机上与深上材料。机器上(Machine Learning)&深度上(Deep Learning)资料。

这是一篇介绍机器学习历史的文章,这是一篇介绍机器学习历史的文章

  • 《Brief History of Machine
    Learning》

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

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

 
  • 《Brief History of Machine
    Learning》

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

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的新型版本《神经网络与深度上综述》本综述的特色是以时间排序,从1940年开班说起,到60-80年份,80-90年代,一直说到2000年晚和近年来几年之开展。涵盖了deep
learning里各种tricks,引用非常全面.

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

介绍:这是千篇一律卖python机器上库,如果你是均等各项python工程师而且想深入的上学机器学习.那么就首稿子或能够扶助及你.

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

介绍:这无异于首介绍如果计划及管制属于您自己之机上型的文章,里面提供了管理模版、数据管理以及执行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果你还无亮堂啊是机上,或虽然是正上感觉到死枯燥乏味。那么推荐一朗诵。这首文章已给翻译成中文,如果来趣味可以活动http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上之最主要语言,有那么些之冤家想学学R语言,但是连忘记一些函数和重点字的意义。那么就首稿子或能协助及您

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠怎么挑选机器上算法,这篇稿子于直观的比了Naive
Bayes,Logistic
Regression,SVM,决策树等办法的高低,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了之本:http://www.52ml.net/15063.html

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

介绍:深度上概述:从感知机到深网络,作者对例子的抉择、理论的介绍都坏到位,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>这是相同准机器上的小册子,
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, 也称老手温故而知新.
比从MLAPP/PRML等大部头,
也许这仍你重新亟待!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

  • 《深度上与统计上理论》

介绍:作者是根源百度,不过他自个儿曾在2014年4月份提请离职了。但是及时篇稿子好科学如果你免掌握深度上及支持于量机/统计上理论有什么联系?那么该立即看看这首文章.

  • 《计算机科学中之数学》

介绍:这本书是出于谷歌公司和MIT共同出品的电脑对中的数学:[Mathematics
for Computer Science](Mathematics for Computer Science),Eric Lehman et
al 2013
。分为5多数:1)证明,归纳。2)结构,数论,图。3)计数,求与,生成函数。4)概率,随机行。5)递归。等等

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

介绍:信息时代的电脑是理论,目前国内发出纸质书购买,iTunes购买

  • 《Data Science with R》

介绍:这是同等据由雪城大学新编的第二版本《数据正确入门》教材:偏实用型,浅显易懂,适合想读R语言的校友选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是相同首文档或书籍。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只问题,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:不会见统计怎么收拾?不明白如何挑选适合的统计模型怎么处置?那就篇稿子你的上佳读一念了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了一样首关于automatic
statistician的章。可以自行选择回归模型类别,还能够活动写报告…

  • 《ICLR 2014论文集》

介绍:对纵深上及representation learning最新进展产生趣味之同校可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是平等以信息搜索有关的书本,是出于斯坦福Manning跟谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美顶被欢迎的信搜索教材之一。最近笔者多了该学科的幻灯片和课业。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摆漂亮的觊觎来说明机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清晰

  • 《雅虎研究院的多少集汇总》

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

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

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

  • Best Machine Learning Resources for Getting
    Started

介绍:机器上最佳入门学习材料汇集是总揽为机上新大方推荐的甲学习资源,帮助新家快速入门。而且就首文章的牵线就让翻成中文版。如果您有点熟悉,那么我建议您先看一样押中文的牵线。

  • My deep learning reading
    list

介绍:主要是挨Bengio的PAMI
review的篇章找出来的。包括几据综述文章,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:这是一模一样按照书籍,主要介绍的是跨语言信息搜索方面的文化。理论很多

  • 追推荐引擎内部的秘密,第 1 部分:
    推荐引擎初探

介绍:本文共有三个系列,作者是源于IBM的工程师。它最主要介绍了推介引擎相关算法,并扶持读者很快的贯彻这些算法。 探讨推荐引擎内部的私房,第
2 有些: 深度推荐引擎相关算法 –
协同过滤,追推荐引擎内部的私,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机械上新大家的一些建议》,
写的酷实在,强调实行以及理论做,最后还引述了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的多寡

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

  • 《“机器上”是什么?》

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

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经让6月21-26日于国会中心隆重举办。本次大会由微软亚洲研究院与清华大学一头主办,是是有着30差不多年历史并著名世界之机械上园地的盛会首蹩脚来华,已成掀起全世界1200多各专家的提请参与。干货很多,值得深入学习下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这首文章要是以Learning to
Rank为例说明企业界机器上的切实以,RankNet对NDCG之类不灵动,加入NDCG因素后变成了LambdaRank,同样的构思从神经网络改呢用到Boosted
Tree模型就完事了LambdaMART。Chirs
Burges,微软的机器上大神,Yahoo
2010 Learning to Rank
Challenge第一誉为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文也: From
RankNet to LambdaRank to LambdaMART: An
Overview此外,Burges还有众多知名的代表作,比如:A
Tutorial on Support Vector Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本课程将阐述无监督特征上及纵深上之显要观点。通过上,你为拿落实多独效益上/深度上算法,能来看它啊你工作,并就学怎么下/适应这些想法到新题材上。本课程假定机器上之基本知识(特别是如数家珍的监察上,逻辑回归,梯度下降之想法),如果你无熟悉这些想法,我们建议您去这里机械上课程,并预先完成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已生python版本了 UFLDL
Tutorial Code

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

介绍:这卖文档来自微软研究院,精髓多。如果要了明了,需要一定之机器上基础。不过有点地方会受人眼前一模一样亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是平等首介绍图像卷积运算的篇章,讲的已算比较详细的了

  • 《Machine Learning Summer School》

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

  • 《Awesome Machine
    Learning》

介绍:一个极品完整的机上开源库总结,如果你觉得这个碉堡了,那后是列表会重新给你惊叹:【Awesome
Awesomeness】,国内曾经有热情的心上人进行了翻中文介绍,机械上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学计算机系Chris
Manning教授的《自然语言处理》课程有视频已经可以在斯坦福明课网站上看出了(如Chrome不行,可用IE观看)
作业及考试呢堪下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费于线书,已经写了三章节了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning 爱好者的福音。

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台以及开源之机械上库,按照好数量、NLP、计算机视觉与Deep
Learning分类进行了整理。看起很全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太基本的入门文章,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。很多辰光困惑人们都是,很多算法是同等接近算法,而稍算法又是由另外算法中拉开出的。这里,我们从点滴只地方来给大家介绍,第一独面是习之法,第二个点是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你就了解了是啊内容,没错。里面有很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。

  • 《机器上藏图书》

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

  • 《16 Free eBooks On Machine
    Learning》

介绍:16依机器上的电子书,可以下载下来当pad,手机者任意时刻去阅读。不多我提议您看了一论还下充斥同准。

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

介绍:标题非常怪,从新手到大家。不过看了上面有资料。肯定是大家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的大多,而且自一度拉您摸手拉手了。

  • 《Sibyl》

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

  • 《Neural Network & Text
    Mining》

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

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实践人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这还要是平篇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 & 机器深造 &
    数据挖掘兵器谱》

介绍:python的17单关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此神奇的伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡腾讯广告算法总监,王益博士毕业后以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之视界。值得细读

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

介绍:把机器上提升的级别分为0~4级,每级需要学习的读本及控制的知。这样,给机器学习者提供一个前进的路线图,以免走弯路。另外,整个网站都是关于机器上的,资源非常丰富。

  • 《Machine Learning Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经历资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是同样遵循来自小的研究员 li Peng和Dong
Yu所出示的关于深度上的法与采用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机上夏季课刚刚完结
有守50时之视频、十几近单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名为讲师都是牛人: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的普遍机器上系统》

介绍:在当年底IEEE/IFIP可靠系统跟网(DSN)国际会达成,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,用来缓解预测方面的题材,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粗略地介绍了她们当年到场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。如果未是大绝望可省概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友咨询伯克利机器上大牛、美国双院士Michael I.
Jordan:”如果您生出10亿美金,你怎么花?Jordan:
“我会见就此就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,此外作者还有一对外的机械上及数码挖掘文章和深度上文章,不仅是理论还有源码。

  • 《文本和数挖掘视频汇总》

介绍:Videolectures上极其受欢迎的25单文件和数量挖掘视频汇总

  • 《怎么挑深度上的GPUs》

介绍:在Kaggle上经常得正确成绩的Tim
Dettmers介绍了外好是怎么选深度上的GPUs,
以及民用怎么样构建深度上之GPU集群: http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机器上爱好者很热心的拿这科目翻译成了汉语。如果您英语不好,可以望这个

  • 《Deep Learning 101》

介绍:因为近两年来,深度上以媒体界被炒作好厉害(就像大数额)。其实过多口且还未掌握啊是深上。这篇稿子由浅入深。告诉您深度学究竟是什么!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学开的同等免费课程(很勉强),这个可让你在深度上的中途让您一个修的笔触。里面涉及了一些基本的算法。而且告诉你如何错过行使及骨子里条件遭受。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学召开的一个深度上用来分辨图片标签/图转文字的demo。是一个实际上应用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读是情节需来得之底蕴。

  • 《R工具包的分类集中》

介绍: (CRAN Task Views,
34种普遍任务,每个任务而各自分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多重变量分析,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量解析世界的一个热门内容。很多总人口于平时的工作遭到都还是多或者遗失会因此到机械上之算法。本文为卿总结一下科普的机器上算法,以供您于做事暨上学着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总了某些独密密麻麻。另外还作者还了一个章导航.非常的谢谢作者总结。

Deep
Learning(深度上)学习笔记整理系列的(二)

Deep
Learning(深度上)学习笔记整理系列的(三)

Deep
Learning(深度上)学习笔记整理系列的(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列的(六)

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

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开发之开源中文自然语言处理(NLP)工具包
Fudan
NLP里富含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功能,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,但以非常怀念学学机器上之朋友。是一个要命之福利。机器上周刊目前最主要提供中文版,还是面向周边国内爱好者,内容涉及机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的主要数学先导课程。其实《线代》这门课称得浅显易懂特别非爱,如果同样高达来就讲讲逆序数及陈行列式性质,很易给生去学习之趣味。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的科目。 课主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了千篇一律名叫源于本古里怎么大学的访问学者,制作了同模仿关于机器上之泛滥成灾视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正常机器上算法的辩解基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应针对特别数目时,量子机器上之首先个试验 paper
下载

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

介绍:Wired杂志通讯了UCLA数学博士Chris McKinlay
(图1)通过非常数目手段+机器上方式破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定正在12独账号,下载了恋爱网站2万阴用户之600万题材答案,对他们开展了统计抽样及聚类分析(图2,3),最后到底抱了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开讲,该课属于MIT研究生级别之课程,对机器人和非线性动力系统感兴趣之意中人不妨可以挑战一下眼看宗科目!

