必威滚球机上与深度上材料。机器上(Machine Learning)&深度上(Deep Learning)资料。

  • 《Brief History of Machine
    Learning》

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

介绍:这是相同首介绍机器上历史之章,介绍很周到,从感知机、神经网络、决策树、SVM、Adaboost到自由森林、Deep
Learning.

 
  • 《Brief History of Machine
    Learning》

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

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的流行版本《神经网络与深度上综述》本综述的特点是以时间排序,从1940年开头说起,到60-80年代,80-90年代,一直讲到2000年晚同近年来几年之拓。涵盖了deep
learning里各种tricks,引用非常全面.

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

介绍:这是平客python机器上库,如果你是一模一样号python工程师而且想深入之念机器学习.那么就首文章或能拉及你.

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

介绍:这等同篇介绍如果计划及管制属于您自己之机械上型之文章,里面提供了保管模版、数据管理和实施方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还免知晓呀是机器上,或虽然是刚上感觉到大枯燥乏味。那么推荐一诵读。这首文章曾于翻成中文,如果生趣味可以倒http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机上之根本语言,有无数底恋人想上R语言,但是连忘记一些函数和主要字的意义。那么这篇稿子或能够扶助到你

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该如何抉择机器上算法,这首稿子于直观的较了Naive
Bayes,Logistic
Regression,SVM,决策树等艺术的好坏,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了的版:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深度网络,作者对例子的挑、理论的介绍都怪到位,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:<机器上与优化>这是相同论机器上的小册子,
短短300基本上页道尽机器学习之方方面面. 图文并茂, 生动易懂,
没有同垛坨公式的烦恼. 适合新手入门打基础, 也抱老手温故而知新.
比由MLAPP/PRML等大部头,
也许就本你重新亟待!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上与统计上理论》

介绍:作者是来自百度,不过他自我就以2014年4月份申请离职了。但是就首文章特别不利如果您莫懂得深度上和支持为量机/统计上理论来啊关联?那么应该马上看看就首文章.

  • 《计算机对中之数学》

介绍:这本书是由于谷歌公司与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,目前境内发出纸质书购买,iTunes购买

  • 《Data Science with R》

介绍:这是一模一样按部就班由雪城大学新编的次本子《数据对入门》教材:偏实用型,浅显易懂,适合想学学R语言的同室选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是同一篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20独问题,内容包括TAOCP,P/NP问题,图灵机,逻辑,以及为什么大神不用电邮等等。

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

介绍:不见面统计怎么收拾?不亮堂哪选择合适的统计模型怎么处置?那就篇稿子你的漂亮读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同篇有关automatic
statistician的篇章。可以自行选择回归模型类别,还能够自行写报告…

  • 《ICLR 2014论文集》

介绍:对纵深上和representation learning最新进展产生趣味之同班可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是如出一辙论信息搜索有关的图书,是由于斯坦福Manning和谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美无与伦比给欢迎的消息寻找教材之一。最近笔者多了拖欠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摆放良的觊觎来诠释机器上重大概念: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.很清晰

  • 《雅虎研究院的多寡集汇总》

介绍:雅虎研究院的数集汇总:
包括语言类数据,图跟集体交类数据,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,并且在2014年一月早就开课: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资料汇集是据为机械上新家推荐的上乘学习资源,帮助新家快速入门。而且就首文章的介绍就深受翻成中文版。如果你多少熟悉,那么我建议乃先看无异看押中文的牵线。

  • My deep learning reading
    list

介绍:主要是沿Bengio的PAMI
review的文章找出来的。包括几依照综述文章,将近100首论文,各位山头们的Presentation。全部都好在google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是同照图书,主要介绍的凡跨语言信息寻找方面的学问。理论很多

  • 追究推荐引擎内部的秘,第 1 有:
    推荐引擎初探

介绍:本文共有三独系列,作者是缘于IBM的工程师。它最主要介绍了推介引擎相关算法,并支援读者很快的贯彻这些算法。 探讨推荐引擎内部的隐秘,第
2 片: 深度推荐引擎相关算法 –
协同过滤,追推荐引擎内部的私房,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机械上新专家的一些提议》,
写的雅实在,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码

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

  • 《“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年来他径直于机上园地耕耘。近年来机器上变得炙手可热,Platt和共事们遂决定办博客,向群众介绍机器上之研究进展。机器上是呀,被运用在哪?来拘禁Platt的就首博文

  • 《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)已经深受6月21-26日于江山议会中心热闹举办。本次大会由微软亚洲研究院及清华大学联袂主办,是以此具有30大抵年历史并著名世界之机上园地的盛会首浅赶到中国,已成功吸引世界1200大多位学者的报名与。干货很多,值得深刻上下

  • 《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切实可行用,RankNet对NDCG之类不灵活,加入NDCG因素后化作了LambdaRank,同样的构思从神经网络改吗利用到Boosted
Tree模型就成功了LambdaMART。Chirs
Burges,微软的机器上大神,Yahoo
2010 Learning to Rank
Challenge第一叫得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢: From
RankNet to LambdaRank to LambdaMART: An
Overview另外,Burges还有好多有名的代表作,比如:A
Tutorial on Support Vector Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本课程将阐述无监控特征上与深上的最主要观点。通过上,你吗拿落实多独作用上/深度上算法,能收看它也而工作,并学习怎么使/适应这些想法到新题材上。本课程假定机器上之基本知识(特别是习的督察上,逻辑回归,梯度下降的想法),如果你免熟识这些想法,我们建议您去这里机上课程,并先行就第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已闹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。如果急需了清楚,需要一定的机械上基础。不过有点地方会为人眼前同样亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是平等篇介绍图像卷积运算的稿子,讲的曾算是比较详细的了

  • 《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FQ)

  • 《Awesome Machine
    Learning》

介绍:一个至上完整的机上开源库总结,如果您当这碉堡了,那后是列表会还被您惊叹:【Awesome
Awesomeness】,国内已来热情的恋人进行了翻汉语介绍,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、斯坦福大学电脑系Chris
Manning教授的《自然语言处理》课程有视频都好以斯坦福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机器上相关平台与开源之机上库,按照大数量、NLP、计算机视觉和Deep
Learning分类开展了整理。看起挺全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太核心的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上的算法很多。很多上困惑人们还是,很多算法是同样近乎算法,而有些算法又是起另算法中延长出来的。这里,我们于简单单方面来吃大家介绍,第一只地方是读书的法门,第二独面是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你既知晓了是啊内容,没错。里面有多经文的机器上论文值得仔细跟数的开卷。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏书籍》

介绍:总结了机械上之经典图书,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据机器上的电子书,可以下载下来当pad,手机方面任意时刻去读。不多己提议乃看罢一依照再下充斥同按照。

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

介绍:标题很怪,从新手到学者。不过看罢上面装有材料。肯定是大家了

  • 《机器上最佳入门学习材料汇集》

介绍:入门的书真的大多,而且自己已帮助您追寻手拉手了。

  • 《Sibyl》

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

  • 《Neural Network & Text
    Mining》

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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实践人检测

  • 《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:这同时是同首机器上新大方的入门文章。值得一读

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17只有关机器上的工具

  • 《神奇之伽玛函数(上)》

介绍:下集在这里神乎其神之伽玛函数(下)

  • 《分布式机器上的故事》

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后以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所见所闻。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要上学的读本以及控制的知识。这样,给机器学习者提供一个前进的路子图,以免走弯路。另外,整个网站还是有关机器上之,资源非常丰富。

  • 《Machine Learning Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经验资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一模一样论来自小的研究员 li Peng和Dong
Yu所展示的关于深度上的点子以及采用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机械上夏季课刚刚竣工
有守50小时的视频、十多只PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13名叫讲师都是牛人:包括好牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大规模机器上体系》

介绍:在当年之IEEE/IFIP可靠系统跟网(DSN)国际会议上,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简单地介绍了他们当年参加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。如果非是颇彻底可看概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

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

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有局部其它的机器上和数码挖掘文章和深上文章,不仅是理论还有源码。

  • 《文本和数挖掘视频汇总》

介绍:Videolectures上极度给欢迎之25个文件和数据挖掘视频汇总

  • 《怎么取舍深度上之GPUs》

介绍:在Kaggle上不时得不错成绩的Tim
Dettmers介绍了外协调是怎么取舍深度上的GPUs,
以及个体怎么构建深度上之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,国内的机器上爱好者非常热心的拿这课程翻译成了汉语。如果你英语不好,可以望这个

  • 《Deep Learning 101》

介绍:因为近两年来,深度上在媒体界被炒作好厉害(就如那个数目)。其实过多人犹还未亮什么是深度上。这首文章由浅入深。告诉你深度学究竟是呀!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学举行的同免费课程(很勉强),这个好让你以深上之旅途吃您一个学的思路。里面涉及了一部分主导的算法。而且告诉你怎么样去采用到实在条件中。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学开的一个深度上用来辨别图片标签/图转文字的demo。是一个实际用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是内容需要发出必然之功底。

  • 《R工具包的分类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是当下数解析世界的一个紧俏内容。很多总人口于平时的工作面临还或多要有失会就此到机械上的算法。本文为汝总结一下大的机上算法,以供而在干活及学习着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

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

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列的(六)

Deep
Learning(深度上)学习笔记整理系列的(七)

DeepLearning(深度上)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的用深度上做计算机是苏的NIPS 2013学科。有mp4,
mp3,
pdf各种下载 他是纽约大学教书,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之开源中文自然语言处理(NLP)工具包
Fudan
NLP里含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功能,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,但与此同时蛮想念上机器上的朋友。是一个怪之便利。机器上周刊目前紧要提供中文版,还是面向广大国内爱好者,内容涉及机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的要数学先导课程。其实《线代》这门课称得浅显易懂特别不轻,如果相同直达来就讲讲逆序数及陈行列式性质,很爱被学生去学习之兴味。我个人推举的特级《线性代数》课程是麻省理工Gilbert
Strang教授的课程。 课主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了扳平称来本古里什么大学之访问学者,制作了同样效仿关于机器上的千家万户视频课程。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争辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对大数目时,量子机器上的第一独试验 paper
下载

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

介绍:Wired杂志报道了UCLA数学博士Chris McKinlay
(图1)通过非常数量手段+机器上方法破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定着12个账号,下载了恋爱网站2万女用户之600万题目答案,对她们开展了统计抽样及聚类分析(图2,3),最后终于赢得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开战,该课属于MIT研究生级别之学科,对机器人和非线性动力系统感兴趣之情侣不妨可以挑战一下马上宗科目!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源* 《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年启幕于电脑对的舆论中给引用次数最多的论文

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

介绍:把今年之一个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。欢迎大家以。可以实时的采集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会连续公开。

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好习她?可以吃你以浏览器中,跑起深度学习效果的超酷开源项目ConvNetJS作者karpathy告诉你,最佳技巧是,当您从头勾画代码,一切以易得清楚。他刚刚公布了一如既往遵照图书,不断在线更新

  • 《Building a Production Machine Learning
    Infrastructure》

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

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

介绍:使用Neo4j 做电影评论的情分析。

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

介绍:不仅是材料,而且还针对性小材料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱啊?

