Omer
Levy提到了他在CoNLL2014顶尖级论文里之辨析结果跟新措施,Daniel
Hammack给来了追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,虽然中的小课程都归档过了,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年的信教

  • 《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个算法.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无限佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加浓厚一些。通过全局的康乐分布去求解每个节点影响系数模型。假设合理(转移受到附近的熏陶系数影响)。可以就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,实际介绍

  • 《The Trouble with
    SVMs》

介绍:
非常过硬的强调特征选择针对性分类器重要性的稿子。情感分类中,根据互信息对复杂高维特征降维再利用节能贝叶斯分类器,取得了比SVM更优秀的效能,训练以及归类时间也大大降低——更重要的凡,不必花费大量时刻以念书与优化SVM上——特征呢一如既往no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上怎样缓解问题》

介绍:随着大数目时之过来,机器上变成解决问题的相同栽主要且主要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的倾向,但是学术界和工业界对机器上之研讨各个发尊重,学术界侧重于对机器上理论的钻研,工业界侧重于怎样用机器上来化解实际问题。这篇稿子是美团的其实条件遭受的实战篇

  • 《Gaussian Processes for Machine
    Learning》

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

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是根据Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你再快地开创与治本NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一企的机上入门课程”Introduction to
Machine
Learning“近期恰开拍,课程4K高清视频一起到Youtube上,目前刚更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣的同窗可以关注,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的合特征,可还好地表达图片内容相似性。由于匪依赖让人工标签(标注),可用来大规模图片处理,难在用户作为数据的取得和洗;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的日子序列非常检测算法(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,文中也事关——异常是大针对性的,某个世界支出之怪检测在其余领域直接用而不行.

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

介绍:聚焦数据质量问题的答疑,数据质量对各种层面企业的性能与频率还重要,文中总结出(不压)22种植典型数据质量问题表现的信号,以及卓越的数码质量解决方案(清洗、去再、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之条件仍机场(CRF)介绍文章,作者的读笔记

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

介绍: 来自Stanford,用神经网络实现迅速准确之依存关系解析器

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

介绍:做深度上怎样选择GPU的提议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上的语,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!作者的创新频率为深频繁

  • 《Adam
    Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一篇有意思的Arxiv文章,作者用Shannon Entropy来描写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独影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习之考虑:组合了BM11以及BM15星星独模型。4)作者是BM25之发起人和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的略介绍,ARMA是研讨时序列的要方法,由从回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

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

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

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

介绍:
揭开印度菜肴之美味秘诀——通过对大量菜单原料关系的挖沙,发现印度菜香的缘故有是里的意味互相冲突,很风趣之文书挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的关系,最出名的凡语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即双方成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对性甚高频同生低频词的写 2)Heaps’ law:
词汇表与语料规模之平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

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

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相互速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上之一应俱全硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在脸部识别达到您自都是专家,即使细微的歧异吗会分辨。研究曾证实人类同灵长类动物在面部加工上不同于其它物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的一揽子结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了为此而调节梯度下降与可调节动量法设计与编码经典BP神经网络,网络经过训练可以做出惊人和精良的物下。此外作者博客的任何文章吧特别是。

  • 《How to Choose a Neural
    Network》

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

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

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

  • 《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的兵不血刃回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上上99.63%准确率(新记录),FaceNet
embeddings可用以人脸识别、鉴别和聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文自Databricks公司网站的平等篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们当MLlib中之分布式实现,以及显一些大概的例证并建议该由哪里达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前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进化过程,详细讲解神经网络语言模型在逐个阶段的样式,其中的模型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重大变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之初研究: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)竞赛优化方案源码及文档,包括完全的数量处理流程,是学习Python数据处理和Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理和图像分析的研讨期刊,每篇文章还包含一个算法和相应的代码、Demo和实验文档。文本以及源码是由此了同行评审的。IPOL是开放之不错与可再次的研究期刊。我一直惦记做点类似的工作,拉近产品及技巧之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数量快速分类问题.

  • 《purine2》

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

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然较少.但蚊子再略为是肉.有突出部分.此外还有一个由于zheng
Rui整理的机器上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是相同随自然语言处理的词典,从1998年开始交手上累积了众多的科班词语解释,如果你是同一位正入门的朋友.可以借这本词典让投机成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年及今天之比数据,用PageRank计算世界杯参赛球队排名榜.

  • 《R
    Tutorial》

介绍:R语言教程,此外还引进一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区发现的飞跃算法,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,可当客户端浏览器中运作,支持LSTM等
github地址

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,国内翻译

  • 《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本,值得深入学
国内云(视频)

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:
“面向视觉识别的CNN”课程设计报告集锦.近百首,内容提到图像识别应用之各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内发出热情的冤家翻译了中文版,大家也可以在线阅读

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强大的Python的多少解析工具包.

  • 《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、库调研与Theano的启幕测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等丁说深度上的新书,还非定稿,线上提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language
    processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数目科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目就开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的法门吗会和word2vec到手多的效用。另外,无论作者怎么碰,GloVe都比不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着的要害数学概念.

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

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断及情感分类效果很好.实现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机器上课程,先修课程为机上(10-715)和高中级统计学(36-705),聚焦统计理论同措施以机上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法及自由优化学科》是哈佛应用数学研究生教程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣之对象一定要看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数量利用》

介绍:生物医学的SPARK大数额应用.并且伯克利开源了他们的big data
genomics系统ADAM,其他的始末可关心一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或者机器翻译技术感兴趣之亲们,请于提出自己牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有夫世界几生顶会的舆论列表,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,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:斯坦福的深浅上课程的Projects 每个人且如描绘一个论文级别的报告
里面来一些特别有意思的使 大家可以省 .

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

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

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

介绍:文中涉及的老三首论文(机器上那些从事、无监控聚类综述、监督分类归纳)都老经典,Domnigos的机械上课也蛮美妙

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深度上之票房价值理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近以McGill
University研讨会达成之喻,还提供了一样多重讲话机器上方式的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:亚马逊在机上地方的有些使,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机械上基本概念教学.

  • 《DeepCLn》

介绍:一个冲OpenGL实现之卷积神经网络,支持Linux及Windows系.

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

介绍:基于Mahout和Elasticsearch的引荐系统.

  • 《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分析以及数码挖掘的几率数据结构.

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

介绍:机器上以导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp

介绍:{swirl}数据训练营:R&数据是在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春学期CMU的机上课程,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械上,国内镜像.

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

介绍:以往上千行代码概率编程(语言)实现只需要50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

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

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted
    paper》

介绍:国际人工智能联合会议任用论文列表,大部分舆论而应用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之最主要性.

  • 《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:有趣的机上:最醒目入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

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

  • 《Sentiment Analysis on
    Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

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

相关文章