  • 《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年起于电脑是的论文中受引述次数最多的舆论

  • 《InfiniTAM:
    基于深度图像的体裁数据并框架》

介绍:把今年之一个ACM Trans. on Graphics
(TOG)论文被的代码整理也一个开源的算法框架,共享出来了。欢迎大家利用。可以实时的搜集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?可以于您于浏览器被,跑起深度学习效果的超酷开源项目ConvNetJS笔者karpathy告诉您,最佳技巧是,当你起来勾画代码,一切以变得一清二楚。他刚好颁布了平等以书籍,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 做影视评论的情愫分析。

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

介绍:不仅是材料,而且还对有些资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了我们啊?

  • 《scikit-learn:用于机器上的Python模块》

介绍:scikit-learn是在SciPy基础及构建的用来机器上的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)教授是机器上世界神经网络的大牛,他本着纵深上、神经网络有着十分深刻的兴味。因此,很多问的题材遭含有了机上世界的各项模型,乔丹教授对准之一一做了解释以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*搜寻是人为智能基本算法,用于高效地找图中有数点的最佳路线,
核心是 g(n)+h(n):
g(n)是自起点到顶点n之实在代价,h(n)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:本档用了Microsoft Azure,可以在几乎区划种内得NLP on Azure
Website的配置,立即开始针对FNLP各种风味的试用,或者以REST
API的花样调用FNLP的言语分析功能

  • 《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。计算机科学研究所顺应所长.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年开班深度上文献》

介绍:从硬件、图像及正规、生物、大数目、生物信息还到量子计算相当于,Amund
Tveit等保护了一个DeepLearning.University小类:收集从2014年初步深度上文献,相信可以视作深度上之起点,github

  • 《EMNLP上个别篇有关股票方向的施用论文

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

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深浅上一线特别牛Bengio组写的教程,算法深入显出,还有实现代码,一步步进展。

  • 《学习算法的Neural Turing Machine

介绍:许多风俗习惯的机器上任务都是在学function,不过谷歌目前发出初步读算法的样子。谷歌另外的立刻首学习Python程序的Learning
to Execute啊发生相似之处

  • 《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,此外还有一定量独。一个凡甄别垃圾以及假信息之paper.还来一个凡是网络舆情及其分析技术

  • 《R机器学习实践》

介绍:该科目是网易公开课的收款课程,不贵,超级福利。主要适合为对采用R语言进行机上,数据挖掘感兴趣的口。

  • 《大数目解析:机器上算法实现的演化》

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,
第二代表工具要Mahout和Rapidminer实现冲Hadoop的恢宏,第三替代如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

  • 《图像处理,分析和机具视觉》

介绍:讲计算机视觉的季管奇书(应该吃经典吧)之一,另外三论是Hartley的《多图几何》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

  • 《LinkedIn最新的引荐系统文章Browsemaps》

介绍:里面基本没涉及到实际算法,但作者介绍了CF在LinkedIn的许多动,以及他们在举行推荐过程中赢得的有历。最后一漫漫经验是应监控log数据的质量,因为推荐的品质不行据数据的质!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初师如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上及老数额构建对话系统

介绍:如何下深度上与大数目构建对话系统

  • 《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利用,而且首先有有关Why does
the l1-norm induce sparsity的说明也够呛科学。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机上着要害的定义,其在large
margin分类器上之以也是广为熟知的。如果没有比较好之数学基础,直接掌握RKHS可能会见正确。本文自基本运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同学对机械上与深度上的迷惑在于,数学方面就大约知道了,但是动于手来可未知晓什么样下手写代码。斯坦福深度上博士Andrej
Karpathy写了相同首实战版本的深上与机上课程,手把手教而用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:本文会过同样举最盛行的机上算法,大致了解如何措施可用,很有扶持。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面有过多有关机器上、信号处理、计算机视觉、深入学、神经网络等世界的大量源代码(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年之纵深上课程资料,有视频

  • 《计算机视觉数据集不净集中》

介绍:计算机视觉数据集不完全集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数量挖掘十特别经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100单大强的类别

  • 《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护在306独数据集。询问数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上以图像、视频语义分析世界获得了科研和工程上之突破,发的篇章非多,但每个都不行实在,在各个一个题材达到还成功了state-of-art.

  • 《Andrej
    Karpathy的深度加深学习演示》

介绍:Andrej
Karpathy的吃水加深学习演示,舆论在此

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E. Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同个英国出生的精打细算机学家和心理学家,以该以神经网络方面的孝敬闻名。辛顿是相反往传播算法和对比散度算法的发明人之一,也是深度上之积极性推进者.

  • 《自然语言处理的深浅上理论以及事实上》

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

  • 《用好数额以及机器上做股票价格预计》

介绍: 本文基于<支持于量机的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移动预测模型。(股票来高风险,投资谨慎)GitHub源代码托管地址.

  • 《关于机器上之好多辩护问题》

介绍:徐宗本
院士将让爱机器上的伙伴一起探讨有关于机器上之几个理论性问题,并吃有有发生意义之结论。最后经过有实例来验证这些理论问题之大体意义和实在应用价值。

  • 《深度上在自然语言处理的使》

介绍:作者还出示有《这虽是摸索引擎:核心技术详解》一挥毫,主要是介绍应用层的物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献和业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数构建的几率统计模型并动用模型对数码进行前瞻及分析的等同山头科学,统计上也变成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之靶子是对计算机编程,以便使样本数或者以往之经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

  • 《人工智能和机器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:此外作者还有同首元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了一样首超赞的数值优化博文,从牛顿法讲到拟牛顿法,再出口到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上方式概述(一)》

介绍:还有续集妇孺皆知深度上方式概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数额及机具上的构成》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边模仿边用word2vec同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和清数据。
如果已作了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供了常用汉字常量,如CJK字符和偏旁,中文标点,拼音,和汉字正则表达式(如找到文本中之繁体字)

  • 《深度卷积神经网络下围棋》

介绍:这篇说将多年来型识别达到的突破用至围棋软件上,打16万张业棋谱训练模型识别功能。想法是。训练后即会不负众望永不计算,只看棋盘就给有下同样步,大约10级棋力。但就首文章最过乐观,说啊人类的尾声一片堡垒马上就要超过掉了。话说得无比早。不过,如果与别的软件成该还有潜力可打。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他表示,根据这次实验的结果,如果今年NIPS重新审稿的口舌,会生一半的论文被拒。

  • 《2014年最佳的怪数额,数据是文章》

介绍:KDNuggets分别总结了2014年14独阅读最多跟享受最多之稿子。我们从中可以看到多只主题——深度上,数据科学家职业,教育及薪酬,学习数据科学的家伙比如R和Python以及公众投票的无限让欢迎之多少对及数目挖掘语言

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

介绍:Python实现线性回归,作者还出任何大棒的文章推荐可看

  • 《2014中国格外数额技术大会33员中心专家发言PDF》

介绍:2014华十分数量技术大会33各类中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

介绍:这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and
Discriminative Techniques for Sentiment Analysis of Movie Reviews
,使用RNN和PV在情感分析效益不错,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前是空的)。这代表Paragraph%E5%85%AC%E5%B8%83%E5%9C%A8github(%E7%9B%AE%E5%89%8D%E6%98%AF%E7%A9%BA%E7%9A%84)%E3%80%82%E8%BF%99%E6%84%8F%E5%91%B3%E7%9D%80Paragraph) Vector终于揭秘面纱了呗。

  • 《NLPIR/ICTCLAS2015分开词系大会上的技术演讲

介绍:NLPIR/ICTCLAS2015分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。
我们实验室同学的讲演包括:孙梦姝-基于评论意见挖掘的货品搜索技术研讨 李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反往求导及练习》

介绍:介绍CNN参数在行使bp算法时该怎么训练,毕竟CNN中产生卷积层和下采样层,虽然同MLP的bp算法本质上等同,但款式达到还是略区别的,很显著以做到CNN反为传播前询问bp算法是要的。此外作者吧召开了一个资源集合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果如以一如既往篇稿子中相当配十万单重要词怎么处置?Aho-Corasick 算法利用上加了回到边的Trie树,能够以线性时间外成功匹配。
但如果匹配十万独正则表达式呢 ?
这早晚可就此到管多单刚刚则优化成Trie树的主意,如日本人口形容的 Regexp::Trie

  • 《Deep learning Reading List》

介绍:深度上阅读清单

  • 《Caffe》

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

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现的开源人工神经网络库

介绍:LambdaNetLambdaNet是由于Haskell实现之一个开源的人工神经网络库,它抽象了网络创建、训练并运用了高阶函数。该库还提供了平等组预定义函数,用户可以以多计做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果你从互联网搜索,在线广告,用户作为分析,图像识别,自然语言理解,或者生物信息学,智能机器人,金融展望,那么这门核心课程你必须深刻摸底。

  • 《杨强在TEDxNanjing谈智能的根源》

介绍:”人工智能研究分众派别。其中某为IBM为表示,认为使发生大性能计算就只是获取智能,他们的‘深蓝’击败了社会风气象棋冠军;另一样派认为智能来自动物本能;还出个特别强之宗派认为一旦找来大家,把她们之想用逻辑一条条写下,放到计算机里即使尽……”
杨强以TEDxNanjing谈智能的来源

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

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

  • 《Deep Learning实战之word2vec》

介绍:网易有道的老三位工程师写的word2vec的解析文档,从中心的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再到word2vec的各种tricks,公式推导与代码,基本上是网上有关word2vec资料的大合集,对word2vec感谢兴趣之爱侣可看看

  • 《Machine learning open source
    software》

介绍:机器上起来源软件,收录了各种机器上的各种编程语言学术和商的开源软件.与此类似之还有多像:[DMOZ

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

  • 《机器上入门者学习指南》

介绍:作者是计算机研二(写文章的时,现在凡2015年了应有将毕业了),专业方向自然语言处理.这是一些客的涉的谈.对于入门的情人可能会产生赞助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是相同首有关机器上算法分类的稿子,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多情节,在此处来一对底漂亮内容就是缘于机器上日报.