  • 《scikit-learn:用于机器上之Python模块》

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

  • 《对话机器上大神Michael
    Jordan:解析领域受到各类模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上园地神经网络的大牛,他对纵深上、神经网络有着特别浓厚的志趣。因此,很多咨询的题材被寓了机器上园地的各模型,乔丹教授对这一一做了说明以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*寻找是人造智能基本算法,用于高效地搜寻图备受少点的极品途径,
核心是 g(n)+h(n):
g(n)是自从起点到顶点n底莫过于代价,h(n)大凡顶点n到对象顶点的估量代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档以了Microsoft Azure,可以在几乎瓜分种内得NLP on Azure
Website的配置,立即开始针对FNLP各种特色的试用,或者以REST
API的花样调用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年始深度上文献》

介绍:从硬件、图像及健康、生物、大数额、生物信息重新到量子计算相当于,Amund
Tveit等保护了一个DeepLearning.University小类:收集从2014年开班深度上文献,相信可以当深度上之起点,github

  • 《EMNLP上有数首关于股票方向的采取论文

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:许多风俗习惯的机械上任务都是以学习function,不过谷歌目前起开始上算法的主旋律。谷歌另外的即时首学习Python程序的Learning
to Execute否时有发生相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

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

  • 《R机器学习履》

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

  • 《大数额解析:机器上算法实现之嬗变》

介绍:本章中笔者总结了三代机上算法实现之演变:第一替非分布式的,
第二代表工具而Mahout和Rapidminer实现冲Hadoop的扩充,第三代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析与机具视觉》

介绍:讲计算机视觉的季管辖奇书(应该被经典吧)之一,另外三依是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:里面基本无提到到具体算法,但作者介绍了CF在LinkedIn的成千上万采取,以及他们当开推荐过程遭到赢得的有经历。最后一条经验是应该监控log数据的身分,因为推荐的色好靠数据的成色!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初大方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

  • 《利用深度上与老数量构建对话系统

介绍:如何使用深度上和大数据构建对话系统

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

介绍:Francis Bach合作之关于稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容涉嫌Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及在图像和视觉上的采取,而且率先组成部分关于Why does
the l1-norm induce sparsity的解说啊殊对。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上中重要性的概念,其于large
margin分类器上的使也是广为熟知的。如果没比好之数学基础,直接掌握RKHS可能会见是。本文自着力运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多校友对机械上和深度上的迷惑在于,数学方面现已盖知道了,但是动于手来却未掌握怎么下手写代码。斯坦福深度上博士Andrej
Karpathy写了同一篇实战版本的深上与机上课程,手把手教您用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的同》

介绍:本文会过相同举最流行的机上算法,大致了解如何方法可用,很有帮带。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来多关于机器上、信号处理、计算机视觉、深入学、神经网络等领域的雅量源代码(或可实行代码)及有关论文。科研写论文的好资源

  • 《NYU
    2014年的吃水上课程资料》

介绍:NYU 2014年之纵深上课程资料,有视频

  • 《计算机视觉数据集不全集中》

介绍:计算机视觉数据集不了集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数量挖掘十充分经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单非常过硬的门类

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州大学欧文分校为机械上社区保安着306独数据集。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,使用机器上以图像、视频语义分析世界取得了科研与工程上之突破,发的篇章不多,但每个都格外踏实,在各国一个题目达成且做到了state-of-art.

  • 《Andrej
    Karpathy的吃水加深学习演示》

介绍:Andrej
Karpathy的深浅加深学习演示,舆论在此处

  • 《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。

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同等个英国诞生的乘除机学家和心理学家,以那当神经网络方面的奉献闻名。辛顿是倒为传来算法和自查自纠散度算法的发明人之一,也是深上的主动促进者.

  • 《自然语言处理的吃水上理论及实际》

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

  • 《用生数额以及机具上做股票价格预计》

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

  • 《关于机器上的几理论问题》

介绍:徐宗本
院士将为爱机器上的伴侣一起追有关于机器上之几单理论性问题,并吃有一些有含义之下结论。最后通过有些实例来验证这些理论问题之物理意义以及实在利用价值。

  • 《深度上在自然语言处理的施用》

介绍:作者还显得有《这即是摸索引擎:核心技术详解》一写,主要是介绍应用层的东西

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之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票房价值统计模型并行使模型对数码进行展望与剖析的同一派是,统计上吧化为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的对象是针对计算机编程,以便使样本数还是以往之阅历来缓解给定的问题.

  • 《CIKM 2014主题报告的幻灯片》

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

  • 《人工智能与机器上世界有趣的开源项目》

介绍:部分华语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有雷同篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了相同篇超赞的数值优化博文,从牛顿法讲到起牛顿法,再张嘴到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上道概述(一)》

介绍:还有续集明明深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数量和机具上之组合》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边模仿边用word2vec及deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并在其实比间比调参数与清数据。
如果都装过gensim不要忘记升级

  • 《PyNLPIR》

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

  • 《深度卷积神经网络下围棋》

介绍:这篇说拿多年来型识别达到的突破用及围棋软件及,打16万布置业棋谱训练模型识别功能。想法是。训练后即能够形成决不计算,只看棋盘就叫出下一样步,大约10级棋力。但随即首文章最过乐观,说啊人类的最终一片堡垒马上将过掉了。话说得最早。不过,如果和别的软件做该还有潜力可开。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他代表,根据这次实验的结果,如果今年NIPS重新审稿的语,会产生一半之舆论被拒。

  • 《2014年超级的怪数据,数据科学文章》

介绍:KDNuggets分别总结了2014年14个阅读最多和享受最多之章。我们从中可以看看多独主题——深度上,数据科学家职业,教育和薪酬,学习数据正确的家伙比如R和Python以及公众投票的最为给欢迎的多寡科学和多少挖掘语言

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

介绍:Python实现线性回归,作者还发另外特别过硬的章援引可省

  • 《2014中华好数据技术大会33各类中心专家发言PDF》

介绍:2014华夏大数量技术大会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在情感分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布在github(目前凡是拖欠的)。这象征Paragraph%E5%85%AC%E5%B8%83%E5%9C%A8github(%E7%9B%AE%E5%89%8D%E6%98%AF%E7%A9%BA%E7%9A%84)%E3%80%82%E8%BF%99%E6%84%8F%E5%91%B3%E7%9D%80Paragraph) Vector终于揭开面纱了呗。

  • 《NLPIR/ICTCLAS2015细分词系大会上的艺演讲

介绍:NLPIR/ICTCLAS2015分开词系发布与用户交流大会上的演说,请复多朋友检阅新版分词吧。
我们实验室同学的演讲包括:孙梦姝-基于评论意见挖掘的货搜索技术研讨 李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反倒朝求导及练习》

介绍:介绍CNN参数在采取bp算法时该怎么训练,毕竟CNN中起卷积层和下采样层,虽然和MLP的bp算法本质上同,但花样上或略微区别之,很强烈在成就CNN反朝传来前询问bp算法是必须的。此外作者也举行了一个资源聚集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果要是于同首文章被匹配配十万独第一词怎么惩罚?Aho-Corasick 算法利用上加了回来边的Trie树,能够当线性时间外到位匹配。
但如果匹配十万单正则表达式呢 ?
这下可据此到把多独刚则优化成Trie树的措施,如日本总人口形容的 Regexp::Trie

  • 《Deep learning Reading List》

介绍:深度上阅读清单

  • 《Caffe》

介绍:Caffe是一个开源之深上框架,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实现的开源人工神经网络库

介绍:LambdaNetLambdaNet是由Haskell实现之一个开源的人工神经网络库,它抽象了网络创建、训练并应用了高阶函数。该库还提供了一样组预定义函数,用户可行使多智结合这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

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

  • 《杨强于TEDxNanjing谈智能的起源》

介绍:”人工智能研究分众派。其中有为IBM为表示,认为使出高性能计算就只是取得智能,他们的‘深蓝’击败了世界象棋冠军;另一样派别认为智能来自动物本能;还产生个要命强的山头认为使找来大家,把她们之想用逻辑一条条写下,放到计算机里即使推行……”
杨强于TEDxNanjing谈智能的源

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

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

  • 《Deep Learning实战之word2vec》

介绍:网易有道的老三各类工程师写的word2vec之分析文档,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材料的大合集,对word2vec谢谢兴趣之情侣可看看

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上之各种编程语言学术和商业的开源软件.与此类似的还有不少诸如:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是计算机研二(写稿子的早晚,现在凡是2015年了应该将毕业了),专业方向自然语言处理.这是某些外的阅历的谈.对于入门的恋人或会来帮

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一模一样首有关机器上算法分类的文章,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多内容,在这边产生有之佳内容就是来自机器上日报.

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

介绍:这是同等篇有关图像分类在深度上中之稿子

  • 《自动语音识别:深度上方式》

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

  • 《NLP中之中文分词技术》

介绍: 作者是360电商技术组成员,这是一致首NLP在汉语言分词中的运

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

介绍: 使用deep
learning的口脸要点检测,此外还有雷同首AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人口编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG ,汇集了结构化预测世界多牛文,涉及CV、NLP等领域,值得一读。网上公开之几回草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用强深装逼的数学语言形容的矩阵概率不等式用初等的计勾勒出来,是甚好的手册,领域内的paper各种证明都于于是中的结果。虽说是初等的,但还是非常之难

  • 《The free big data sources you should
    know》

介绍:
不容错过的免费生数据集,有些都是如数家珍,有些可能还是率先软听说,内容越文本、数据、多媒体等,让她们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的深上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好的议论递归神经网络的篇章,覆盖了RNN的概念、原理、训练和优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还生一致篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了众多之资源,例如角,在线课程,demo,数据整合等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望以辩论以及履行里找到平衡点,各主要内容都陪伴有实在例子及数码,书中之例证程序还是因此R语言编写的。

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

介绍:IVAN VASILEV写的深上导引:从浅层感知机到深度网络。高只是读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒和福利之人为智能优先研究计划:一查封公开信,目前既来Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等丁签约The Future of Life
Institute
(FLI).这封信的背景是最近霍金同Elon
Musk提醒人们瞩目AI的隐秘威胁。公开信的情节是AI科学家等站于福利社会的角度,展望人工智能的前程提高方向,提出开发AI系统的Verification,Validity,
Security,
Control四接触要求,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。其实还有平等部美剧《疑犯追踪》,介绍了AI的形成从同开始之自学习,过滤,图像识别,语音识别等看清危险,到第四季的时候出现了机械通过上成长之后想操纵世界之状态。说交这里推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了成百上千资源,还发出相关文化结构,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)开源了同等多级软件库,以帮扶开发者建立重特别、更快之纵深上型。开放之软件库在
Facebook 被号称模块。用她替代机械上园地常用之开条件 Torch
中的默认模块,可以于更短的日子外训练再度可怜范围的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描摹为2012年,但是这篇稿子完全是作者的经验的作。

  • 《如何变成同各类数据科学家》

介绍:本文是对《机器上实战》作者Peter
Harrington做的一个访谈。包含了书被有的的疑团解答和某些私有学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的深浅上概述,对几栽流行的深度上型都进展了介绍与座谈

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

介绍:主要是叙了使R语言进行数据挖掘

  • 《Understanding
    Convolutions》

介绍:帮您知道卷积神经网络,讲解很清晰,此外还有少数首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的别样的关于神经网络文章为殊过硬

  • 《Introduction to Deep Learning
    Algorithms》

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

  • 《Learning Deep Architectures for
    AI》

介绍:一依照上人工智能的书,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,他的主页放了片介绍性文章与课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个所以来快速的统计,机器上而于数据量大之数学库

  • 《ICLR
    2015会的arXiv稿件合集》

介绍:在这里你可以看来最近深度上来什么新取向。

  • 《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 ,收录了消息搜索、网络信息搜索、搜索引擎实现等方面有关的书本、研究为主、相关学科、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几哪里法及其于机器上中的下

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

  • 《文本上的算法》

介绍:
文中涉嫌了不过完美,模型,最大熵等等理论,此外还有使用篇。推荐系统可说凡是同样准对的阅读稿,关于模型还引进一篇Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

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

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了于Hadoop2.0达到运深度上,文章来源paypal

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

介绍:用基于梯度下降的办法训练深度框架的执行推荐指导,作者是Yoshua
Bengio .感谢@xuewei4d
推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计以及报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个摆机器上的Youtube视频教程。160凑。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械上,并行计算如果你还惦记打听一些另的得省他博客的外文章

  • 《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句的精选

  • 《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使用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中之明数据集

  • 《Search Engine & Community》

介绍: 一个学搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是快极抢之NLP库,快的因由同样凡因此Cython写的,二是故了单好巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍: Fields凡是独数学研究为主,上面的这卖ppt是缘于Fields举办的运动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的藏论文》

介绍: Topic modeling 的经文论文,标注了最主要点

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

介绍:
多伦多大学与Google合作的新论文,深度上吧得据此来下围棋,据说能落得六段落水平

  • 《机器上周刊第二希望》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外还推荐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篇经过分类的吃水上论文了,很多经典论文还已用

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

介绍: Radim
Řehůřek(Gensim开发者)在同次等机器上聚会上的告诉,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:很多店家还为此机器上来解决问题,提高用户体验。那么怎么可以叫机器上还实时和中也?Spark
MLlib 1.2间的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们各半小时1TB的研讨数据,现在通告让大家于是了。

  • 《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。本文只记录基本概念与原理,并无关乎公式推导。文中的LDA实现基本部分采用了arbylon的LdaGibbsSampler并力所能跟地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science Platform》