  • 《 Image classification with deep
    learning常因此型》

介绍:这是千篇一律篇有关图像分类在深度上中的篇章

  • 《自动语音识别:深度上方法》

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

  • 《NLP中之中文分词技术》

介绍: 作者是360电商技术组成员,这是平首NLP在华语分词中的动

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

介绍: 使用deep
learning的人头脸要点检测,此外还有一样篇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过多牛文,涉及CV、NLP等世界,值得一诵读。网上公开之几章草稿: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描绘的矩阵概率不等式用初等的法勾勒出来,是坏好的手册,领域内之paper各种证明都以就此其中的结果。虽说是初等的,但要么坏的难以

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费杀数据集,有些已是轻车熟路,有些可能要第一不良听说,内容超过文本、数据、多媒体等,让他们陪你开数据是的同吧,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的吃水上综述及实际建议

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好之座谈递归神经网络的文章,覆盖了RNN的概念、原理、训练与优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还闹平等篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了过多之资源,例如角,在线课程,demo,数据整合等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上之统计基础》在线版,该手册希望当理论与实践之间找到平衡点,各重大内容还陪伴有实际例子及数,书中的例证程序还是为此R语言编写的。

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

介绍:IVAN VASILEV写的深浅上导引:从浅层感知机到深度网络。高而读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒与便宜之人造智能优先研究计划:一封闭公开信,目前一度发Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签字The Future of Life
Institute
(FLI).这封信的背景是最近霍金同Elon
Musk提醒人们瞩目AI的潜在威胁。公开信的内容是AI科学家等站于便民社会的角度,展望人工智能的未来上扬势头,提出开发AI系统的Verification,Validity,
Security,
Control四接触要求,以及用小心的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究比较少。其实还有雷同管美剧《疑犯追踪》,介绍了AI的朝三暮四从同开始的我学习,过滤,图像识别,语音识别等看清危险,到第四季的当儿起了机通过上成才之后想控制世界之状态。说到此地推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了成百上千资源,还产生相关知识结构,路线图,用时长等。号称是”机器上“搜索引擎

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

介绍:Facebook人工智能研究院(FAIR)开源了一样密密麻麻软件库,以帮扶开发者建立更充分、更快的吃水上型。开放之软件库在
Facebook 被名模块。用它替代机械上世界常用之开销条件 Torch
中的默认模块,可以当重复少的时日外训练还特别范围的神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是描摹给2012年,但是这首文章完全是作者的经历的作。

  • 《如何成为同各数据科学家》

介绍:本文是指向《机器上实战》作者Peter
Harrington做的一个访谈。包含了写被有的的疑云解答和少数个体学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的深上概述,对几乎种流行的吃水上型都开展了介绍及座谈

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

介绍:主要是叙了采取R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您懂卷积神经网络,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也深过硬

  • 《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:一遵照上人工智能的图书,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和课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个据此来很快的统计,机器上以对数据量大之数学库

  • 《ICLR
    2015会的arXiv稿件合集》

介绍:在此而可看到最近深度上产生什么新取向。

  • 《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 ,收录了消息寻找、网络消息寻找、搜索引擎实现等地方有关的书、研究中心、相关课程、子领域、会议、期刊等等,堪称全集,值得珍藏

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几何法及其在机械上着之采取

  • 《Legal Analytics – Introduction to the
    Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法律相关分析和预测问题,相关的王法采取包括预测编码、早期案例评估、案件完全状况的前瞻,定价以及工作人员预测,司法行为预测相当。法律领域大家或许都比较陌生,不妨了解下。

  • 《文本及之算法》

介绍:
文中关系了无限精,模型,最大熵等等理论,此外还有用篇。推荐系统可以说凡是同一如约是的阅读稿,关于模型还援引一首Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

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

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了以Hadoop2.0臻采取深度上,文章来源paypal

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

介绍:用基于梯度下降的措施训练深度框架的履推荐指导,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: 一个操机器上的Youtube视频教程。160聚众。系统程度跟书可比拟。

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

介绍:
机器学习中的数学,作者的钻研方向是机械上,并行计算如果你还惦记打听一些任何的可以看他博客的其它文章

  • 《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,深度上在文书计算着之应用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的公然数据集

  • 《Search Engine & Community》

介绍: 一个学搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度最好抢的NLP库,快之来由一样凡是故Cython写的,二凡用了个坏抢眼的hash技术,加速系统的瓶颈,NLP中松特征的存取

  • 《Collaborative Filtering with
    Spark》

介绍: Fields大凡个数学研究为主,上面的立即卖ppt是根源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合作之初论文,深度上啊可以用来下围棋,据说能及六段水平

  • 《机器上周刊第二期待》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外还推荐一个深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的舆论库已经选定了963首经过分类的吃水上论文了,很多藏论文还已经用

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

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

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多商行都因此机器上来化解问题,提高用户体验。那么怎么好于机器上还实时和行之有效吗?Spark
MLlib 1.2内的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为着实时处理他们每半小时1TB的研讨数据,现在公布让大家于是了。

  • 《LDA入门与Java实现》

介绍:
这是相同首面向工程师的LDA入门笔记,并且提供相同份开箱即用Java实现。本文特记录基本概念与原理,并无涉及公式推导。文中的LDA实现核心组成部分采用了arbylon的LdaGibbsSampler并力所能够和地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science Platform》

介绍:
AMiner是一个学搜索引擎,从学网络被挖深度知识、面向科技特别数额的开挖。收集近4000万作者信息、8000万舆论信息、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特级论文里之解析结果跟初措施,Daniel
Hammack给来了搜寻特异词的多少应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的粗课程都归档过了,但是还有个别的信息没有。感谢课程图谱的小编

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个总人口脸图像识别库。包含正面与多视角人数脸检测两只算法.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更加深一些。通过全局的风平浪静分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之熏陶系数影响)。可以为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:
非常强的强调特征选择对分类器重要性的篇章。情感分类中,根据互信息对复杂高维特征降维再使用节能贝叶斯分类器,取得了比SVM更出色之功力,训练及分类时间吧大大降低——更要之是,不必花费大量日子在就学与优化SVM上——特征也同等no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和电脑有关知名教授Larry Wasserman
在《机器崛起》,对比了统计和机械上的距离

  • 《实例详解机器上如何缓解问题》

介绍:随着大数量时代的到,机器上变成化解问题之如出一辙种植要且主要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的大方向,但是学术界以及工业界对机器上的钻各个起侧重,学术界侧重于对机器上理论的研究,工业界侧重于如何用机器上来缓解实际问题。这篇稿子是美团的实际上条件面临的实战篇

  • 《Gaussian Processes for Machine
    Learning》

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

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

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

  • 《Blocks》

介绍:Blocks是基于Theano的神经网络搭建框架,集成相关函数、管道与算法,帮你再次快地创造及治本NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一期望的机器上入门课程”Introduction to
Machine
Learning“近期恰巧开拍,课程4K高清视频一起到Youtube上,目前正巧更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同学可以关注,非常适合入门.

  • 《Collaborative Feature Learning from Social
    Media》

介绍:用社交用户作为上图片的同台特征,可再次好地发表图片内容相似性。由于匪借助让人工标签(标注),可用于大规模图片处理,难在用户作为数据的得与漱口;利用社会化特征的思路值得借鉴.

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

介绍:Twitter技术团队针对前段时间开源之辰序列非常检测算法(S-H-ESD)R包的牵线,其中对老的定义和分析颇值得参考,文中也关系——异常是高针对性的,某个圈子支出之充分检测以另外世界直接用而不行.

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

介绍:聚焦数据质量问题的应,数据质量对各种层面企业之属性和频率还至关重要,文中总结发生(不压制)22栽典型数据质量问题显现的信号,以及卓越的多少质量解决方案(清洗、去还、统一、匹配、权限清理等)

  • 《中文分词入门的资源》

介绍:中文分词入门的资源.

  • 《Deep Learning Summit, San Francisco,
    2015》

介绍:15年旧金山深上峰会视频采访,境内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好之规格仍机场(CRF)介绍文章,作者的攻笔记

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

介绍: 来自Stanford,用神经网络实现快捷准确之依存关系解析器

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

介绍:做深度上怎么样抉择GPU的提议

  • 《Sparse Linear
    Models》

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

  • 《Awesome Computer
    Vision》

介绍:
分类整理的机视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的更新频率为特别频繁

  • 《Adam Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

  • 《人脸识别开发包》

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

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

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

  • 《TThe Probabilistic Relevance Framework: BM25 and
    Beyond》

介绍: 信息搜索排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三只影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习的思考:组合了BM11同BM15个别只模型。4)作者是BM25底提出者和Okapi实现者Robertson.

  • 《Introduction to ARMA Time Series Models –
    simplified》

介绍:
自回归滑动平均(ARMA)时间序列的简要介绍,ARMA是钻时序列的主要方法,由从回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

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

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

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

介绍:
揭开印度菜肴的好吃秘诀——通过对大气菜谱原料关系的挖,发现印度菜肴香的原委之一是内的意味互相冲突,很有意思的文书挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐汉语分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与那降序排序的涉嫌,最闻名的凡语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对甚高频及充分低频词的刻画 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,有不少RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信你吗会见受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的无所不包硬件指南,从GPU到RAM、CPU、SSD、PCIe

  • 《行人检测(Pedestrian
    Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在面部识别及你本人还是大家,即使细微的异样也能辨别。研究已经证明人类和灵长类动物在颜加工及差为任何物种,人类采取梭状回面孔区(FFA)。Khaligh-Razavi等通过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的圆满组合。

  • 《Neural Net in C++ Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调剂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漂亮之事物出来。此外作者博客的旁文章也罢酷对。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实际上运用场景NN选择参考表,列举了一部分卓越问题建议采取的神经网络

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

介绍:一个深上型,提供了Python, C/C++, Java, Scala, Go多独版的代码

  • 《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)上上99.63%准确率(新记录),FaceNet
embeddings可用以人脸识别、鉴别和聚类.

  • 《MLlib中的Random
    Forests和Boosting》

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

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

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

  • 《Classifying Spam Emails using Text and Readability
    Features》

介绍:经典问题的新研究:利用文本及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优越方案源码及文档,包括总体的数处理流程,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)是图像处理同图像分析的研究期刊,每篇文章都含一个算法和相应的代码、Demo和尝试文档。文本和源码是通过了同行评审的。IPOL是开之不利及而重新的钻研期刊。我直接怀念做点类似之做事,拉近产品以及技术中的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数码快速分类问题.

  • 《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,同步更新参数的场面下中心达标线性加速。12片Titan
20钟头可以成功Googlenet的教练。

  • 《Machine Learning
    Resources》

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

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是同等以自然语言处理的词典,从1998年始于到目前积攒了累累的正经词语解释,如果你是一模一样位正入门的朋友.可以借这仍词典让自己成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R Tutorial》

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

  • 《Fast unfolding of communities in large
    networks》

介绍:经典老文,复杂网络社区发现的长足算法,Gephi中之[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,可在客户端浏览器中运作,支持LSTM等 github地址

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,国内翻译

  • 《Advanced Optimization and Randomized
    Methods》

介绍: CMU的优化和自由方式课程,由A. Smola和S.
Sra主讲,优化理论是机械上的本,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,内容涉及图像识别应用之各个方面

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做大规模LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

  • 《Data Journalism Handbook》

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

  • 《Data Mining Problems in
    Retail》

介绍: 零售领域的数码挖掘文章.

  • 《Understanding Convolution in Deep
    Learning》

介绍: 深度上卷积概念详解,深入浅出.

  • 《pandas: powerful Python data analysis
    toolkit》

介绍: 非常强的Python的数据解析工具包.

  • 《Text Analytics
    2015》

介绍: 2015文本分析(商业)应用综述.

  • 《Deep Learning libraries and first experiments with
    Theano》

介绍: 深度上框架、库调研以及Theano的始测试体会报告.

  • 《DEEP learning》

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

  • 《simplebayes》

介绍: Python下起源而持久化朴素贝叶斯分类库.

  • 《Paracel》

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

  • 《HanLP:Han Language processing》

介绍: 开源汉语言处理包.

  • 《Simple Neural Network implementation in
    Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

  • 《Hacker’s guide to Neural
    Networks》

介绍:神经网络黑客入门.

  • 《The Open-Source Data Science
    Masters》

介绍:好多数额科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目现已开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的法也会及word2vec获多的法力。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:机器上着之机要数学概念.

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

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断和情感分类效果非常好.心想事成代码.

  • 《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),聚焦统计理论和办法以机械上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法及自由优化学科》是哈佛应用数学研究生教程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣之心上人一定要是省,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数量利用》

介绍:生物医学的SPARK大数额应用.并且伯克利开源了她们之big data
genomics系统ADAM,其他的内容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,请在提出好牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有此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底PPT,NIPS是神经信息处理系统进展大会的英文简称.

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福的纵深上课程的Projects 每个人都要描写一个论文级别的报告
里面来一些死有意思的运 大家可以看 .

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

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

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

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

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的吃水上的票房价值理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近当McGill
University研讨会上的报告,还提供了扳平雨后春笋讲话机器上方法的ipn,很有价 GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊于机上点的有的利用,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机器上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的引荐系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析以及数量挖掘的概率数据结构.

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

介绍:机器上以导航者的应用.

  • 《Neural Networks Demystified

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

  • 《swirl + DataCamp 》

介绍:{swirl}数据训练营:R&数据是在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春学期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:大数量处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机上,国内镜像.

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

介绍:以往上千执代码概率编程(语言)实现只待50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

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

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted paper》

介绍:国际人工智能联合会议任用论文列表,大部分舆论而应用Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的主要性.

  • 《Distributed (Deep) Machine Learning
    Common》

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

  • 《Reinforcement Learning: An
    Introduction》

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

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

介绍:免费书写:Azure ML使用精要.

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

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

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

介绍:有趣之机上:最明白入门指南,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.

  • 《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,是祈求挖掘地方的家。他掌管设计与落实的Arnetminer是国内领先的希冀挖掘系统,该体系吧是多单会的支撑商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习的国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半监察上,multi-label学习与合学习地方于列国及发肯定的震慑力.

  • 《国内机器上算法和应用领域人物篇:王海峰》

介绍:信息寻找,自然语言处理,机器翻译者的专家.

  • 《国内机器上算法和应用领域人物篇:吴军》

介绍:吴军博士是现阶段Google中日韩文搜索算法的严重性设计者。在Google其间,他领导了成千上万研发型,包括过多与汉语相关的制品及自然语言处理的类型,他的初个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

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

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

  • 《Building a new trends
    experience》

介绍:Twitter新trends的中心落实框架.

  • 《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能》

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

  • 《神经网络训练中之Tricks之速BP(反向传播算法)》

介绍:神经网络训练中之Tricks之快BP,博主的其他博客也充分漂亮的.

  • 《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富,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建立了一个处理器领域的H-index牛人列表,我们耳熟能详的各个领域的大牛绝大多数都以榜上,包括1位诺贝尔奖得主,35个图灵奖得主,近百个美国工程院/科学院院士,300多位ACM
Fellow,在此地推荐的由来是豪门可以以google通过寻找牛人的名来取得更多之资源,这卖材料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

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

  • 《Bayesian
    analysis》

介绍:
这是同缓贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册有250几近页,虽然R语言
已经发生近似之项目,但归根结底可以多一个可选项.

  • 《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:图像指纹的还识别,作者源码,国内翻译版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用之柜信息汇总.应用领域包括:自动帮助驾驶及交通管理、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、各种工业自动化和查看、医药和生物、移动装备目标识别以及AR、人群跟踪、摄像、安全监察、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讲解了部分机上技术,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的很快机器上,视频地址.

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

介绍:WePay用机器上对抗信用卡”shell selling”诈骗.

  • 《Data Scientists Thoughts that Inspired
    Me》

介绍:16个数据科学家语录精选.

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

介绍:深度上在深数目解析世界的采用及挑战.

  • 《Free book:Machine
    Learning,Mathematics》

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

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

介绍:一首关于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能很快完成训练的广阔(多层)深度网络HN.

  • 《What I Read For
    Deep-Learning》

介绍:深度上解读文章.

  • 《An Introduction to Recommendation
    Engines》

介绍:Coursera上之推荐系统导论(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,博客的任何机器上文章也罢不错.

  • 《Stanford Machine
    Learning》

介绍:推荐系统”个性化语义排序”模型.

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

介绍:激情时刻更可怜字——MIT的摩登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),种地址,此外推荐相关神经图灵机算法.

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

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

  • 《Mining of Massive Datasets》

介绍:”Mining of Massive Datasets”发布第二本子,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、降维和大规模机器上三章,电子版依然免费.

  • 《Learning Deep
    Learning》

介绍:一个纵深上资源页,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:白话数据挖掘十不行算法.

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

介绍:基于Mahout和Elasticsearch的引荐系统,境内译版.

  • 《Advances in Extreme Learning
    Machines》

介绍:博士学位论文:ELM研究进展.

  • 《10-minute tour of pandas》

介绍:Pandas十分钟速览,ipn.

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

介绍:面向数据新闻的文书挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用网络图片合成延时视频(SIGGRAPH 2015).

  • 《The Curse of Dimensionality in
    classification》

介绍:分类体系的维数灾难.

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

介绍:深度上vs.大数据——从数额到知识:版权的考虑,[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的多少可视化建议.

  • 《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:基于机器上的漏洞检测工具VDiscover.

  • 《Minerva》

介绍:深度上系统minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上会当4上外以GoogLeNet训练及68.7%之top-1以及89.0%之top-5准确率。和跟也dmlc项目之cxxnet相比,采用动态数据流引擎,提供再多灵活性。未来将跟cxxnet一起结为mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉和模式识别会议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整理了各家技术系论文.

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

介绍:基于Caffe的增速深度上体系CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练和)存储.

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

介绍:新书预览:模型机学习.

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

 此外推荐Introduction to Bandits: Algorithms and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

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

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

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

介绍:Andrew
Ng关于深度上/自学习/无监控特征上之晓,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过机要知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向经济数据的情感分析工具.

  • 《pyLDAvis》

介绍:(Python)主题模型交互可视化库pyLDAvis.

  • 《Logistic Regression and Gradient
    Descent》

介绍:Logistic回归与优化实例教程.

  • 《贾扬清微信讲座记录》

介绍:贾扬清(谷歌大脑科学家、caffe缔造者)微信讲座记录.

  • 《sketch》

介绍:Theano/Blocks实现RNN手写字符串生成sketch.

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

介绍:基于TopSig的雅量(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只问题.

  • 《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:矩阵和数目的即兴算法(UC Berkeley 2013).

  • 《Intermediate
    R》

介绍:DataCamp中级R语言教程.

  • 《Topology Without Tears》

介绍:免费电子书:轻松掌握拓扑学,中文版.

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

介绍:Book,video.

  • 《Scikit-learn》

介绍:Scikit-learn
是因Scipy为机上建筑的之一个Python模块,他的性状就是是多样化的归类,回归和聚类的算法包括支持为量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient
Boosting,聚类算法和DBSCAN。而且为计划有了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个为机器上研究简单化的因Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个缘HTM学习算法为工具的机械智能平台。HTM是肌肤的确切计算办法。HTM的主导是冲时间之持续学习算法和仓储和取消的时空模式。NuPIC适合吃各种各样的问题,尤其是检测好和展望的流多少来源。

  • 《Nilearn》

介绍:Nilearn
是一个能很快统计上神经影像数据的Python模块。它使Python语言中之scikit-learn
工具箱和组成部分进展展望建模,分类,解码,连通性分析的应用程序来开展多元的统计。

  • 《PyBrain》

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

  • 《Pattern》

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

  • 《Fuel》

介绍:Fuel为卿的机上型提供数据。他发出一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这好像数据集的接口。你用他来通过充分多种的方法来顶替自己的多寡。

  • 《Bob》

介绍:Bob是一个免费的信号处理和机具上之家伙。它的工具箱是因此Python和C++语言共同编写的,它的计划性目的是移得越来越快捷而减少支出时间,它是由拍卖图像工具,音频和视频拍卖、机器上和模式识别的大量软件包构成的。

  • 《Skdata》

介绍:Skdata是机器上与统计的数据集的库程序。这个模块于玩具问题,流行的微机视觉和自然语言的数据集提供专业的Python语言的使。

  • 《MILK》

介绍:MILK是Python语言下的机械上工具包。它根本是于许多而收获的分类比如SVMS,K-NN,随机森林,决策树被利用监督分类法。
它还实施特征选择。
这些分类器在众地方互动结合,可以形成不同之如无监控上、密切关系金传播和由MILK支持的K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个专注让干抽取的开源性信息抽取工具。它根本对的凡急需针对大型数据集进行信息提取的用户以及思念如果品尝新的算法的科学家。

  • 《Quepy》

介绍:Quepy是由此改变自然语言问题用在数据库查询语言中进行询问的一个Python框架。他得以概括的吃定义为于自然语言和数据库查询中不同品种的题目。所以,你绝不编码就可以起你自己的一个所以自然语言进入你的数据库的系。现在Quepy提供对Sparql和MQL查询语言的支撑。并且计划以它们延伸到其他的数据库查询语言。

  • 《Hebel》

介绍:Hebel是在Python语言中对神经网络的深度上之一个库程序,它利用的凡经过PyCUDA来开展GPU和CUDA的增速。它是太关键的神经网络模型的档次的家伙又会提供一些例外的倒函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

  • 《mlxtend》

介绍:它是一个出于中的家伙与通常数据科学任务的恢宏组成的一个库程序。

  • 《nolearn》

介绍:这个序包容纳了大量能够对您完了机器上任务来帮衬的实用程序模块。其中大量的模块和scikit-learn一起坐班,其它的家常还产生因此。

  • 《Ramp》

介绍:Ramp是一个于Python语言下制定机器上着加速原型设计的缓解方案的库程序。他是一个轻型的pandas-based机器学习着唯独插入的框架,它现存的Python语言下之机上与统计工具(比如scikit-learn,rpy2等)Ramp提供了一个简的声明性语法探索效能因此能迅速有效地尽算法和转移。

  • 《Feature
    Forge》

介绍:这等同层层工具通过与scikit-learn兼容的API,来创造同测试机上效果。这个库程序提供了同等组工具,它会受您以多机械上程序行使受到异常受用。当您下scikit-learn这个家伙时,你晤面发到备受了老可怜的帮助。(虽然当时不过会于您发出异的算法时由作用。)

  • 《REP》

介绍:REP是坐同种和谐、可再生的方法啊指挥数据移动驱动所提供的同样种植环境。它起一个联结的分类器包装来供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且其好以一个部落为平行的艺术训练分类器。同时她为供了一个交互式的内容。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机械上建筑的简要软件收集。

  • 《Python-ELM》

介绍:这是一个在Python语言下基于scikit-learn的极端学习机器的兑现。

  • 《Dimension
    Reduction》

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

  • 《Datasets Used For Benchmarking Deep Learning
    Algorithms》

介绍:deeplearning.net整理的深浅上数据集列表.