介绍:
AMiner是一个学问搜索引擎,从学网络被刨深度知识、面向科技大数量的开掘。收集近4000万作者信息、8000万论文信息、1亿基本上引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec的趣应用,Omer
Levy提到了他当CoNLL2014极品论文里之解析结果以及新方式,Daniel
Hammack给起了查找特异词的粗应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其中的微课程已经归档过了,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年之信教

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个丁脸图像识别库。包含正面与多视角人数脸检测两个算法.优点:速度快(OpenCV
haar+adaboost的2-3倍增), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015极其佳论文
把马尔可夫链理论用在了图分析者,比相似的propagation
model更加深切一些。通过全局的平安分布去求解每个节点影响系数模型。假设合理(转移受到隔壁的熏陶系数影响)。可以据此来反求每个节点的影响系数

  • 《机器上入门书单》

介绍:机器上入门书籍,切实介绍

  • 《The Trouble with
    SVMs》

介绍:
非常强的强调特征选择对分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再用节能贝叶斯分类器,取得了比SVM更优秀的效能,训练与归类时间啊大大降低——更要的凡,不必花费大量时空以攻及优化SVM上——特征呢同no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和处理器有关知名教授Larry Wasserman
在《机器崛起》,对比了统计以及机具上之别

  • 《实例详解机器上如何化解问题》

介绍:随着大数量时代的赶来,机器上变成化解问题的一致栽关键且要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的样子,但是学术界和工业界对机器上之研讨各个发生尊重,学术界侧重于对机器上理论的钻研,工业界侧重于如何用机器上来缓解实际问题。这首文章是美团的实在条件受到之实战篇

  • 《Gaussian Processes for Machine
    Learning》

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

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下的文件模糊匹配库,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是因Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您重新快地创建同管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一愿意的机械上入门课程”Introduction to
Machine
Learning“近期恰巧开拍,课程4K高清视频并到Youtube上,目前恰好更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣的同窗可以关心,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的合特征,可再好地表达图片内容相似性。由于匪靠让人工标签(标注),可用来大规模图片处理,难在用户作为数据的抱与洗;利用社会化特征的思绪值得借鉴.

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

介绍:Twitter技术团队对前段时间开源之日子序列非常检测算法(S-H-ESD)R包的牵线,其中对异常的概念跟分析好值得参考,文中也涉——异常是青出于蓝针对性的,某个世界支出之万分检测在其他领域直接用而不行.

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

介绍:聚焦数据质量问题的回复,数据质量对各种层面企业之属性和频率还重点,文中总结发生(不制止)22栽典型数据质量问题显现的信号,以及卓越的数码质量解决方案(清洗、去再、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山纵深上峰会视频采访,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的规则仍机场(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,用神经网络实现快速准确的依存关系解析器

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

介绍:做深度上如何选GPU的提议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上的语,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年以及主题报告 、讲义.

  • 《Awesome Computer
    Vision》

介绍:
分类整理的机视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的创新频率为够呛频繁

  • 《Adam Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

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

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息搜索排序模型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)并且带有集成学习之沉思:组合了BM11同BM15点儿个模型。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是研讨时序列的基本点艺术,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: 把源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:
揭开印度菜之水灵秘诀——通过对大量食谱原料关系之打桩,发现印度菜肴香的原因有是中间的含意互相冲突,很风趣的文件挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐中文分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的涉嫌,最红的凡语言学家齐夫(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甚高频以及那个低频词的状 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,有成百上千RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信你吗会受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相速查表》

介绍: Scikit-Learn官网提供,在本来的Cheat
Sheet基础及长了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的一揽子硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在面部识别达到你自己都是专家,即使细微的歧异吗克识别。研究就证实人类与灵长类动物在脸加工上不同为任何物种,人类采取梭状回面孔区(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周到组合。

  • 《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和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拔尖之物下。此外作者博客的外文章为杀不错。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实在行使场景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:一个深上型,提供了Python, C/C++, Java, Scala, Go多只本子的代码

  • 《Deep Learning Tutorials》

介绍:深度上课程,github

  • 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

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

介绍:Google对Facebook DeepFace的强有力回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上高达99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别以及聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的等同篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她俩在MLlib中的分布式实现,以及显一些简短的例证并提议该打何方达手.中文版.

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

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

  • 《神经网络语言模型》

介绍:本文根据神经网络的升华进程,详细讲解神经网络语言模型在各个阶段的款式,其中的范包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等根本变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题之初研: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,包括完整的数处理流程,是读书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)是图像处理以及图像分析的钻研期刊,每篇文章还饱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是开的是及而重新的钻研期刊。我直接怀念做点类似的工作,拉近产品跟技能之间的距离.

  • 《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,同步创新参数的事态下中心达线性加速。12块Titan
20钟头可以得Googlenet的教练。

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然较少.但蚊子再稍加也是肉.有凸起部分.此外还有一个由zheng
Rui整理的机械上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是同等论自然语言处理的词典,从1998年开交手上累积了广大的正规词语解释,如果你是千篇一律号正入门的朋友.可以借这本词典让祥和成长更快.

  • 《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,此外尚推荐一个R语言教程An Introduction to
R.

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区发现的高速算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即因此.

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

介绍:
支持node.js的JS神经网络库,可每当客户端浏览器被运行,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,国内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化和人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机器上的基本,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.近百篇,内容提到图像识别应用之各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

介绍: 基于深度上之大多标签分类,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,它目前托管在sourceforge上面

  • 《Data Journalism Handbook》

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

  • 《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: 非常强劲的Python的数目解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文书分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研以及Theano的始发测试体会报告.

  • 《DEEP learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等人口讲深度上之新书,还非定稿,线及提供Draft
chapters收集报告,超赞!强烈推荐.

  • 《simplebayes》

介绍: Python下开始源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数量科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目曾经开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的办法吧能跟word2vec赢得多的效果。另外,无论作者怎么碰,GloVe都比不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上中的要数学概念.

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

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

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机上课程,先编课程为机上(10-715)和中统计学(36-705),聚焦统计理论与艺术以机械上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法和自由优化学科》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爱侣一定要探望,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数额运用》

介绍:生物医学的SPARK大数量应用.并且伯克利开源了他们之big data
genomics系统ADAM,其他的情可以关心一下官方主页.

  • 《ACL Anthology》

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

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

介绍:论文+代码:基于集成方法的Twitter情感分类,兑现代码.

  • 《NIPS 2014 CIML workshop》

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

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福的深上课程的Projects 每个人且如描绘一个论文级别的报告
里面来一些充分有意思的用 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较现实方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

介绍:文中提到的老三篇论文(机器上那些从、无监控聚类综述、监督分类归纳)都格外经典,Domnigos的机上课为死了不起

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的深度上的几率理论.

  • 《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最近于McGill
University研讨会达成的喻,还提供了平等多重讲话机器上道的ipn,很有价 GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊以机器上方面的有使用,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的推荐系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析及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&数据正确在线交互教程.

  • 《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年青春学期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:大数据处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机器上,国内镜像.

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

介绍:以往上千履行代码概率编程(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,此外尚引进《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用论文列表,大部分论文而使用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的关键性.

  • 《Distributed (Deep) Machine Learning
    Common》

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

  • 《Reinforcement Learning: An
    Introduction》

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

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

介绍:免费书写:Azure ML使用精要.

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

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

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

介绍:有趣的机器上:最显著入门指南,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,包括大气底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,是祈求挖掘地方的专家。他掌管设计与实现之Arnetminer是国内领先的图挖掘系统,该系统也是基本上单会议的支持商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习之国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半督查上,multi-label学习及集成学习方面以国际直达生得的熏陶力.

  • 《国内机器上算法和应用领域人物篇:王海峰》

介绍:信息搜索,自然语言处理,机器翻译者的专家.

  • 《国内机器上算法和应用领域人物篇:吴军》

介绍:吴军博士是眼前Google中日韩文搜索算法的要设计者。在Google其间,他领导了诸多研发项目,包括多跟汉语相关的制品及自然语言处理的路,他的新个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

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

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

  • 《Building a new trends
    experience》

介绍:Twitter新trends的骨干落实框架.

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

介绍:Storm手册,国内有中文翻译版本,谢谢作者.

  • 《SmileMiner》

介绍:Java机器上算法库SmileMiner.

  • 《机器翻译学术论文写作方法和技巧》

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:神经网络训练中的Tricks之迅捷BP,博主的其它博客也深美好的.

  • 《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丰厚,推荐新入门的意中人阅读.

  • 《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以榜上,包括1位诺贝尔奖得主,35各图灵奖得主,近百个美国工程院/科学院院士,300大抵员ACM
Fellow,在此间推荐的缘故是大家好在google通过寻找牛人的讳来博更多的资源,这卖资料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

介绍:用大型语料库学习概念的层次关系,如小鸟是鹦鹉的上级,鹦鹉是虎皮鹦鹉的上司。创新性在于模型构造,用因子图刻画概念里依存关系,因引入兄弟关系,图有环,所以用生环扩散(loopy
propagation)迭代划算边际概率(marginal probability).

  • 《Bayesian
    analysis》

介绍:
这是一律款款贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册出250差不多页,虽然R语言
已经出类似的项目,但究竟可以追加一个可选项.

  • 《deep net highlights from
    2014》

介绍:deep net highlights from 2014.

  • 《Fast R-CNN》

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

  • 《Fingerprinting Images for Near-Duplicate
    Detection》

介绍:图像指纹的双重识别,作者源码,国内翻译版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用之商号消息汇总.应用领域包括:自动帮驾驶以及交通管理、眼球与头部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和检、医药和生物、移动装备目标识别以及AR、人群跟踪、摄像、安全监控、生物监控、三维建模、web和云应用.

  • 《Seaborn: statistical data
    visualization》

介绍:Python版可视化数据统计开源库.

  • 《IPython lecture notes for OCW MIT
    18.06》

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

  • 《Canova: A Vectorization Lib for
    ML》

介绍:面向机器上/深度上的数额向量化工具Canova,github,
支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文件为量化.

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

介绍:快速入门:基于Apache Mahout的分布式机器学习.

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

介绍:基于scikit-learn讲解了一些机上技术,如SVM,NB,PCA,DT,以及特色工程、特征选择与模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的快速机器上,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各项数据科学家语录精选.

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

介绍:深度上在死数目解析世界的以及挑战.

  • 《Free book:Machine
    Learning,Mathematics》

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

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

介绍:一首关于CNN模型对象识别Paper.

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

介绍:深度上的统计分析V:泛化和正则化.

  • 《Highway Networks》

介绍:用SGD能很快到位训练之广(多层)深度网络HN.

  • 《What I Read For
    Deep-Learning》

介绍:深度上解读文章.

  • 《An Introduction to Recommendation
    Engines》

介绍:Coursera上的推荐系统导论(Introduction to Recommender
Systems)公开课.

  • 《Stanford Machine
    Learning》

介绍:Andrew Ng经典机器上课程笔记.

  • 《ICLR
    2015》

介绍:ICLR
2015见闻录,博客的另机器上文章吧不错.

  • 《Stanford Machine
    Learning》

介绍:推荐系统”个性化语义排序”模型.

  • 《The More Excited We Are, The Shorter We
    Tweet》

介绍:激情时刻更可怜字——MIT的时髦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究相关论文.

  • 《Neural Turing Machines
    implementation》

介绍:实现神经图灵机(NTM),列地址,此外推荐相关神经图灵机算法.

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

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

  • 《Mining of Massive Datasets》

介绍:”Mining of Massive Datasets”发布第二本,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、降维和大机器上三章,电子版照例免费.

  • 《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:白话数据挖掘十特别算法.

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

介绍:基于Mahout和Elasticsearch的引进系统,国内译版.

  • 《Advances in Extreme Learning
    Machines》

介绍:博士学位论文:ELM研究进展.

  • 《10-minute tour of pandas》

介绍:Pandas十分钟速览,ipn.

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

介绍:面向数据新闻的文本挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用大网图片合成延时视频(SIGGRAPH 2015).

  • 《The Curse of Dimensionality in
    classification》

介绍:分类体系的维数灾难.

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

介绍:深度上vs.大数据——从数量及文化:版权的沉思,[翻译版](http://www.csdn.net/article/2015-05-19/2824707

  • 《A Primer on Predictive
    Models》

介绍:预测模型入门.

  • 《Demistifying LSTM Neural
    Networks》

介绍:深入浅出LSTM.