  • 《Golang Natural Language
    Processing》

介绍:Go语言编写的自然语言处理工具.

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

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

  • 《Three Aspects of Predictive
    Modeling》

介绍:预测模型的老三个方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度攻读和自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015臻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:对本土化特征上之辨析

 

 

  • 《Deep Learning in Neural Networks: An
    Overview》

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

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的新型版本《神经网络与深上综述》本综述的特色是以时日排序,从1940年开班说起,到60-80年代,80-90年代,一直讲到2000年晚同近年来几乎年的开展。涵盖了deep
learning里各种tricks,引用非常全面.

注:机器上材料篇目一共500条,篇目二起更新

  • 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
    Library》
梦想转载的冤家,你可以绝不联系自己.但是必要是封存原文链接,因为这个类别还于延续为于非期更新.希望见到文章的心上人能模拟到重多.此外:某些材料在炎黄访问需要梯子.
  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:ICML2015
论文集,优化4只+稀疏优化1只;强化学习4独,深度上3独+深度上计算1个;贝叶斯非参、高斯过程和习理论3单;还有算广告与社会选择.ICML2015
Sessions.

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28届IEEE计算机视觉及模式识别(CVPR)大会在美国波士顿举行。微软研究员等于大会上显示了较以往再度快还据的微机视觉图像分类新模型,并介绍了哪些以Kinect等传感器实现以动态或者低光环境的敏捷大规模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/库的综合/比较.

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

介绍:数据可视化最佳实践指南.

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

介绍:Day
1、Day
2、Day
3、Day
4、Day
5.

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

介绍:深度上之“深”——DNN的隐喻分析.

  • 《Mixture Density
    Networks》

介绍:混合密度网络.

  • 《Interview Questions for Data Scientist
    Positions》

介绍:数据科学家职位面试题.

  • 《Accurately Measuring Model Prediction
    Error》

介绍:准确评估模型预测误差.

  • 《Continually updated Data Science Python
    Notebooks》

介绍:Continually updated Data Science Python Notebooks.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《The Eyescream Project NeuralNets dreaming natural
    images》

介绍:来自Facebook的图像自动生成.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《A Neural Conversational Model》

介绍:(Google)神经(感知)会话模型.

  • 《The 50 Best Masters in Data
    Science》

介绍:The 50 Best Masters in Data Science.

  • 《NLP常用信息资源》

介绍:NLP常用信息资源.

  • 《Conditional Random Fields as Recurrent Neural
    Networks》

介绍:语义图像分割的真情演示,通过深度上技术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,型代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长之烦恼.

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

介绍:基于三首造方法的公文流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础和最新进展.

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

介绍:深度上革命.

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

介绍:数据科学(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G之微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产环境(产品级)机器上的机以及挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的构造化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机械上小组关于在线Boosting的论文 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20只顶热点之开源(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的流行篇章《深度上》,Jürgen
Schmidhuber的风行评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的前瞻分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

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

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

介绍:读毕马上100首论文
就能变成特别数目高手,国内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体和公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写为开发者的机器学习指南.

  • 《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将宣告只是扩大/自动调整参贝叶斯推理神经网络.

  • 《An Empirical Exploration of Recurrent Network
    Architectures》

介绍:面向上下文感知查询建议的层次递归编解码器.

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

介绍:GPU上因Mean-for-Mode估计的高效LDA训练.

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

介绍:从实验室到厂子——构建机器上生产架构.

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

介绍:适合做多少挖掘的6独经数据集(及另外100个列表).

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

介绍:Google面向机器视觉的深度学习.

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

介绍:构建预测类应用时如何选机器上API.

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

介绍:Python+情感分析API实现故事情节(曲线)分析.

  • 《Movie selection using
    R》

介绍:(R)基于Twitter/情感分析的祝词电影推荐,此外推荐分类算法的实证比较分析.

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

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

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

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的深加深学习教程.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的可解释性.

  • 《The Essential Spark Cheat
    Sheet》

介绍:Spark快速入门.

  • 《Machine Learning for Sports and Real Time
    Predictions》

介绍:TalkingMachines:面向体育/政治与实时预测的机器学习.

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

介绍:Stanford社交网络以及信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

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

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的便捷深度学习.

  • 《Introduction to R
    Programming》

介绍:来自微软的<R编程入门>.

  • 《Golang:Web Server For Performing Sentiment
    Analysis》

介绍:(Go)情感分析API服务Sentiment Server.

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

介绍:受限波尔兹曼机初学者指南.

  • 《KDD2015十年最佳论文》

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

  • 《Nvidia Deep Learning
    Courses》

介绍:Nvidia深度学习课程.

  • 《Deep Learning Summer School
    2015》

介绍:2015年深度上暑期课程,推荐讲师主页.

  • 《百度深度上的图像识别进展》

介绍:这是一致首关于百度文章《基于深度上的图像识别进展:百度的若干实践》的摘要,建议少首文章做起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机上技术.

  • 《Training Recurrent Neural
    Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的灰色区域:可解释性问题,中文版.

  • 《Machine Learning Libraries in GoLang by
    Category》

介绍:Golang 实现之机器上库资源聚集总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上之统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的深上技能与技巧.

  • 《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:这是一模一样本机器上之电子书,作者Max
Welling士人在机器上教学点装有丰富的更,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处理器视觉类资料之博客,包含的始末:Hinton的CSC321课程的下结论;Deep
Learning综述;Notes on
CNN的总;python的原理总结;Theano基础知识和练习总结;CUDA原理与编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对具体问题(应用场景)如何抉择机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据科学免费书写分类集合

  • 《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些?推荐MSRA的Frank
Soong老师关于语音合成的深度上方式的录像和幻灯片与与谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data Science》

介绍:新书(可免费下载):数据对的道

  • 《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所形容,算是不过广为认知的机械上读本之一,内容覆盖到,难度中达到,适合研究生中文版 or 备份

  • 《an introduction to visualizing
    DATA》

介绍:数据可视化介绍(23页袖珍小册子)

  • 《That’s So Annoying!!!: A Lexical and Frame-Semantic Embedding
    Based Data Augmentation Approach to Automatic Categorization of
    Annoying Behaviors using #petpeeve Tweets
    ∗》

介绍:这篇论文荣获EMNLP2015之特级数据/资源奖优秀奖,号的推特数据集

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

介绍:作者在深度上的思考.

  • 《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“机器上与几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的新书Understanding Machine Learning: From Theory to
Algorithms,此开的比较偏理论,适合对机器上理论出趣味之同学选读

  • 《Machine Learning
    Checklist》

介绍:机器上习清单

  • 《NLP界有什么神级人物?》

介绍:知乎上面的一模一样篇有关NLP界有安神级人物?提问。首推Michael Collins

  • 《机器上温和指南》

介绍:机器上和NLP专家、MonkeyLearn联合创始人&CEO Raúl
Garreta面向初学者大体概括使用机器上过程遭到之基本点概念,应用程序和挑战,旨在为读者能连续找机器上文化。

  • 《Gradient Boosted Regression
    Trees》

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

  • 《Apache SINGA : Distributed Deep Learning
    System》

介绍: 无需开深上就能为此底分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊多少与众包Mechanical
Turk上,实现了来彩票和处理之机制,以搜集用户对活的愿意购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15]
回归模型预测未知WTP,提升卖家利润和顾客满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的广机器学习.

  • 《机器上材料十分汇总》

介绍:来自52ml之机上材料大汇总.

  • 《Automatic
    Summarization》

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

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

介绍:EMNLP-15文本摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上丰富达到4小时之告诉,共248页,是针对性引进系统发展之平等不善全面概括,其中还包Netflix在个性化推荐者的一对涉介绍.

  • 《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集群上之科普分布式机器学习.

  • 《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余标号注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的无论是监督特征上,Ross Goroshin’s
webpage.

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

介绍:谷歌研究院Samy Bengio等人近来勾勒的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/深度上有关品种大列表.

  • 《Information Processing and
    Learning》

介绍:CMU的信息论课程.

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

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

  • 《基于Hadoop集群的周边分布式深度上》

介绍:基于Hadoop集群的泛分布式深度学习.

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

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

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

介绍:无需召开深上就是会为此之分布式深度上软件,github.

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

介绍:当今世界最NB的25员异常数目科学家,通过他们的讳然后在google中摸索一定能够找到多坏硬的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

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

  • 《Connection between probability theory and real
    analysis》

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

  • 《Data Science Learning
    Resources》

介绍:数据对(学习)资源列表.

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

介绍:应本着非均衡数据集分类问题之八不胜策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点引进的20只数据是相关课程.

  • 《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)基于深度上之小买卖图片分类.

  • 《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。目前提供了面前四回的文稿,第一章透过手写数字识别的事例介绍NN,第二章节说反往传播算法,第三章讲反为传来算法的优化,第四节说NN为什么能起合任意函数。大量python代码例子和彼此动画,生动有趣.中文版

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

介绍:数据是大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以以这网站找到github的项目链接.

  • 《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是十年前的结果,他们现在纪念要召开越来越的加强。于是推出了全新的,专门对科学家设计之学问搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监控上,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)二分类.

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

介绍:为入门者准备的深上和神经网络免费资源.

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

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

  • 《Veles:Distributed machine learning
    platform》

介绍:三星开源的短平快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:语义大数量——大数量/事件处理的语义方法.

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

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

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

介绍:Princeton Vision Group的深度上库初步源.

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

介绍:基于AWS的机关分布式科学计算库Ufora,Why I Open Sourced Five Years
of
Work.

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

介绍:(PyCon SE 2015)深度上及深数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

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

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

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

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

介绍:这个专栏是一个stanford学生做的CS183c课程的一个note,该学科是由Reid
Hoffman等互联网boss级人物设置的,每节课请一员巨头公司之连带官员来开访谈,讲述该企业是怎么scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上在quora中的应用.

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

介绍:思维上——RL+RNN算法信息论.

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

介绍:数据科学家毕业后连续攻读的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年中国电脑学会(CCF)优秀博士学位论文》

介绍:2015夏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:复旦大学邱锡鹏先生编制的神经网络与深上课本,ppt.

  • 《Microsoft Open Sources Distributed Machine Learning
    Toolkit》

介绍:微软亚洲研究院开源分布式机器上工具包.

  • 《语音识别的技术原理是什么?》

介绍:语音识别的技艺原理分析

  • 《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.乔丹是出名的微处理器是与统计学学者,主要研究机器上和人造智能。他的严重性贡献包括指出了机上及统计学之间的牵连,并推机械学习界广泛认识及贝叶斯网络的重要。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是相同各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献闻名。辛顿是倒转为传播算法和对待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好多Paper以及优秀学生的paper,此外推荐外的学员Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机上方向的牛人,如果你不明白好翻阅针对话机器学习大神Yoshua
Bengio(上),对话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上使用演进

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

介绍:MIT出版的深上电子书,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(草稿)

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

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上和机具上导论视频》

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

  • 《Computational Linguistics and Deep
    Learning》

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

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

介绍:(BlackHat2015)深度上下的流量鉴别(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下(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,并能够处理着约略框框之数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了图书,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学的执教,主要研究方向是机上与数据挖掘.在2015年的ACM
webinar会议,曾刊登了有关盘点机器上园地的五雅派主题演讲.他的个人主页拥有许多连锁研究之paper以及他的教授课程.