  • 《ICLR
    2015》

介绍:2015年ICLR会议视频与讲义.

  • 《On Visualizing Data
    Well》

介绍:Ben Jones的数目可视化建议.

  • 《Decoding Dimensionality Reduction, PCA and
    SVD》

介绍:解读数据降维/PCA/SVD.

  • 《Supervised learning superstitions cheat
    sheet》

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

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

介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.

  • 《An Introduction to Random
    Indexing》

介绍:随机索引RI词空间模型专题.

  • 《VDiscover》

介绍:基于机器上的纰漏检测工具VDiscover.

  • 《Minerva》

介绍:深度上体系minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上可知以4上内以GoogLeNet训练到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一起构成为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的加快深度上体系CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练及)存储.

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

介绍:新书预览:模型机学习.

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

 此外推荐Introduction to Bandits: Algorithms and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

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

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

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

介绍:Andrew
Ng关于深度上/自读/无监控特征上之语,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过地下知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向经济数据的真情实意分析工具.

  • 《pyLDAvis》

介绍:(Python)主题模型交互可视化库pyLDAvis.

  • 《Logistic Regression and Gradient
    Descent》

介绍:Logistic回归与优化实例教程.

  • 《贾扬清微信讲座记录》

介绍:贾扬清(谷歌大脑科学家、caffe缔造者)微信讲座记录.

  • 《sketch》

介绍:Theano/Blocks实现RNN手写字符串生成sketch.

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

介绍:基于TopSig的雅量(7亿+)网页聚类.

  • 《NAACL 2015 Proceedings on ACL
    Anthology》

介绍:NAACL 2015 论文papers.

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

介绍:机器上预测股市之七个问题.

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

介绍:神经网络学习资料推荐.

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

介绍:面向序列上的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:矩阵和数据的肆意算法(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
是根据Scipy为机械上建筑的之一个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。而且也计划有了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个于机器上研究简单化的冲Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个以HTM学习算法为器的机械智能平台。HTM是皮肤的准确计算方法。HTM的中坚是依据时间之不止学习算法和仓储以及注销的时空模式。NuPIC适合为各种各样的题目,尤其是检测好以及展望的流淌多少来源。

  • 《Nilearn》

介绍:Nilearn
是一个会很快统计上神经影像数据的Python模块。它使Python语言中的scikit-learn
工具箱和组成部分进展前瞻建模,分类,解码,连通性分析的应用程序来展开一系列的统计。

  • 《PyBrain》

介绍:Pybrain是依据Python语言强化学习,人工智能,神经网络库底简称。
它的对象是提供灵活、容易使以强大的机上算法和进行多种多样的预定义的条件中测试来比较你的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下之一个网络开模块。它呢多少挖掘,自然语言处理,网络分析和机器上提供工具。它支持向量空间模型、聚类、支持于量机和感知机并且为此KNN分类法进行分类。

  • 《Fuel》

介绍:Fuel为汝的机器上型提供数据。他产生一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这类似数据集的接口。你使用外来经过大多种底法来替代自己之数码。

  • 《Bob》

介绍:Bob是一个免费之信号处理及机械上之家伙。它的工具箱是因此Python和C++语言共同编辑的,它的统筹目的是换得更迅速又减少开支时间,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豁达软件包构成的。

  • 《Skdata》

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

  • 《MILK》

介绍:MILK是Python语言下的机器上工具包。它要是于诸多可是得到的分类比如SVMS,K-NN,随机森林,决策树被采用监控分类法。
它还行特征选择。
这些分类器在许多点彼此结合,可以形成不同的例如无监控上、密切关系金传播和出于MILK支持的K-means聚类等分类体系。

  • 《IEPY》

介绍:IEPY是一个注意于干抽取的开源性信息抽取工具。它要对的是待对大型数据集进行信息提取的用户和怀念只要尝尝新的算法的科学家。

  • 《Quepy》

介绍:Quepy是通过改动自然语言问题用以数据库查询语言中开展查询的一个Python框架。他好简简单单的受定义也在自然语言和数据库查询中不同种类的题目。所以,你绝不编码就足以起你协调之一个据此自然语言进入而的数据库的系统。现在Quepy提供对Sparql和MQL查询语言的支撑。并且计划以其延伸到其他的数据库查询语言。

  • 《Hebel》

介绍:Hebel是当Python语言中对此神经网络的深度上的一个库程序,它用的是经PyCUDA来开展GPU和CUDA的增速。它是无比关键之神经网络模型的花色的家伙而能提供有不等的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:它是一个由于中之家伙和平凡数据对任务的扩大组成的一个库程序。

  • 《nolearn》

介绍:这个顺序包容纳了大气能对您成功机器上任务来帮助的实用程序模块。其中大量的模块和scikit-learn一起坐班,其它的常见还起因此。

  • 《Ramp》

介绍:Ramp是一个当Python语言下制定机器上中加速原型设计之缓解方案的库程序。他是一个轻型的pandas-based机器学习中但是插入的框架,它现存的Python语言下的机械上及统计工具(比如scikit-learn,rpy2等)Ramp提供了一个简便的声明性语法探索效能因此会快灵地履行算法和换。

  • 《Feature
    Forge》

介绍:这无异密密麻麻工具通过跟scikit-learn兼容的API,来创造及测试机上效果。这个库程序提供了同组工具,它会叫你当多机械上程序下着老受用。当您下scikit-learn这个家伙时,你晤面发到备受了杀可怜的辅助。(虽然当时只是能够以您出例外之算法时由作用。)

  • 《REP》

介绍:REP是坐相同种植和谐、可再生的计呢指挥数据移动驱动所提供的同栽环境。它发出一个集合之分类器包装来供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且她可以于一个部落为平行的主意训练分类器。同时其吗供了一个交互式的内容。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机器上建筑的简易软件收集。

  • 《Python-ELM》

介绍:这是一个当Python语言下基于scikit-learn的极端学习机器的落实。

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外尚推荐Dimensionality Reduction A Short
Tutorial、Matlab
Toolbox for Dimensionality
Reduction、Unsupervised Kernel
Dimension
Reduction

  • 《Datasets Used For Benchmarking Deep Learning
    Algorithms》

介绍:deeplearning.net整理的深上数据集列表.

  • 《Golang Natural Language
    Processing》

介绍:Go语言编写的自然语言处理工具.

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

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

  • 《Three Aspects of Predictive
    Modeling》

介绍:预测模型的老三单方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度攻读及自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015齐Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上活动发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上之分析

 

 

  • 《Deep Learning in Neural Networks: An
    Overview》

机上(Machine Learning)&深度上(Deep Learning)资料(Chapter 2)

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的风靡版本《神经网络与深度上综述》本综述的性状是盖时日排序,从1940年初始讲话起,到60-80年份,80-90年份,一直称到2000年后与近年来几乎年之进展。涵盖了deep
learning里各种tricks,引用非常全面.

横流:机器上材料篇目一共500条,篇目二起来更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
希转载的爱侣,你得不要联系我.但是必定要是保存原文链接,因为这项目还当持续为以无定期更新.希望看到文章的朋友能够模拟到重多.此外:某些材料在中华拜会需要梯子.
  • 《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;还有算广告以及社会选择.ICML2015
Sessions.

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28及IEEE计算机视觉与模式识别(CVPR)大会以美国波士顿召开。微软研究员们在大会上亮了于往年更快还遵循的处理器视觉图像分类新模型,并介绍了争用Kinect等传感器实现以动态或者低光环境之迅猛大规模3D扫描技术.

  • 《Machine Learning for
    Humans》

介绍:(文本)机器上可视化分析工具.

  • 《A Plethora of Tools for Machine
    Learning》

介绍:机器上工具包/库的汇总/比较.

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

介绍:数据可视化最佳实践指南.

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

介绍:Day
1、Day
2、Day
3、Day
4、Day
5.

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

介绍:深度上的“深”——DNN的隐喻分析.

  • 《Mixture Density
    Networks》

介绍:混合密度网络.

  • 《Interview Questions for Data Scientist
    Positions》

介绍:数据科学家职位面试题.

  • 《Accurately Measuring Model Prediction
    Error》

介绍:准确评估模型预测误差.

  • 《Continually updated Data Science Python
    Notebooks》

介绍:Continually updated Data Science Python Notebooks.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《The Eyescream Project NeuralNets dreaming natural
    images》

介绍:来自Facebook的图像自动生成.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《A Neural Conversational Model》

介绍:(Google)神经(感知)会话模型.

  • 《The 50 Best Masters in Data
    Science》

介绍:The 50 Best Masters in Data Science.

  • 《NLP常用信息资源》

介绍:NLP常用信息资源.

  • 《Conditional Random Fields as Recurrent Neural
    Networks》

介绍:语义图像分割的真情演示,通过深度上技能和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:基于三头条培育方法的文件流聚类.

  • 《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独极叫座之开源(Python)机器上项目.

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

介绍:C++并行贝叶斯推理统计库QUESO,github code.

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

介绍:Nature:LeCun/Bengio/Hinton的风行篇章《深度上》,Jürgen
Schmidhuber的时评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的预计分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

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

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

介绍:读毕这100首论文
就可知化稀数据高手,国内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体及公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写给开发者的机械学习指南.

  • 《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将颁布只是扩大/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次递归编解码器.

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

介绍:GPU上根据Mean-for-Mode估计的飞快LDA训练.

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

介绍:从实验室到厂子——构建机器上生产架构.

  • 《6 Useful Databases to Dig for Data (and 100
    more)》

介绍:适合做多少挖掘的6单经数据集(及另外100独列表).

  • 《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:构建预测类应用时怎样挑选机器上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/情感分析的口碑电影推荐,此外推荐分拣算法的论据比较分析.

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

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

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

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的深度加深学习教程.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的可解释性.

  • 《The Essential Spark Cheat
    Sheet》

介绍:Spark快速入门.

  • 《Machine Learning for Sports and Real Time
    Predictions》

介绍:TalkingMachines:面向体育/政治及实时预测的机械学习.

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

介绍:Stanford社交网络与信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

介绍:David
Silver(DeeMind)的加剧学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的飞快深度学习.

  • 《Introduction to R
    Programming》

介绍:来自微软的<R编程入门>.

  • 《Golang:Web Server For Performing Sentiment
    Analysis》

介绍:(Go)情感分析API服务Sentiment Server.

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

介绍:受限波尔兹曼机初学者指南.

  • 《KDD2015十年最佳论文》

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

  • 《Nvidia Deep Learning
    Courses》

介绍:Nvidia深度学习课程.

  • 《Deep Learning Summer School
    2015》

介绍:2015年深度上暑期课程,推荐讲师主页.

  • 《百度深度上的图像识别进展》

介绍:这是同样首关于百度文章《基于深度上的图像识别进展:百度的若干行》的摘要,建议少首文章结合起来阅读.

  • 《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 实现的机械上库资源集聚总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上的统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的纵深上技术和技巧.

  • 《CrowdFlower Competition Scripts: Approaching
    NLP》

介绍:Kaggle’s CrowdFlower竞赛NLP代码集锦.

  • 《CS224U: Natural Language
    Understanding》

介绍:斯坦福的自然语言理解课程.

  • 《Deep Learning and Shallow
    Learning》

介绍:Deep Learning与Shallow Learning 介绍

  • 《A First Encounter with Machine
    Learning》

介绍:这是一律遵照机器上的电子书,作者Max
Welling士人在机器上教学方面装有丰富的阅历,这本开小但是精致.

  • 《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:介绍个愿总结与翻译机器上及计算机视觉类资料之博客,包含的情节: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原理和编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对现实问题(应用场景)如何选机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据对免费写分类集合

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

介绍:深度上在语音合成最新进展发哪?推荐MSRA的Frank
Soong老师关于语音合成的深度上道的摄像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):数据是的法门

  • 《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所勾画,算是不过广为认知的机上读本有,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:作者以深上的思考.