  • 《Video resources for machine
    learning》

介绍:机器上视频集锦

  • 《Deep Machine Learning libraries and
    frameworks》

介绍:深度机器上库与框架

  • 《大数目/数据挖掘/推荐系统/机器上有关资源》

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

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

介绍:(天文学)贝叶斯方法/MCMC教程——统计实战

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

介绍:免费写:统计稀疏学习,作者Trevor
Hastie与Rob
Tibshirani还是斯坦福大学之上课,Trevor
Hastie更是以统计学上上建树多多

  • 《The Evolution of Distributed Programming in
    R》

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

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

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

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统出库汇总.

  • 《Neural networks class – Université de
    Sherbrooke》

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

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福新学科,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集会总结第一片段,老二组成部分.

  • 《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:牛津大学著名视觉几哪里组VGG在IJCV16年首窝首要: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这首期刊文章融合了事先少篇会议(ECCV14,NIPS14ws),定位及辨认图片中之公文(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据与代码.

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

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

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

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

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

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

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

  • 《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的深度上/机器学习课程.

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

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

  • 《Machine Learning: a Probabilistic
    Perspective》

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

  • 《Deep learning Book》

介绍:这是平按部就班在线的纵深上书本,合著者有Ian Goodfellow, Yoshua Bengio 和
Aaron Courville.如果你是千篇一律号新入门的生可先看这按照图书Yoshua Bengio:
How can one get started with machine
learning?.汉语译本

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深浅上阅读列表.

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

介绍:纽约州立大学布法罗分校2015年春季机械上课程主页.

  • 《Theano is a Deep learning Python library

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

  • 《Statistical Language Models Based On Neural
    Networks》

介绍:博士论文:神经网络统计语言模型.

  • 《文本数据的机上机关分类方法(上)》

介绍:文本数据的机上机关分类方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以把让屏蔽的图片上了整.

  • 《Computational Network Toolkit
    (CNTK)》

介绍:微软研究院拿该深度上工具包CNTK,想进一步询问与上CNTK的同校可以扣押前面几乎上公布的《CNTK白皮书》An
Introduction to Computational Networks and the Computational Network
Toolkit.

  • 《Kalman and Bayesian Filters in
    Python》

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

  • 《Statistical inference for data
    science》

介绍:在线免费书写:面向数据科学的统计测算,R示例代码,很科学GitHub.

  • 《Learning Deep Architectures for
    AI》

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

  • 《Machine Learning
    Tutorials》

介绍:这是千篇一律份机器上与深上课程,文章和资源的清单。这张清单根据各个主题开展写作,包括了重重同深上有关的品类、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。话题涵盖大数量、Hadoop、scikit-learn和对Python堆栈以及众多其它地方的情。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为皆为含有中,当然还有相关的一定构架和概念等.

  • 《Open Source Deep Learning Server》

介绍:开源之吃水上服务,DeepDetect是C++实现的因外部机器上/深度学习库(目前凡是Caffe)的API。给闹了图片训练(ILSVRC)和文件训练(基于字之情丝分析,NIPS15)的样例,以及基于图片标签索引至ElasticSearch中github.

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

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

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

介绍:经典论文:数据挖掘和统计学.

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

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不强烈的没错——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独十分数额解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上的完美硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何在社会媒体齐召开言语检测?没有多少怎么收拾?推特官方披露了一个十分弥足珍贵的数据集:12万标注过的Tweets,有70栽语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上与机械上要集会ICLR 2016起用文章

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

介绍:机器上——深度非技术指南

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

介绍:数据叙事入门指南——创意生成/数据收集/内容设计相关资源引进

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

介绍:WikiTableQuestions——复杂真实问答数据集

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

介绍:(2016版)35单超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两各类大家首涂鸦合发文,CAFFE和SPARK完美组合,分布式深度上混搭模式!github

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

介绍:深度上(分类)文献集

  • 《Learning Deep
    Learning》

介绍:深度上阅读列表

  • 《Awesome42 The easiest way to find R
    packages》

介绍:探索R包的好网站Awesome 42

  • 《MLbase:Distributed Machine Learning Made
    Easy》

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

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

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

介绍:Spark视频集锦

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

介绍:R语言深度上第一节约:从零开始

  • 《A Visual Introduction to Machine
    Learning》

介绍:图解机器上

  • 《Citation Network Dataset》

介绍:AMiner论文引用数据集(v7:2,244,021 papers and 4,354,534 citation
relationships)

  • 《Best Free Machine Learning
    Ebooks》

介绍:10遵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于 Oxford
开设的吃水上课程,课程youtube地址,Google
DeepMind的研讨科学家,此外首页:computervisiontalks的情节呢非常丰富,如果你是做机械视觉方面的研究,推荐吧看看外内容.肯定得呢未小.还有,这员youtube主页及了之视频也不行有重

  • 《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、研究进展和连锁的创业项目。从事机械上,深度上世界的爱侣建议每天看一样扣押

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的集会paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上在生物工程领域的下,如果您行生物工程领域,可以预先读书一首文章详见介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上在生物信息法领域的采用

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

介绍:一些关于机器上要知道知识,对于刚刚入门机上的同室应该读一读

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器深造用户组主页,网罗了剑桥大学有些机上领域专家与谍报

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

介绍:Randy
Olson’s的一些数额解析与机具上类库,是习实践的好素材

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果下之也多,而用来开机械上的饶比较少了.Swift
Ai在这方面举行了很多聚集.可以看看

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

介绍:如何向平等员5寒暑之女孩儿解释支持为量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机械上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的局部牛人博客,超有实力的研讨部门等之网站链接.做计算机视觉方向的心上人建议多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度读钻研主页,此外研究小组对2013年deep learning
的行进展及连锁论文做了整治,其中useful
links的内容非常受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是均等篇有关寻找引擎的博士论文,对现在广大应用的检索引擎google,bing等召开了分析.对于做搜索类似产品的那个有技术参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这仿佛书比较少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深上点的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的重复分布式梯度下降.同时援引广分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究相关题材综述.

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

介绍: 社交计算应用领域概览,里面有些经典论文推荐

  • 《Collaborative Filtering Recommender
    Systems》

介绍: 协同过滤在引进系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在内容引进的研究.

  • 《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.做计算机图形的引进收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏表示和高维几何.12年由Elsevier、13年及今日由PAMI(仍由Elsevier赞助)设立的青年研究者奖(Young
Researcher
Award)授予好博士学位后七年内取杰出贡献的;由CV社区提名,在CVPR会议及揭晓。2015年得主是哥大助理教授John
Wright,09年《健壮人脸识别的疏表示法》援已超过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推荐了许多有关线性代数、优化、系统、和统计领域的藏教材及资料.

  • 《Book review: Fundamentals of Deep
    Learning》

介绍:
书籍推荐,深度上基础.源码

  • 《Learning from Big Code》

介绍:
软件工程领域现在吗针对机器上与自然语言处理很感兴趣,有人出了“大代码”的定义,分享了很多代码集合,并且认为ML可以就此当预测代码Bug,预测软件作为,自动写新代码等任务上。大代码数据集下载

  • 《Object
    Detection》

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

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

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

  • 《Stanford HCI Group》

介绍:
斯坦福星机交互组五篇CHI16章。1.众确保激励机制的所作所为经济学研究:批量结算比单任务的到位率高。2.在众包专家和初手间建立联系:微实习。3.词嵌入结合众包验证的歌词汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的运动预计。5.鞭策错以加快众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据正确

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D同节约介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是一样舒缓机器上的开源框架,专为黑客打造,而未为科学家要作。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ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要干的凡贝叶斯网络以及马尔科夫逻辑网络的learning和inference问题,同时又针对PGM有深厚的驳斥解释,是学习概率图模型必看的书。难度中及,适合生一部分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:
这是相同卖有关机器上和数目挖掘以网安全地方以的资源帖,包含了有第一之站点,论文,书籍,斯坦福课程和部分行之教程.

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

介绍: 麻省理工学院(MIT)开设课程.S094:自主驾驶汽车之吃水上

  • 《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以及参考资料

  • 《TensorFlow and deep learning, without a
    PhD》

介绍:新手入门,通过TensorFlow入门深度念

  • 《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在AAAI
2017达成召开的有关优化以及常见机器上的Tutorial。很值得一看。里面对人情的优化算法,特别是部分反驳特性以及分布式算法的应和理论特性都起一个较详细的下结论。非常适合想迅速了解这些世界的专家和工程师。另外,这个Tutorial还介绍了DMTK的片情形,作为一个分布式计算平台的得失,还顺带比较了Spark和TensorFlow等风靡框架。

  • 《Deep Learning Implementations and Frameworks
    (DLIF)》

介绍:AAAI
2017的Tutorial,专门讲述了深上框架的计划思想和兑现,比较多栽流行框架(Caffe、MXNet、TensorFlow、Chainer等)的性能与异同。

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

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

  • 《Deconstruction with Discrete
    Embeddings》

介绍:用离散嵌入解构模糊数据

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

介绍:视频发布:自然现象可靠机器上(NIPS 2016 Workshop)

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

介绍:Google发布大规模音频数据集

  • 《5 algorithms to train a neural
    network》

介绍:训练神经网络的5种算法

  • 《Course notes for CS224N
    Winter17》

介绍:笔记:斯坦福CS224n深度念NLP课程(2017)

  • 《Persontyle Workshop for Applied Deep
    Learning》

介绍:伦敦纵深上研讨会资料

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

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

  • 《An Introduction to MCMC for Machine
    Learning》

介绍:面向机器上之马尔科夫链蒙特卡洛(MCMC)

  • 《Awesome Deep learning papers and other
    resources》

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

  • 《Datasets for Natural Language
    Processing》

介绍:自然语言处理NLP数据集列表

  • 《Machine Learning for Software
    Engineers》

介绍:软件工程师的机器上

  • 《Quantitative Finance
    resources》

介绍:量化金融(Quants)资源列表

  • 《What Computers Still Can’t
    Do.》

介绍:《计算机还是不能够召开啊——人工理性批判》MIT版导言

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

介绍:谷歌发论文详解TPU

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

介绍:2017年ICWSM会议论文合集,业内对它们的评论是:”算是最顶级也是太早的关于社会计算的集会”。里面的舆论大部分是研讨社交网络的,例如twitter,emoji,游戏。对于社交媒体来说内容要挺前沿的。如果你是做社会计算的要么可以看。毕竟是行业内数一数二底会。对了,只要是若知名字的有名社交媒体都出投稿.[陌陌不算是]

  • 《NTUEE ML
    2017》

介绍:台大李宏毅中文机器上课程(2017)

  • 《TensorFlow Dev Summit
    2017》

介绍:2017 TensorFlow 开发者峰会(中文字幕)

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

介绍:斯坦福2017季CS231n深度视觉识别课程视频

 

 

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

介绍:这是一致客python机器上库,如果你是平等个python工程师而且想深入之读机器学习.那么就首文章或能够帮忙及你.

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

介绍:这等同篇介绍如果规划及管制属于你协调的机械上型之稿子,里面提供了保管模版、数据管理和执行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还未晓得啊是机上,或则是正上感觉到好枯燥乏味。那么推荐一念。这篇稿子都让翻成汉语,如果有趣味可以走http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上的重大语言,有许多之对象想深造R语言,但是接连忘记一些函数和主要字之含义。那么就首文章或能助到公

  • 《Choosing a Machine Learning
    Classifier》

介绍:我该怎么挑选机器上算法,这篇稿子于直观的比较了Naive
Bayes,Logistic
Regression,SVM,决策树等措施的好坏,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了之本子: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、理论的介绍都挺成功,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

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

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

  • 《深度上与统计上理论》

介绍:作者是源于百度,不过他自现已以2014年4月份提请离职了。但是及时首文章大对如果您切莫晓得深度上及支持为量机/统计上理论有啊联系?那么应该及时看看就首文章.

  • 《计算机科学中之数学》

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

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

介绍:信息时代的电脑是理论,目前境内发出纸质书购买,iTunes购买

  • 《Data Science with
    R》

介绍:这是同样比照由雪城大学新编的老二版《数据科学入门》教材:偏实用型,浅显易懂,适合想学R语言的同校选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是平篇文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20单问题,内容包括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?不知底什么选适宜的统计模型怎么处置?那就首文章你的美妙读一读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了平等篇有关automatic
statistician的稿子。可以自行选择回归模型类别,还能够半自动写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上及representation learning最新进展发趣味的同学可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是同一按部就班信息寻找相关的书籍,是出于斯坦福Manning及谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美无与伦比受欢迎之音讯寻找教材有。最近作者多了拖欠学科的幻灯片和学业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

  • 《Machine learning in 10
    pictures》

介绍:Deniz Yuret用10张良的觊觎来分解机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很清晰

  • 《雅虎研究院的数额集汇总》

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

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

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且以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总揽为机械上新家推荐的上乘学习资源,帮助新家快速入门。而且这篇文章的介绍就给翻成中文版。如果你有些熟悉,那么我提议您先押无异收押中文的介绍。

  • My deep learning reading
    list

介绍:主要是沿着Bengio的PAMI
review的章找出来的。包括几比照综述文章,将近100篇论文,各位山头们的Presentation。全部且得于google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是一律本图书,主要介绍的凡跨语言信息寻找方面的知识。理论很多

  • 探讨推荐引擎内部的潜在,第 1 组成部分:
    推荐引擎初探

介绍:本文共有三独密密麻麻lovebet爱博,作者是来源于IBM的工程师。它要介绍了推介引擎相关算法,并拉扯读者很快之兑现这些算法。
追究推荐引擎内部的秘闻,第 2 部分: 深度推荐引擎相关算法 –
协同过滤,探讨推荐引擎内部的绝密,第
3 部分: 深度推荐引擎相关算法 –
聚类

  • 《Advice for students of machine
    learning》

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机器上新师的一点提议》,
写的要命实在,强调实行及辩论结合,最后还引述了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

  • 分布式并行处理的多少

介绍:这是一律比照关于分布式并行处理的数量《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参考下

  • 《“机器上”是啊?》

介绍:【“机器上”是啊?】John
Platt是微软研究院独立科学家,17年来他直以机器上世界耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定举办博客,向公众介绍机器上之研究进展。机器上是呀,被采取在哪?来拘禁Platt的即首博文

  • 《2014年国际机器上大会ICML 2014
    论文》

介绍:2014年国际机器上大会(ICML)已经给6月21-26日于江山议会着力隆重举办。本次大会由微软亚洲研究院暨清华大学同步主办,是其一拥有30大抵年历史并著名世界之机器上世界的盛会首潮到华,已成引发全球1200几近员学者的申请参与。干货很多,值得深刻上下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子主要是因Learning to
Rank为条例说明企业界机器上之现实运用,RankNet对NDCG之类不灵敏,加入NDCG因素后改为了LambdaRank,同样的思想从神经网络改吧下至Boosted
Tree模型就得了LambdaMART。Chirs
Burges,微软的机器上大神,Yahoo
2010 Learning to Rank
Challenge第一誉为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
另外,Burges还有许多闻名的代表作,比如:A Tutorial on Support Vector
Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

  • 100 Best GitHub: Deep
    Learning

介绍:100 Best GitHub: Deep Learning

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

介绍:本学科将阐述无监督特征上及纵深上的主要意见。通过上,你呢以实现多单功能学/深度上算法,能看她为卿工作,并上如何运用/适应这些想法到新题材达成。本课程假定机器上的基本知识(特别是轻车熟路的督查上,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,并预先完成第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已生python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果欲了知道,需要自然的机器上基础。不过小地方会面被丁前同亮,毛塞顿开。

  • Understanding
    Convolutions

介绍:这是均等首介绍图像卷积运算的章,讲的早已算是比较详细的了

  • 《Machine Learning Summer
    School》

介绍:每天要一个大牛来讲座,主要涉嫌机械上,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:一个最佳完整的机上开源库总结,如果您当是碉堡了,那后是列表会又叫您好奇:【Awesome
Awesomeness】,国内就出热情的爱侣进行了翻华语介绍,机上数据挖掘免费电子书

  • 斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学计算机系Chris
Manning教授的《自然语言处理》课程有视频已经足以当斯坦福公然课网站上看看了(如Chrome不行,可用IE观看)
作业和考试呢得以下载。

  • 《Deep Learning and Shallow
    Learning》

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

  • 《Recommending music on Spotify with deep
    learning》

介绍:利用卷积神经网络做音乐推荐。

  • 《Neural Networks and Deep
    Learning》

介绍:神经网络的免费在线书,已经写了三节了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的福音。

  • 《Java Machine
    Learning》

介绍:Java机器上相关平台跟开源的机器上库,按照好数据、NLP、计算机视觉与Deep
Learning分类进行了整治。看起颇全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上太基本的入门文章,适合零基础者

  • 《机器上常见算法分类集中》

介绍:机器上之算法很多。很多时光困惑人们还是,很多算法是平像样算法,而有点算法又是起另算法中拉开出来的。这里,我们打区区独面来为大家介绍,第一单方面是学习的法门,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看问题你既掌握了凡呀内容,没错。里面有成千上万藏的机器上论文值得仔细跟一再的开卷。

  • 《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

  • 《机器上藏图书》

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

  • 《16 Free eBooks On Machine
    Learning》

介绍:16如约机器上的电子书,可以下载下来当pad,手机者任意时刻去看。不多我提议您看了一遵照还下充斥同遵循。

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

介绍:标题非常要命,从新手到大家。不过看罢上面有资料。肯定是大家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的不行多,而且自早就拉您找一块了。

  • 《Sibyl》

介绍: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。

  • 《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的下结论

  • 《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

  • 《行人检测》

介绍:计算机视觉入门的实践人检测

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

介绍:Important resources for learning and understanding . Is awesome

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:这还要是同等篇机器上新大方的入门文章。值得一念

  • 《Neural Networks and Deep
    Learning》

介绍:在线Neural Networks and Deep Learning电子书

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

介绍:python的17独关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在此神奇的伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡腾讯广告算法总监,王益博士毕业后每当google任研究。这首文章王益博士7年来起谷歌到腾讯对于分布机器上的眼界。值得细读

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

介绍:把机器上提升的级别分为0~4层,每级需要学习之教材及左右的文化。这样,给机器学习者提供一个上扬的路线图,以免走弯路。另外,整个网站都是关于机器上的,资源大丰富。

  • 《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:这是相同据来自小的研究员 li Peng和Dong
Yu所著的关于深度上之办法以及利用之电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机器上夏季课刚刚完结
有接近50钟头之视频、十几近只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誉为讲师都是牛人:包括充分牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

  • 《Sibyl:
    来自Google的宽泛机器上体系》

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

  • 《Building a deeper understanding of
    images》

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

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

介绍:贝叶斯学习。如果未是坏绝望可省概率编程语言和贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

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

  • 《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有一部分其他的机上及数挖掘文章和纵深上文章,不仅是论战还有源码。

  • 《文本以及数量挖掘视频汇总》

介绍:Videolectures上极给欢迎的25独文本以及数据挖掘视频汇总

  • 《怎么选择深度上的GPUs》

介绍:在Kaggle上时不时得正确成绩的Tim
Dettmers介绍了他好是怎么取舍深度上之GPUs,
以及个人怎么构建深度上的GPU集群:
http://t.cn/RhpuD1G

  • 《对话机器上大神Michael
    Jordan:深度模型》

介绍:对话机器上大神Michael Jordan

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

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

  • 《Deep Learning
    教程翻译》

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

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上在媒体界被炒作特别厉害(就比如那个数额)。其实过多丁且还非知底呀是深度上。这首文章由浅入深。告诉您深度学究竟是呀!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学召开的平等免费课程(很勉强),这个好吃您以深上之旅途吃你一个读的笔触。里面涉及了一些核心的算法。而且告诉你怎么样错过动及骨子里条件遭到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学开的一个纵深上用来识别图片标签/图转文字的demo。是一个实际上使用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读之情节需有自然的功底。

  • 《R工具包的归类集中》

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

  • 《机器上常见算法分类集中》

介绍:
机器学习的是眼下数码解析世界的一个香内容。很多人数在平常之做事遭到都还是多还是遗失会为此到机械上之算法。本文也汝总结一下科普的机上算法,以供而当劳作跟学习中参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

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

Deep
Learning(深度上)学习笔记整理系列的(二)

Deep
Learning(深度上)学习笔记整理系列的(三)

Deep
Learning(深度上)学习笔记整理系列的(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列的(七)

DeepLearning(深度上)学习笔记整理系列的(八)

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

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

  • 《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院开支之开源中文自然语言处理(NLP)工具担保
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、语法分析等功用,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,但与此同时生想学机器上的朋友。是一个那个之有益。机器上周刊目前紧要提供中文版,还是面向周边国内爱好者,内容提到机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

  • 《线性代数》

介绍:《线性代数》是《机器上》的主要数学先导课程。其实《线代》这宗课称得浅显易懂特别非爱,如果同高达来即摆逆序数及陈行列式性质,很轻受学员去学习的兴趣。我个人推举的特等《线性代数》课程是麻省理工Gilbert
Strang教授的科目。
学科主页

  • 《Big-data》

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

  • 《machine learning for smart
    dummies》

介绍:雅虎邀请了同叫做源于本古里安大学的访问学者,制作了同一法关于机器上的一系列视频课程。本课程并分为7期,详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等常规机器上算法的论争基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着生数额时代,量子机器上之第一个实验 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)通过充分数目手段+机器上方式破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定着12单账号,下载了相恋网站2万女用户之600万题目答案,对他们进行了统计抽样及聚类分析(图2,3),最后终于赢得了真爱。科技改变命运!