  • 《Data-Visualization Tools &
    Books》

介绍:数据可视化常用工具软件资源汇总

  • 《Machine Learning and Probabilistic Graphical Models
    Course》

介绍:Buffalo大学教授Sargur Srihari的“机器上及几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教书Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的初书Understanding Machine Learning: From Theory to
Algorithms,此开的可比偏理论,适合对机械上理论来趣味的同窗选读

  • 《Machine Learning
    Checklist》

介绍:机器上深造清单

  • 《NLP界有哪些神级人物?》

介绍:知乎上面的同样首有关NLP界有哪神级人物?提问。首推Michael Collins

  • 《机器上温和指南》

介绍:机器上与NLP专家、MonkeyLearn联合创始人&CEO Raúl
Garreta面向初学者大体概括使用机器上过程遭到的主要概念,应用程序和挑战,旨在给读者会延续寻找机器上文化。

  • 《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: 无需开深上就能够因此底分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数量以及众包Mechanical
Turk上,实现了来彩票和拍卖的体制,以搜集用户指向成品之愿购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15]
回归模型预测未知WTP,提升卖家利润以及消费者满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的周边机器学习.

  • 《机器上材料十分集中》

介绍:来自52ml的机器上材料大汇总.

  • 《Automatic
    Summarization》

介绍:这仍开之发者McKeown大凡2013年世界首只数据科学院(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文件摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上丰富齐4钟头之语,共248页,是对推荐系统发展之等同次等到综合,其中还包Netflix在个性化推荐者的片段涉介绍.

  • 《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纵深上框架Elephas.

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

介绍:Surya Ganguli深度上统计物理学.

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

介绍:(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表.

  • 《Introduction to Topic Modeling in
    Python》

介绍:(PyTexas 2015)Python主题建筑模.

  • 《Large Scale Distributed Deep Learning on Hadoop
    Clusters》

介绍:Hadoop集群上之大分布式机器学习.

  • 《Top Deep Learning Employers Based On LinkedIn
    Data》

介绍:基于LinkedIn数据得出的深度上热门”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大型人脸识别数据集: Large-scale
CelebFaces Attributes (CelebA) Dataset 10K 名人,202K
脸部图像,每个图像40余标注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的凭监控特征上,Ross Goroshin’s
webpage.

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

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

  • 《Essential Machine Learning Algorithms in a
    nutshell》

介绍:机器上为主算法简要入门.

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

介绍:Github机器学习/数学/统计/可视化/深度上有关项目大列表.

  • 《Information Processing and
    Learning》

介绍:CMU的信息论课程.

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

介绍:谷歌研究院Samy
Bengio当人近来形容的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的宽泛分布式深度上》

介绍:基于Hadoop集群的周边分布式深度学习.

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

介绍:来自斯坦福大学与NVIDIA的工作,很实在非常实用。采用推网络连接及重新训练方法,可大幅度减少CNN模型参数。针对AlexNet、VGG等模型与ImageNet数据,不损失识别精度情况下,模型参数可大幅度回落9-13倍.

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

介绍:无需召开深上就能用之分布式深度上软件,github.

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

介绍:当今世界最NB的25各项非常数目科学家,通过她们之讳然后在google中追寻一定能够找到多不胜硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的吃水上(Theano/Lasagne)系列教程.

  • 《Connection between probability theory and real
    analysis》

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

  • 《Data Science Learning
    Resources》

介绍:数据正确(学习)资源列表.

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

介绍:应本着非均衡数据集分类问题的八可怜策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点引进的20单数据正确相关课程.

  • 《Recurrent Neural
    Networks》

介绍:递归神经网络.

  • 《Histograms of Oriented
    Gradients》

介绍:(HOG)学习笔记.

  • 《Computational modelling
    courses》

介绍:计算建模/计算神经学课程汇总.

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

介绍:(Yelp)基于深度上之生意图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费于线书《Neural Networks and Deep
Learning》神经网络与深度上。目前提供了前面四段的草,第一章经过手写数字识别的例证介绍NN,第二节说反朝传来算法,第三章节说反为传来算法的优化,第四节说NN为什么会起合任意函数。大量python代码例子和相动画,生动有趣.中文版

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

介绍:数据科学大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以于斯网站找到github的花色链接.

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

介绍:深度上以视觉跟踪的探索.

  • 《Beginners Guide: Apache Spark Machine Learning Scenario With A
    Large Input
    Dataset》

介绍:Spark机器学习入门实例——大数据集(30+g)二区划类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前之名堂,他们现在纪念如果召开越的增强。于是推出了新的,专门对科学家设计的学术搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监督上,Chapelle.篇篇都是经典,作者包括Vapnik,Bengio,Lafferty,Jordan.此外推荐Xiaojin
(Jerry) Zhu编写的Introduction to
Semi-Supervised
Learning.

介绍:Spark机器学习入门实例——大数据集(30+g)二分割类.

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

介绍:为入门者准备的深度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:三星星开源之飞跃深度上应用程序开发分布式平台.

  • 《DMTK:Microsoft Distributed Machine Learning Tookit

介绍:分布式机器上工具包.

  • 《Semantics Approach to Big Data and Event
    Processing》

介绍:语义大数额——大数据/事件处理的语义方法.

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

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

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

介绍:Princeton Vision Group的吃水上库初步源.

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

介绍:基于AWS的电动分布式科学计算库Ufora,Why I Open Sourced Five Years
of
Work.

  • 《Deep Learning and Deep Data Science – PyCon SE
    2015》

介绍:(PyCon SE 2015)深度上和深度数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

介绍:免费书写:面向数据对的高级线性模型.

  • 《Net2Net: Accelerating Learning via Knowledge
    Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

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

介绍:徐亦达机器上课程 Variational Inference.

  • 《Learning the Architecture of Deep Neural
    Networks》

介绍:深度神经网络结构学习.

  • 《Multimodal Deep
    Learning》

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

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

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

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

介绍:这个专栏是一个stanford学生举行的CS183c课程的一个note,该学科是由于Reid
Hoffman等互联网boss级人物设置的,每节课请一各巨头公司的有关主管来举行访谈,讲述该商家是怎么scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中的应用.

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

介绍:思维上——RL+RNN算法信息论.

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

介绍:数据科学家毕业后继续求学之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:复旦大学邱锡鹏名师编制的神经网络与深度上课本,ppt.

  • 《Microsoft Open Sources Distributed Machine Learning
    Toolkit》

介绍:微软亚洲研究院开源分布式机器上工具包.

  • 《语音识别的技能原理是呀?》

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.乔丹是闻名遐迩的微机是及统计学学者,主要研究机器上与人工智能。他的首要贡献包括指出了机器上与统计学之间的沟通,并有助于机械学习界广泛认识及贝叶斯网络的重点。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一样号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。辛顿是相反朝传来算法和对照散度算法的发明人之一,也是深上的积极向上促进者.通过外的主页可以挖到非常多Paper以及优秀学生的paper,此外推荐外的生Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机器上方向的牛人,如果你切莫晓得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》第三本子(草稿)

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

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上与机具上导论视频》

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

  • 《Computational Linguistics and Deep
    Learning》

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

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

介绍:(BlackHat2015)深度上使用的流量鉴别(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,并能够处理着稍加框框之数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了书本,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学之任课,主要研究方向是机器上与数挖掘.在2015年之ACM
webinar会议,曾上了关于盘点机器上世界的五不胜门户主题演讲.他的个人主页拥有众多系研究的paper以及他的教授课程.

  • 《Video resources for machine
    learning》

介绍:机器上视频集锦

  • 《Deep Machine Learning libraries and
    frameworks》

介绍:深度机器上库与框架

  • 《大数量/数据挖掘/推荐系统/机器上相关资源》

介绍:这篇稿子外的引进系统资源很丰富,作者非常有私心,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:免费写:统计稀疏学习,作者Trevor
Hastie与Rob
Tibshirani都是斯坦福大学之教授,Trevor
Hastie更是在统计学上及建树多多

  • 《The Evolution of Distributed Programming in
    R》

介绍:R分布式计算的提高,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——情感分析以及深加深学习

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统开发库汇总.

  • 《Neural networks class – Université de
    Sherbrooke》

介绍:超棒的神经网络课程,深入浅出介绍深度上,由Hugo Larochelle(Yoshua
Bengio的博士生,Geoffrey Hinton之前的博士后)主讲,强烈推荐.

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福新学科,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集会总结第一组成部分,次组成部分.

  • 《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:牛津大学有名视觉几何组VGG在IJCV16年首窝首期: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这首期刊文章融合了前面少篇会议(ECCV14,NIPS14ws),定位及识别图片被的公文(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据和代码.

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

介绍:计算机视觉的一个于生之数据集索引,
包含387单标签,共录取了314只数据集合,点击标签云就可找到好索要的库了.

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

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

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

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

介绍:ICCV 2015的ImageNet比赛和MS COCO竞赛联合研讨会的幻灯片和张频.

  • 《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]因TensorFlow的深浅上/机器学习课程.

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

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

  • 《Machine Learning: a Probabilistic
    Perspective》

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

  • 《Deep learning Book》

介绍:这是均等照在线的深上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是同个新入门的学童可事先看就按照图书Yoshua Bengio:
How can one get started with machine
learning?.汉语译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深上阅读列表.

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

介绍:纽约州立大学布法罗分校2015年青春机械上课程主页.

  • 《Theano is a Deep learning Python library

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

  • 《Statistical Language Models Based On Neural
    Networks》

介绍:博士论文:神经网络统计语言模型.

  • 《文本数据的机械上机关分类方法(上)》

介绍:文本数据的机上机关分拣方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以拿让挡住的图形上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院管其深度上工具包CNTK,想越了解和学习CNTK的校友可以拘留眼前几龙公布之《CNTK白皮书》An
Introduction to Computational Networks and the Computational Network
Toolkit.

  • 《Kalman and Bayesian Filters in
    Python》

介绍:
卡尔曼滤波器教材,用尽量少之数学及演绎,传授直觉和经验,全部Python示例,内容覆盖卡尔曼滤波器、扩展卡尔曼滤波,无迹卡尔曼滤波等,包括练习和参考答案

  • 《Statistical inference for data
    science》

介绍:在线免费写:面向数据是的统计测算,R示例代码,很不利GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由Yoshua
Bengio撰写的教程,其情包含了学习人工智能所使用的深上架构的求学资源,书中之档次已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是同样卖机器上及深度上课程,文章与资源的清单。这张清单根据各个主题展开创作,包括了多以及深度上有关的花色、计算机视觉、加强学习与各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是出于Donne
Martin策划收集之IPython笔记本。话题涵盖大数额、Hadoop、scikit-learn和不易Python堆栈以及许多其他方面的内容。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为全都给含有中,当然还有相关的一定构架和定义等.

  • 《Open Source Deep Learning Server》

介绍:开源之纵深上服务,DeepDetect是C++实现的根据外部机器上/深度学习库(目前是Caffe)的API。给有了图训练(ILSVRC)和文书训练(基于字之情感分析,NIPS15)的样例,以及因图片标签索引至ElasticSearch中github.

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

介绍:这是海外的一个科技频道,涵盖了数量挖掘,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:数据挖掘与统计学.

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

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不强烈的没错——概率论导论(MITx).

  • 《R software and tools for everyday
    use》

介绍:R语言开发常用软件/工具推荐.

  • 《Implementing Dynamic memory
    networks》

介绍:动态记忆网络实现.

  • 《Deeplearning4j
    中文主页》

介绍:英文主页

  • 《Big Data Analysis Learning Resources: 50 Courses, Blogs,
    Tutorials, And More For Mastering Big Data
    Analytics》

介绍:50单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:深度上之两全硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何当社会媒体齐召开言语检测?没有多少怎么收拾?推特官方宣布了一个要命金玉之数据集:12万标明过的Tweets,有70栽语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上和机器上要集会ICLR 2016录取文章

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

介绍:机器上——深度非技术指南

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

介绍:数据叙事入门指南——创意生成/数据搜集/内容设计相关资源推荐

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

介绍:WikiTableQuestions——复杂真实问答数据集

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

介绍:(2016本)35个超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两员大家首次等联合发文,CAFFE和SPARK完美组合,分布式深度上混搭模式!github

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

介绍:深度上(分类)文献集

  • 《Learning Deep
    Learning》

介绍:深度上阅读列表

  • 《Awesome42 The easiest way to find R
    packages》

介绍:探索R包的好网站Awesome 42

  • 《MLbase:Distributed Machine Learning Made
    Easy》

介绍:MLbase是Prof. Dr. Tim
Kraska的一个钻型,MLbase是一个分布式机器上管理体系

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

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

介绍:Spark视频集锦

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

介绍:R语言深度上第一节: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依照最佳机器上免费写

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

介绍:ICCV15视频集

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

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

  • 《A Short Introduction to Learning to
    Rank》

介绍:Learning to Rank简介

  • 《Global Deep learning
    researcher》

介绍:全球深度上专家列表,涵盖研究者主页

  • 《Top Spark Ecosystem
    Projects》

介绍:Spark生态顶级项目集中

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

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

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

介绍:深入机器上,2,3,4

  • 《Oxford Deep
    Learning》

介绍:Nando de
Freitas每当 Oxford
开设的深度上课程,课程youtube地址,Google
DeepMind的研究科学家,此外首页:computervisiontalks的情为不行丰富,如果您是举行机械视觉方面的研究,推荐吧省外内容.肯定得也无小.还有,这号youtube主页暨了之视频为老有重

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上园地的Hacker
news.紧跟深度上之情报、研究进展和系的创业项目。从事机械上,深度上世界的情人建议每日看一样看

  • 《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运用,如果您行生物工程领域,可以先看一篇稿子详尽介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上以海洋生物信息法领域的使

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

介绍:一些有关机器上用明白知识,对于正入门机上的同学应该读一读

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器读书用户组主页,网罗了剑桥大学有机上领域专家与情报

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

介绍:Randy
Olson’s的片数据解析及机具上型库,是读书实践的好资料

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果下之却多,而用来开机械上之就算比较少了.Swift
Ai在当时方面举行了诸多聚集.可以看看

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

介绍:如何为同各5春秋之毛孩子解释支持为量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机械上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的有牛人博客,超发实力的研讨部门当的网站链接.做计算机视觉方向的对象建议多关注其中的资源

  • 《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
的行进展和连锁论文开了整治,其中useful
links的始末好受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是一模一样首关于寻找引擎的博士论文,对现行常见运用的追寻引擎google,bing等召开了分析.对于做搜索类似制品的不得了有技术参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这好像书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深度上地方的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的重分布式梯度下降.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得到杰出贡献的;由CV社区提名,在CVPR会议上揭示。2015年得主是哥大助理教授John
Wright,09年《健壮人脸识别的疏表示拟》援已超过5K.

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上相关著名教授Alex Smola在Quora对于《程序员如何学习Machine
Learning》的建议:Alex推荐了很多关于线性代数、优化、系统、和统计领域的经文教材和资料.

  • 《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:
软件工程领域现在也本着机器上和自然语言处理很感兴趣,有人出了“大代码”的概念,分享了无数代码集合,并且认为ML可以据此当预计代码Bug,预测软件作为,自动写新代码等任务及。大代码数据集下载

  • 《Object
    Detection》

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

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

介绍: Yann LeCun 2016深度上课程的幻灯片(Deep Learning Course by Yann
LeCun at Collège de France
2016)百度云密码:
cwsm 原地址

  • 《Stanford HCI Group》

介绍:
斯坦福星机交互组五篇CHI16篇。1.众确保激励机制的表现经济学研究:批量结算比单任务之完结率高。2.每当众包专家以及初手间建立联系: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活动预计。5.砥砺错以加速众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据对

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D同等节介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是平慢性机上之开源框架,专为黑客打造,而无也科学家要作。它用Rust开发,传统的机械上,现今的深度上通吃。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,主要涉及的凡贝叶斯网络及马尔科夫逻辑网络的learning和inference问题,同时还要针对PGM有深刻的说理解释,是读书概率图模型必看的书。难度中及,适合来部分ML基础的研究生.[备份地址](https://vk.com/doc168073_304660839?hash=39a33dd8aa6b141d8a&dl=b6674

  • 《BigDL: Distributed Deep learning on Apache
    Spark》

介绍: Spark分布式深度上库BigDL

  • 《Machine Learning and Cyber Security
    Resources》

介绍:
这是平等份有关机器上及多少挖掘以网安全方面使的资源帖,包含了片重中之重之站点,论文,书籍,斯坦福课程与部分实用之教程.

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

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车的深度上

  • 《ICML 2016 Conference and Workshops
    Video》

介绍: ICML 2016看看频集锦

  • 《机器上Machine-Learning》

介绍: 机器学习推荐学习路线和参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度攻读

  • 《How To Get Into Natural Language
    Processing》

介绍: 自然语言处理(NLP)入门指南

  • 《Deep learning and the Schrödinger
    equation》

介绍:通过神经网络跳过数值方法求解薛定谔方程。

  • 《Recent Advances in Distributed Machine
    Learning》

介绍:微软亚洲研究院之刘铁岩等人近来当AAAI
2017上开的有关优化和周边机器上的Tutorial。很值得一看。里面对传统的优化算法,特别是一对理论特性与分布式算法的相应理论特性还发一个比详细的总结。非常适合想快了解这些领域的大方及工程师。另外,这个Tutorial还介绍了DMTK的有情况,作为一个分布式计算平台的利害,还附带比较了Spark和TensorFlow等风靡框架。

  • 《Deep Learning Implementations and Frameworks
    (DLIF)》

介绍:AAAI
2017底Tutorial,专门讲述了深度上框架的宏图思想以及兑现,比较多栽流行框架(Caffe、MXNet、TensorFlow、Chainer等)的属性与异同。

  • 《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深度学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达还有众多经推荐可阅读

  • 《An Introduction to MCMC for Machine
    Learning》

介绍:面向机器上的马尔科夫链蒙特卡洛(MCMC)

  • 《Awesome Deep learning papers and other
    resources》

介绍:深度上论文和资源大列表(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:软件工程师的机械上

  • 《Quantitative Finance
    resources》

介绍:量化金融(Quants)资源列表

  • 《What Computers Still Can’t
    Do.》

介绍:《计算机还是不可知开呀——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,业内对她的评说是:”算是最顶级也是无与伦比早的有关社会计算的会议”。里面的论文大部分凡钻社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容或非常前沿的。如果你是举行社会计算的抑得以望。毕竟是行内数一数二的集会。对了,只要是公懂名字的有名社交媒体都有投稿.[陌陌不到底]

  • 《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:这是一致份python机器上库,如果您是同等各python工程师而且想深入的念机器学习.那么这篇稿子或会帮忙到你.

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

介绍:这无异首介绍如果规划以及治本属于您协调的机器上类的章,里面提供了管理模版、数据管理及实施方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还非知底呀是机械上,或虽然是刚刚上感觉到很枯燥乏味。那么推荐一诵读。这首文章已于翻成中文,如果来趣味可以运动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机上之根本语言,有多底情人想学习R语言,但是连忘记一些函数和重大字的意义。那么就首稿子或会帮忙及公

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠怎么挑选机器上算法,这篇稿子于直观的于了Naive
Bayes,Logistic
Regression,SVM,决策树等方式的三六九等,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:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深度网络,作者对于例子的选、理论的介绍都颇到位,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:<机器上及优化>这是一模一样仍机器上之小册子,
短短300差不多页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有一样垛坨公式的烦恼. 适合新手入门打基础, 也顺应老手温故而知新.
比由MLAPP/PRML等大部头,
也许就按照你还用!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上和统计上理论》

介绍:作者是发源百度,不过他自家都在2014年4月份提请离职了。但是及时首文章非常对如果您无理解深度上及支持为量机/统计上理论有啊联系?那么当这看看就首文章.

  • 《计算机科学中的数学》

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

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

介绍:信息时代的处理器是理论,目前国内发生纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是同等按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,适合想深造R语言的校友选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是均等首文档或书籍。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,内容包括TAOCP,P/NP问题,图灵机,逻辑,以及为何大神不用电邮等等。

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

介绍:不见面统计怎么惩罚?不亮怎么抉择相当的统计模型怎么处置?那这篇稿子你的优秀读一诵读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同首关于automatic
statistician的篇章。可以自行选择回归模型类别,还能够自动写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上及representation learning最新进展产生趣味的同桌可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是平等照信息搜索有关的图书,是由于斯坦福Manning跟谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美绝给欢迎的消息搜索教材之一。最近笔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摆设良的图来解释机器上重大概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清楚

  • 《雅虎研究院的数码集汇总》

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

  • 《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年元月就开张:https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习材料汇集是独占为机上新师推荐的上学习资源,帮助新家快速入门。而且这篇稿子的介绍曾被翻译成中文版。如果你有点熟悉,那么我提议你先押一样押中文的介绍。

  • My deep learning reading
    list

介绍:主要是挨Bengio的PAMI
review的篇章找出来的。包括几准综述文章,将近100首论文,各位山头们的Presentation。全部且可于google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是千篇一律如约书籍,主要介绍的凡跨语言信息寻找方面的知。理论很多

  • 探索推荐引擎内部的机要,第 1 有:
    推荐引擎初探

介绍:本文共有三单密密麻麻,作者是缘于IBM的工程师。它最主要介绍了引进引擎相关算法,并帮助读者很快的兑现这些算法。
探讨推荐引擎内部的秘闻,第 2 组成部分: 深度推荐引擎相关算法 –
协同过滤,探究推荐引擎内部的机要,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学系助手教授David
Mimno写的《对机械上新家的一些建议》,
写的特别实在,强调实行以及理论做,最后还援引了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的多寡

介绍:这是平等遵循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”是啊?】John
Platt是微软研究院独立科学家,17年来他直接于机械上世界耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定举办博客,向公众介绍机器上的研究进展。机器上是呀,被应用在哪里?来拘禁Platt的立刻篇博文

  • 《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)已经让6月21-26日在江山议会中心隆重举办。本次大会由微软亚洲研究院同清华大学联合主办,是此有着30几近年历史并著名世界的机器上园地的盛会首坏来中国,已成功引发全球1200大抵各项专家的申请与。干货很多,值得深刻学下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子要是为Learning to
Rank为条例说明企业界机器上之现实性以,RankNet对NDCG之类不敏感,加入NDCG因素后变成了LambdaRank,同样的盘算从神经网络改吗运用至Boosted
Tree模型就到位了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一号称得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文也:
From RankNet to LambdaRank to LambdaMART: An
Overview
除此以外,Burges还有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:本课程将阐述无监控特征上和深上的最主要观点。通过学习,你吗用贯彻多只职能学/深度上算法,能顾它为卿办事,并上怎么样行使/适应这些想法及新题材达到。本课程假定机器上的基本知识(特别是习的监督上,逻辑回归,梯度下降的想法),如果您不熟识这些想法,我们建议您去这里机械上课程,并优先形成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面就生python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果欲了亮,需要自然的机上基础。不过小地方会叫丁面前相同亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是同样首介绍图像卷积运算的章,讲的曾算是比较详细的了

  • 《Machine Learning Summer
    School》

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

  • 《Awesome Machine
    Learning》

介绍:一个至上完整的机械上开源库总结,如果你认为此碉堡了,那后面是列表会再也让你好奇:【Awesome
Awesomeness】,国内已经闹热心的意中人进行了翻译中文介绍,机械上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学电脑系Chris
Manning教授的《自然语言处理》课程有视频都得以于斯坦福明课网站上收看了(如Chrome不行,可用IE观看)
作业及试验也足以下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

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

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台与开源之机械上库,按照好数量、NLP、计算机视觉与Deep
Learning分类开展了整治。看起挺全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上最好基本的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上之算法很多。很多早晚困惑人们还是,很多算法是均等近乎算法,而有些算法又是从其他算法中拉开出来的。这里,我们从零星单方面来给大家介绍,第一只面是学的方法,第二个点是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你早就清楚了是啊内容,没错。里面有成百上千经的机械上论文值得仔细跟一再的开卷。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

介绍:总结了机械上之经文书籍,包括数学基础和算法理论的书本,可做吧入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16遵循机器上之电子书,可以下载下来当pad,手机方面任意时刻去读书。不多我建议乃看罢一依再下充斥同以。

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

介绍:标题很酷,从新手到学者。不过看了上面装有材料。肯定是师了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的怪多,而且自己既帮您摸手拉手了。

  • 《Sibyl》

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

  • 《Deep
    Learning》

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

  • 《Neural Network & Text
    Mining》

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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实施人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这还要是同篇机器上新专家的入门文章。值得一读

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17只有关机器上之家伙

  • 《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:作者王益时凡是腾讯广告算法总监,王益博士毕业后以google任研究。这首稿子王益博士7年来起谷歌到腾讯对于分布机器上的胆识。值得细读

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

介绍:把机器上提升的级别分为0~4级,每级需要上之教科书和掌握的学识。这样,给机器学习者提供一个发展的门道图,以免走弯路。另外,整个网站都是关于机器上的,资源充分丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是平比照来自小的研究员 li Peng和Dong
Yu所显示的有关深度上之法子与利用的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机器上夏季课刚刚完结
有将近50钟头的视频、十大抵单PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13名叫讲师都是牛人:包括充分牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的大规模机器上系统》

介绍:在今年底IEEE/IFIP可靠系统与网络(DSN)国际会上,Google软件工程师Tushar
Chandra做了一个有关Sibyl系统的主题演讲。
Sibyl是一个监督式机器上体系,用来化解预测方面的问题,比如YouTube的视频推荐。详情请看google
sibyl

  • 《Building a deeper understanding of
    images》

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客及略地介绍了他们当年列席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。如果非是甚绝望可看概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友提问伯克利机器上大牛、美国夹院士Michael I.
Jordan:”如果您有10亿美金,你怎么花?Jordan:
“我会见用就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,此外作者还有部分旁的机上与数据挖掘文章和纵深上文章,不仅是论战还有源码。

  • 《文本以及数据挖掘视频汇总》

介绍:Videolectures上无与伦比给欢迎的25独文件和数据挖掘视频汇总

  • 《怎么选择深度上之GPUs》

介绍:在Kaggle上经常得不错成绩的Tim
Dettmers介绍了外协调是怎么取舍深度上的GPUs,
以及个体怎么样构建深度上之GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机上爱好者很热心的把此科目翻译成了华语。如果您英语不好,可以省这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就比如非常数据)。其实过多丁还还未掌握呀是深浅上。这首文章由浅入深。告诉你深度学究竟是啊!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学做的等同免费课程(很勉强),这个可以让您于深上之途中吃你一个读书的笔触。里面涉及了片基本的算法。而且告诉你如何错过行使及骨子里条件遭到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个纵深上用来辨别图片标签/图转文字的demo。是一个实在运用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读之情节需发自然之根基。

  • 《R工具包的归类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是现阶段数码解析世界的一个热门内容。很多口于平常之劳作受到还还是多要丢失会因此到机械上之算法。本文为而总结一下周边的机上算法,以供而在劳作同读书着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总结了一些个系列。另外还作者还了一个文章导航.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)学习笔记整理系列的(八)

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

介绍:传送理由:Rob Fergus的用深度上做计算机是苏的NIPS 2013学科。有mp4,
mp3,
pdf各种下载
他是纽约大学教书,目前呢以Facebook工作,他2014年的8篇论文

  • 《FudanNLP》

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

  • 《Open Sourcing
    ml-ease》

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

  • 《机器上周刊》

介绍:对于英语不好,但又十分怀念读机器上之心上人。是一个挺的惠及。机器上周刊目前第一提供中文版,还是面向周边国内爱好者,内容提到机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的首要数学先导课程。其实《线代》这宗课称得浅显易懂特别非便于,如果同样达到来即使出言逆序数及陈行列式性质,很容易为学员去学习的趣味。我个人推举的最佳《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:大数额数据处理资源、工具不齐列表,从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器上等。很赞赏的资源集中。

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了千篇一律曰源于本古里安大学之访问学者,制作了相同效关于机器上之多如牛毛视频课程。本课程并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正规机器上算法的争辩基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着异常数目时,量子机器上的率先独试验 paper
下载

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

介绍:Wired杂志报导了UCLA数学博士Chris McKinlay
(图1)通过杀数据手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定在12个账号,下载了婚恋网站2万阴用户的600万问题答案,对她们开展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日开课,该课属于MIT研究生级别的学科,对机器人及非线性动力系统感兴趣的意中人不妨可以挑战一下马上宗科目!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源*
《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年始于于电脑科学的舆论中给引用次数最多的舆论

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

介绍:把今年的一个ACM Trans. on Graphics
(TOG)论文中之代码整理也一个开源的算法框架,共享出来了。欢迎大家以。可以实时的采集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会见延续公开。

  • 《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,当您从头勾画代码,一切以变得一清二楚。他刚颁布了一致依书籍,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
讲述工业界和科学界机器上之异同,大实话

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

介绍:使用Neo4j
做电影评论的情感分析。

  • 《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:机器上教会了咱们什么?

  • 《scikit-learn:用于机器上之Python模块》

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

  • 《对话机器上大神Michael
    Jordan:解析领域被个模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机械上园地神经网络的大牛,他本着纵深上、神经网络有着非常浓的兴趣。因此,很多问的题材受到含了机上园地的号模型,乔丹教授对是一一做了诠释和展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*探寻是人工智能基本算法,用于高效地查找图被有数碰的超级途径,
核心是 g(n)+h(n):
g(n)是自从起点到顶点n底实际代价,h(n)凡顶点n到目标顶点的估算代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本项目采用了Microsoft Azure,可以当几分割种内做到NLP on Azure
Website的部署,立即开始针对FNLP各种风味的试用,或者以REST
API的花样调用FNLP的语言分析功能

  • 《吴立德《概率主题模型&数据正确基础》》

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

  • 《机器上入门资源不全集中》》

介绍:好东西的干货真的多

  • 《收集从2014年开头深度上文献》

介绍:从硬件、图像及正规、生物、大数目、生物信息更到量子计算等,Amund
Tveit等保护了一个DeepLearning.University小类:收集从2014年启幕深度上文献,相信可以用作深度上之起点,github

  • 《EMNLP上点滴篇有关股票方向的以论文

介绍:EMNLP上简单篇有关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:作者是深上一丝好牛Bengio组写的科目,算法深入显出,还有实现代码,一步步展开。

  • 《学习算法的Neural Turing Machine

介绍:许多风的机器上任务还是以念function,不过谷歌目前时有发生始修算法的势头。谷歌另外的就篇学习Python程序的Learning
to
Execute否时有发生相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的辨别上之运,此外还有少独。一个凡是甄别垃圾及假信息之paper.还发出一个是网舆情及其分析技术

  • 《R机器学习实践》

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

  • 《大数目解析:机器上算法实现的演变》

介绍:本章中笔者总结了三替机上算法实现之演变:第一代表非分布式的,
第二替代工具而Mahout和Rapidminer实现基于Hadoop的扩张,第三代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析与机具视觉》

介绍:讲计算机视觉的季管辖奇书(应该于经典吧)之一,另外三依照是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:里面基本没有干到具体算法,但笔者介绍了CF在LinkedIn的众下,以及她们于召开推荐过程遭到取的一部分涉。最后一长经验是当监控log数据的色,因为推荐的成色很靠数据的质量!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初大方如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和相机模块进行人脸识别

  • 《利用深度上和死数据构建对话系统

介绍:如何以深度上及特别数目构建对话系统

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

介绍:Francis Bach合作的关于稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容涉及Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像及视觉上的行使,而且首先有有关Why does
the l1-norm induce sparsity的解释也非常科学。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上着要之定义,其在large
margin分类器上的下也是广为熟知的。如果没有比较好的数学基础,直接掌握RKHS可能会见不错。本文自中心运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同室对机械上和深度上的迷离在于,数学方面已约知道了,但是动于手来也非亮堂哪下手写代码。斯坦福深度上博士Andrej
Karpathy写了千篇一律首实战版本的纵深上及机上课程,手把手教你用Javascript写神经网络和SVM.

  • 《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

  • 《机器上算法的一起》

介绍:本文会过相同满最盛行的机器上算法,大致了解如何方法可用,很有帮带。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来许多有关机器上、信号处理、计算机视觉、深入学、神经网络等世界的大量源代码(或只是实行代码)及有关论文。科研写论文的好资源

  • 《NYU
    2014年之深上课程资料》

介绍:NYU 2014年之深浅上课程资料,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了集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数据挖掘十那个经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100个老高的门类

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高校欧文分校为机械上社区保护在306单数据集。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,使用机器上以图像、视频语义分析世界取得了科研和工程达标之突破,发之稿子未多,但每个都十分扎实,在每一个题材上都形成了state-of-art.

  • 《Andrej
    Karpathy的深浅加深学习演示》

介绍:Andrej
Karpathy的纵深加深学习演示,论文在此间

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同一位英国落地之计量机学家和心理学家,以那个在神经网络方面的贡献闻名。辛顿是反为传播算法和比散度算法的发明人之一,也是深上的积极向上促进者.

  • 《自然语言处理的深上理论同实际》

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

  • 《用大数量和机器上做股票价格预计》

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

  • 《关于机器上的几辩护问题》

介绍:徐宗本
院士将为爱机器上之伴侣联手追有关于机器上之几乎单理论性问题,并被来一些发含义之下结论。最后通过有些实例来验证这些理论问题之物理意义以及事实上应用价值。

  • 《深度上以自然语言处理的以》

介绍:作者还出示有《这就算是寻找引擎:核心技术详解》一开,主要是介绍应用层的东西

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《推荐系统经典论文文献同业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数据构建的概率统计模型并动用模型对数码开展前瞻及剖析的等同派别是,统计上呢变成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上的目标是指向电脑编程,以便利用样本数量或者以往的阅历来化解给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能和机具上园地有趣之开源项目》

介绍:部分汉语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有平等篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了相同首超赞的数值优化博文,从牛顿法讲到起牛顿法,再张嘴到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:还有续集旗帜鲜明深度上道概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数额及机具上之三结合》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边学边用word2vec跟deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并于实际上比中间比调参数与清数据。
如果就装过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供了常用汉字常量,如CJK字符和偏旁,中文标点,拼音,和汉字正则表达式(如找到文本中的繁体字)

  • 《深度卷积神经网络下围棋》

介绍:这文章说拿多年来型识别及之突破用及围棋软件及,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,只拘留棋盘就为有下一样步,大约10级棋力。但眼看首文章最过乐观,说啊人类的最后一片堡垒马上将过掉了。话说得极其早。不过,如果跟别的软件做该还有潜力可挖。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他意味着,根据这次试验的结果,如果今年NIPS重新审稿的语,会出一半之舆论被驳回。

  • 《2014年超级的怪数额,数据科学文章》

介绍:KDNuggets分别总结了2014年14个阅读最多和享受最多的文章。我们从中可以看来多独主题——深度上,数据科学家职业,教育以及薪酬,学习数据正确的工具比如R和Python以及民众投票的最为给欢迎的数据科学与多少挖掘语言

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

介绍:Python实现线性回归,作者还发其它特别硬的篇章推荐可看看

  • 《2014华特别数量技术大会33个中心专家发言PDF》

介绍:2014中国十分数据技术大会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(目前凡拖欠的)。这意味Paragraph
Vector终于揭开面纱了呗。

  • 《NLPIR/ICTCLAS2015分词系大会上的技艺演讲

介绍:NLPIR/ICTCLAS2015私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商品搜索技术研讨
李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的相反为求导及练习》

介绍:介绍CNN参数在采用bp算法时欠怎么训练,毕竟CNN中生卷积层和下采样层,虽然与MLP的bp算法本质上一样,但形式达到或者多少区别的,很显以得CNN反为传播前询问bp算法是必须的。此外作者为做了一个资源聚集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果假定在平等篇稿子中匹配配十万独至关重要词怎么惩罚?Aho-Corasick
算法利用上加了回去边的Trie树,能够当线性时间内到位匹配。
但如果匹配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是一个开源的吃水上框架,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Haskell实现之一个开源的人工神经网络库,它抽象了网络创建、训练并行使了高阶函数。该库还提供了一致组预定义函数,用户可以动用多智结合这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果您行互联网搜寻,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,那么就门核心课程你必须深入摸底。

  • 《杨强于TEDxNanjing谈智能的来源于》

介绍:”人工智能研究分多门户。其中有为IBM为代表,认为一旦发生胜过性能计算就只是取得智能,他们之‘深蓝’击败了社会风气象棋冠军;另一样家认为智能来自动物本能;还出只可怜强的家认为一旦找来大家,把她们之思考用逻辑一条条写下,放到计算机里就是推行……”
杨强以TEDxNanjing谈智能的发源

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

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

  • 《Deep
    Learning实战之word2vec》

介绍:网易有道的老三各项工程师写的word2vec之解析文档,从基本的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再至word2vec之各种tricks,公式推导与代码,基本上是网上关于word2vec资料的大合集,对word2vec谢谢兴趣之爱侣可以省

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机械上的各种编程语言学术和买卖的开源软件.与这个类似的还有多诸如:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是电脑研二(写篇的时刻,现在是2015年了该将毕业了),专业方向自然语言处理.这是一些异的涉的谈.对于入门的爱人可能会产生协助

  • 《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节,在此地发出局部底理想内容就是是缘于机器上日报.

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

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中之中文分词技术》

介绍: 作者是360电商技术组成员,这是如出一辙首NLP在华语分词中之采取

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

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

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界众多牛文,涉及CV、NLP等世界,值得一念。网上公开之几段草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用大深装逼的数学语言形容的矩阵概率不等式用初等的点子勾勒出来,是充分好之手册,领域内的paper各种证明还以就此中的结果。虽说是初等的,但要么颇之麻烦

  • 《The free big data sources you should
    know》

介绍:
不容错过的免费杀数据集,有些已经是驾轻就熟,有些可能要率先不行听说,内容超文本、数据、多媒体等,让他俩随同你开始数据正确的一起吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《A Deep Dive into Recurrent Neural
    Nets》

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

  • 《机器上:学习资源》

介绍:里面融合了好多底资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上之统计基础》在线版,该手册希望在答辩同执行之间找到平衡点,各主要内容还陪有实际例子及数据,书被的事例程序还是因此R语言编写的。

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

介绍:IVAN VASILEV写的吃水上导引:从浅层感知机到深网络。高只是读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒和福利之人工智能优先研究计划:一封公开信,目前早已生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等丁签字The Future of Life
Institute
(FLI).这封信的背景是新近霍金同Elon
Musk提醒人们注意AI的黑威胁。公开信的始末是AI科学家们站在方便社会的角度,展望人工智能的前景迈入势头,提出开发AI系统的Verification,Validity,
Security,
Control四点要求,以及需要注意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有同统美剧《疑犯追踪》,介绍了AI的朝三暮四从平开始之本人学习,过滤,图像识别,语音识别等判定危险,到第四季的时段出现了机器通过学习成长之后想操纵世界之状态。说交此地推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了众多资源,还来连带知识结构,路线图,用时长等。号称是”机器上“搜索引擎

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

介绍:Facebook人工智能研究院(FAIR)开源了同样文山会海软件库,以救助开发者建立更怪、更快之深上型。开放的软件库在
Facebook 被叫做模块。用其替代机械上园地常用之开发条件 Torch
中之默认模块,可以在再度缺少的时光外训练还甚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,但是这篇稿子意是笔者的更的作。

  • 《如何变成平等各类数据科学家》

介绍:本文是对准《机器上实战》作者Peter
Harrington做的一个访谈。包含了写中一些的问题解答和某些私家学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好之吃水上概述,对几乎栽流行的纵深上型都进行了介绍与座谈

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

介绍:主要是讲述了用R语言进行多少挖掘

  • 《Understanding
    Convolutions》

介绍:帮你掌握卷积神经网络,讲解很清晰,此外还有一定量首Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的另的有关神经网络文章吧死过硬

  • 《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崛起之舆论

  • 《Learning Deep Architectures for
    AI》

介绍:一准学习人工智能的书本,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E.
    Hinton个人主页》

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了一些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:一个之所以来迅速的统计,机器上以于数据量大之数学库

  • 《ICLR
    2015会议的arXiv稿件合集》

介绍:在这边而可看看最近深度上来啊新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信搜索领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音搜索、网络消息寻找、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着之行使

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析及预测问题,相关的法度运用包括预测编码、早期案例评估、案件完全情况的前瞻,定价和工作人员预测,司法行为预测等。法律领域大家可能还较陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中涉嫌了太精,模型,最大熵等等理论,此外还有以篇。推荐系统可说凡是同一遵循对的阅读稿,关于模型还引进一篇Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

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

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了当Hadoop2.0及运深度上,文章来源paypal

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

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

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计与报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个谈话机器上的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,作者的钻研方向是机上,并行计算如果您还想打听一些其他的可以望外博客的另外文章

  • 《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句之选取

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

介绍: CNN用于WEB搜索,深度上以文书计算中的行使

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的明白数据集

  • 《Search Engine &
    Community》

介绍: 一个学问搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度最好抢之NLP库,快之故同样凡用Cython写的,二是为此了单非常巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍:
Fields大凡只数学研究中心,上面的当下卖ppt是源于Fields举办的移动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的经论文》

介绍: Topic modeling 的经文论文,标注了要害点

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

介绍:
多伦多大学及Google合作之新论文,深度上呢可据此来下围棋,据说能够达成六段落水平

  • 《机器上周刊第二期望》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚援引一个纵深上入门与综合资料

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

介绍: 18 free eBooks on Machine Learning

  • 《Recommend :Hang Li
    Home》

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

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

介绍:
DEEPLEARNING.UNIVERSITY的论文库已经选定了963首经过分类的深度上论文了,很多经典论文还已用

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

介绍: Radim
Řehůřek(Gensim开发者)在平等不善机器上聚会上的告诉,关于word2vec及其优化、应用以及扩展,很实用.国内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多局还为此机器上来解决问题,提高用户体验。那么怎么可以叫机器上还实时和实惠也?Spark
MLlib 1.2内的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们各半时1TB底钻数据,现在发表给大家用了。

  • 《LDA入门与Java实现》

介绍:
这是同一篇面向工程师的LDA入门笔记,并且提供平等客开箱即用Java实现。本文仅记录基本概念与原理,并无干公式推导。文中的LDA实现中心部分使用了arbylon的LdaGibbsSampler并力所能及地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学问搜索引擎,从学术网络中挖掘深度知识、面向科技特别数目的挖。收集近4000万作者信息、8000万论文信息、1亿几近引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上的主题,讨论Word2Vec底好玩应用,Omer
Levy提到了他当CoNLL2014顶尖论文里之解析结果跟初章程,Daniel
Hammack给来了探寻特异词的略微应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其中的稍课程就归档过了,但是还有个别的消息没有。感谢课程图谱的小编

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个总人口脸图像识别库。包含正面与多视角人数脸检测两只算法.优点:速度快(OpenCV
haar+adaboost的2-3倍), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015顶佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加浓厚一些。通过全局的长治久安分布去求解每个节点影响系数模型。假设合理(转移受到附近的影响系数影响)。可以据此来反求每个节点的震慑系数

  • 《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篇章。情感分类中,根据互信息对复杂高维特征降维再使用节能贝叶斯分类器,取得了比SVM更优质之成效,训练及分类时间吧大大降低——更要紧之是,不必花费大量日子在求学及优化SVM上——特征呢一如既往no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上怎样解决问题》

介绍:随着大数量时代之至,机器上变成化解问题的同样种植重大且要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的大方向,但是学术界和工业界对机器上之研讨各个起珍惜,学术界侧重于对机械上理论的钻研,工业界侧重于安用机器上来解决实际问题。这首文章是美团的骨子里条件遭到之实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上的高斯过程,章节概要:回归、分类、协方差函数、模型选择跟超参优化、高斯模型和外模型关系、大数据集的侵方法等,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是冲Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你再度快地创建同管理NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一企的机械上入门课程”Introduction to
Machine
Learning“近期恰好开拍,课程4K高清视频一起到Youtube上,目前正好更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同室可以关心,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,可重复好地表述图片内容相似性。由于不依靠让人工标签(标注),可用以大规模图片处理,难在用户作为数据的取与洗;利用社会化特征的笔触值得借鉴.

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

介绍:Twitter技术团队本着前段时间开源之时空序列非常检测算法(S-H-ESD)R包的牵线,其中对好的概念及分析深值得参考,文中也波及——异常是大针对性的,某个圈子支出的充分检测以另世界直接用而不行.

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

介绍:聚焦数据质量问题之报,数据质量对各种层面企业之性及效率还要,文中总结发生(不杀)22种典型数据质量问题显现的信号,以及卓越的数据质量解决方案(清洗、去再、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之准仍机场(CRF)介绍文章,作者的学习笔记

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

介绍: 来自Stanford,用神经网络实现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:做深度上怎样挑选GPU的提议

  • 《Sparse Linear
    Models》

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

  • 《Awesome Computer
    Vision》

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

  • 《Adam
    Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

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

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三独影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习之思索:组合了BM11以及BM15点滴个模型。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)时间序列的大概介绍,ARMA是研讨时序列的重大措施,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

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

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

介绍:
揭开印度菜之美味秘诀——通过对大气菜系原料关系之开掘,发现印度菜肴香的由有是里的寓意互相冲突,很风趣的文本挖掘研究

  • 《HMM相关文章索引》

介绍: HMM相关文章

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的涉嫌,最有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甚高频以及那个低频词的勾 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,有好多RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您呢会受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相互速查表》

介绍: Scikit-Learn官网提供,在本来的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: 深度上之无微不至硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在脸识别及而自还是家,即使细微之差距呢克识别。研究就说明人类和灵长类动物在脸部加工上不同为外物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等通过计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的统筹兼顾结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调剂梯度下降和可调节动量法设计以及编码经典BP神经网络,网络经过训练可以做出惊人和精之事物下。此外作者博客的其余文章也罢生不利。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实在用场景NN选择参考表,列举了部分一流问题建议利用的神经网络

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

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

  • 《Deep Learning
    Tutorials》

介绍:深度上课程

  • 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

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

介绍:Google对Facebook DeepFace的精锐回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上齐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公司网站的相同首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她俩当MLlib中之分布式实现,以及显一些简便的例子并提议该于何处达手.中文版.

  • 《Sum-Product Networks(SPN)

介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文及兑现代码.

  • 《Neural Network Dependency
    Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,目前只是处理中英文语料,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迈入进程,详细讲解神经网络语言模型在一一阶段的形式,其中的型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要害变形,总结的特别好.

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新钻:利用文本以及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优厚方案源码及文档,包括总体的数码处理流程,是学习Python数据处理同Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理与图像分析的钻期刊,每篇文章都含有一个算法和相应的代码、Demo和实验文档。文本及源码是经过了同行评审的。IPOL是开放之科学与可再的研究期刊。我一直想做点类似的工作,拉近产品与技艺之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密多少快速分类问题.

  • 《purine2》

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

  • 《Machine Learning
    Resources》

介绍:这是一个机械上资源库,虽然比少.但蚊子再稍微吗是肉.有隆起部分.此外还有一个是因为zheng
Rui整理的机上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是如出一辙准自然语言处理的词典,从1998年初始到当下攒了众的正规化词语解释,如果您是同员刚刚入门的朋友.可以借这仍词典让好成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

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

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区发现的飞快算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即因此.

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,境内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化及人身自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机上的本,值得深入学习
国内云(视频)

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:
“面向视觉识别的CNN”课程设计报告集锦.近百首,内容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: 基于深度上的大多标签分类,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,它目前托管在sourceforge上面

  • 《Data Journalism
    Handbook》

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

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数目挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强劲的Python的多少解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文书分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研与Theano的起来测试体会报告.

  • 《DEEP
    learning》

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

  • 《simplebayes》

介绍: Python下开始源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language
    processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现种现已开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的方法吗克和word2vec得到多的功力。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深度上与自然语言处理课程,Richard Socher主讲.

  • 《Math Essentials in Machine
    Learning》

介绍:机器上着之关键数学概念.

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

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断和感情分类功能挺好.实现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机上课程,先编课程也机械上(10-715)和中等统计学(36-705),聚焦统计理论同办法以机械上园地应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

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

  • 《生物医学的SPARK大数目利用》

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

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或机器翻译技术感兴趣的亲们,请以提出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,这个网址有夫小圈子几颇顶会的论文列表,切不可断章取义,胡乱假设.

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

介绍:论文+代码:基于集成方法的Twitter情感分类,心想事成代码.

  • 《NIPS 2014 CIML
    workshop》

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

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福的纵深上课程的Projects 每个人都要描写一个论文级别的报告
里面来有坏风趣的采用 大家可看 .

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

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

介绍:文中涉及的老三首论文(机器上那些从、无监控聚类综述、监督分类归纳)都坏经典,Domnigos的机上课为够呛精彩

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的吃水上的几率理论.

  • 《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最近当McGill
University研讨会达成的语,还提供了平等名目繁多讲话机器上方式的ipn,很有价
GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊在机器上方面的片段使,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的机上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的推介系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析与数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&数据正确在线交互教程.

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

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

介绍:用Spark
MLlib实现好用而扩大的机械上,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用论文列表,大部分舆论而采取Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上之重大性.

  • 《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:免费书写:Azure ML使用精要.

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

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

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

介绍:有趣的机上:最明白入门指南,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入我的博客主页

相关文章