  • 《Underactuated
    Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开盘,该课属于MIT研究生级别的课,对机器人及非线性动力系统感兴趣的冤家不妨可以挑战一下顿时门课程!

  • 《mllib实践经验(1)》

介绍:mllib实践经验分享

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

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

  • 《NLP常用信息资源》

介绍:NLP常用信息资源*
《NLP常用信息资源》

  • 《机器上速查表》

介绍:机器上速查表

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

介绍:从1996年开头当微机对的论文被为引述次数最多之舆论

  • 《InfiniTAM:
    基于深度图像的样式数据并框架》

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

  • 《Hacker’s guide to Neural
    Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好学习她?可以为您于浏览器被,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉您,最佳技巧是,当你开始勾画代码,一切将变得清清楚楚。他正好颁布了平等如约图书,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
讲述工业界和科学界机器上的异议,大实话

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

介绍:使用Neo4j
做影视评论的感情分析。

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

介绍:不仅是材料,而且还针对性有些资料做了诠释。

  • 《A primer on deeping
    learning》

介绍:深度上入门的初级读本

  • 《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱们什么?

  • 《scikit-learn:用于机器上的Python模块》

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

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

介绍:乔丹教授(Michael I.
Jordan)教授是机械上世界神经网络的大牛,他对纵深上、神经网络有着不行厚的趣味。因此,很多讯问的问题被寓了机器上世界的各模型,乔丹教授对准这一一做了说以及展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*追寻是人为智能基本算法,用于高效地找图中少点之顶尖路线,
核心是 g(n)+h(n):
g(n)是由起点至顶点n之实在代价,h(n)凡是顶点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:本项目以了Microsoft Azure,可以于几私分种内得NLP on Azure
Website的配置,立即开始对FNLP各种风味的试用,或者以REST
API的款型调用FNLP的言语分析效益

  • 《吴立德《概率主题模型&数据科学基础》》

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

  • 《机器上入门资源不完全集中》》

介绍:好东西的干货真的多

  • 《收集从2014年开深度上文献》

介绍:从硬件、图像及健康、生物、大数据、生物信息再届量子计算相当于,Amund
Tveit等保障了一个DeepLearning.University小品种:收集从2014年开始深度上文献,相信可以看成深度上之起点,github

  • 《EMNLP上一丁点儿首关于股票方向的运论文

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

  • 《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深度上一线很牛Bengio组写的教程,算法深入显出,还有实现代码,一步步进行。

  • 《学习算法的Neural Turing Machine

介绍:许多风俗习惯的机器上任务还是在就学function,不过谷歌目前产生始发上学算法的可行性。谷歌另外的当下首学习Python程序的Learning
to
Execute为生相似之处

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

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

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习在谣言的识别上之采用,此外还有零星单。一个凡辨垃圾及假信息之paper.还生一个凡是网舆论及其分析技术

  • 《R机器学习实践》

介绍:该科目是网易公开课的收款课程,不贵,超级福利。主要适合为对使用R语言进行机上,数据挖掘感兴趣的人口。

  • 《大数据解析:机器上算法实现的演化》

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

  • 《图像处理,分析以及机具视觉》

介绍:讲计算机视觉的季管辖奇书(应该为经典吧)之一,另外三按照是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:里面基本没干到现实算法,但作者介绍了CF在LinkedIn的浩大使用,以及他们当开推荐过程中取的一部分经验。最后一长条经验是应当监控log数据的质地,因为推荐的身分大据数据的色!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初师如何查阅自然语言处理(NLP)领域学术材料

  • 《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

  • 《利用深度上与大数量构建对话系统

介绍:如何行使深度上与特别数额构建对话系统

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

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

  • 《Reproducing Kernel Hilbert
    Space》

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

  • 《Hacker’s guide to Neural
    Networks》

介绍:许多同校对于机械上及深度上之疑惑在于,数学方面已经约知道了,但是动于手来也休知晓怎么样下手写代码。斯坦福深度上博士Andrej
Karpathy写了一样首实战版本的吃水上及机上课程,手把手教而用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:本文会过相同举最盛行的机上算法,大致了解如何方法可用,很有拉。

  • 《Reproducible Research in Computational
    Science》

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

  • 《NYU
    2014年之深上课程资料》

介绍:NYU 2014年的深浅上课程资料,有视频

  • 《计算机视觉数据集不完全集中》

介绍:计算机视觉数据集不净集中

  • 《Machine Learning Open Source
    Software》

介绍:机器上起来源软件

  • 《LIBSVM》

介绍:A Library for Support Vector Machines

  • 《Support Vector
    Machines》

介绍:数据挖掘十深经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100独雅硬的品种

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高校欧文分校为机上社区保安着306个数据集。查询数据集

  • 《Andrej
    Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上在图像、视频语义分析世界取得了科研与工程及的突破,发之稿子未多,但每个都非常踏实,在各个一个题目达成都成功了state-of-art.

  • 《Andrej
    Karpathy的吃水加深学习演示》

介绍:Andrej
Karpathy的纵深加深学习演示,舆论在此

  • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

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

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是一致各项英国生的精打细算机学家和心理学家,以该以神经网络方面的献闻名。辛顿是相反为传来算法和对待散度算法的发明人之一,也是深上之积极向上推进者.

  • 《自然语言处理的深上理论同事实上》

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

  • 《用老数据以及机器上做股票价格预计》

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

  • 《关于机器上之多理论问题》

介绍:徐宗本
院士将为爱机器上的伴侣一起探讨有关于机器上之几个理论性问题,并被来部分产生意义的定论。最后经过有实例来验证这些理论问题的大体意义以及事实上应用价值。

  • 《深度上在自然语言处理的采用》

介绍:作者还显得有《这即是寻找引擎:核心技术详解》一挥毫,主要是介绍应用层的物

  • 《Undergraduate machine learning at
    UBC》

介绍:机器上课程

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

  • 《推荐系统经典论文文献与业界应用》

介绍:推荐系统经典论文文献

  • 《人脸识别必读之N篇文章》

介绍:人脸识别必读文章推荐

  • 《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

  • 《统计机器上》

介绍:统计上是关于电脑基于数构建的概率统计模型并动用模型对数码进行展望与分析的均等宗科学,统计上为成为统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之目标是针对性计算机编程,以便使样本数要以往底涉来解决给定的问题.

  • 《CIKM
    2014主题报告的幻灯片》

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

  • 《人工智能与机械上园地有趣的开源项目》

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写了一致篇超赞的数值优化博文,从牛顿法讲到拟牛顿法,再道到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

  • 《简明深度上道概述(一)》

介绍:还有续集明确深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数据以及机具上的做》

介绍:谷歌地图解密

  • 《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

  • 《Use Google’s Word2Vec for movie
    reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边模仿边用word2vec和deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并在骨子里比之中比调参数和清数据。
如果已经作了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:这篇说拿多年来型识别达到的突破用及围棋软件达到,打16万摆设业棋谱训练模型识别功能。想法是。训练后即亦可完成决不计算,只拘留棋盘就受起下一样步,大约10层棋力。但这首稿子最过乐观,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,如果跟别的软件成该还有潜力可开。@万精油墨绿

  • 《NIPS审稿实验》

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他代表,根据这次实验的结果,如果今年NIPS重新审稿的口舌,会发出一半之论文被拒。

  • 《2014年最佳的充分数额,数据是文章》

介绍:KDNuggets分别总结了2014年14独阅读最多跟享受最多之文章。我们从中可以看看多只主题——深度上,数据科学家职业,教育和薪酬,学习数据科学的家伙比如R和Python以及公众投票的绝被欢迎之多少对及多少挖掘语言

  • 《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,作者还发任何大棒的稿子援引可看

  • 《2014中华杀数目技术大会33各项中心专家发言PDF》

介绍:2014中国特别数量技术大会33个中心专家发言PDF下载

  • 《使用RNN和Paragraph
    Vector做情感分析》

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

  • 《NLPIR/ICTCLAS2015分割词系大会上的技能演讲

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

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的倒朝求导及练习》

介绍:介绍CNN参数在运用bp算法时欠怎么训练,毕竟CNN中发出卷积层和下采样层,虽然和MLP的bp算法本质上平等,但花样上要小区别之,很强烈在完成CNN反往传来前询问bp算法是要的。此外作者也开了一个资源集合:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果要是以一如既往首文章被匹配配十万单重点词怎么惩罚?Aho-Corasick
算法利用上加了回边的Trie树,能够当线性时间外到位匹配。
但如果匹配十万独正则表达式呢 ?
这时刻可就此到把多单刚则优化成Trie树的法,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是一个开源之吃水上框架,作者目前当google工作,作者主页Yangqing
Jia (贾扬清)

  • 《GoogLeNet深度上型的Caffe复现

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

  • 《LambdaNet,Haskell实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由于Haskell实现的一个开源之人工神经网络库,它抽象了网创建、训练并采用了高阶函数。该库还提供了千篇一律组预定义函数,用户可以下多种方式做这些函数来操作实际世界数据。

  • 《百度余凯&张潼机器学习视频》

介绍:如果你从互联网搜索,在线广告,用户作为分析,图像识别,自然语言理解,或者生物信息学,智能机器人,金融展望,那么这门核心课程你必须深刻摸底。

  • 《杨强在TEDxNanjing谈智能的发源》

介绍:”人工智能研究分多门。其中之一为IBM为代表,认为如果来胜性能计算就不过抱智能,他们的‘深蓝’击败了世道象棋冠军;另一样派认为智能来自动物本能;还来只非常强之帮派认为使找来大家,把他们的琢磨用逻辑一条条写下,放到计算机里虽尽……”
杨强于TEDxNanjing谈智能的来源

  • 《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:网易有道的老三各工程师写的word2vec之辨析文档,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谢谢兴趣之爱人可看

  • 《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.与这类似之还有为数不少如:[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(写文章的时,现在凡2015年了应当将毕业了),专业方向自然语言处理.这是少数他的涉的谈.对于入门的情人或会时有发生帮助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一模一样篇有关机器上算法分类的篇章,非常好

  • 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多情节,在这边产生有之脍炙人口内容就是来机器上日报.

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

介绍:这是同等篇关于图像分类在深度上着之章

  • 《自动语音识别:深度上方式》

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

  • 《NLP中之华语分词技术》

介绍: 作者是360电商技术组成员,这是一致首NLP在华语分词中之运

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

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

  • 《书籍推荐:Advanced Structured
    Prediction》

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

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用高深装逼的数学语言描绘的矩阵概率不等式用初等之法勾勒出来,是十分好之手册,领域外之paper各种证明还在用其中的结果。虽说是初等的,但要么蛮的难以

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费生数据集,有些已是驾轻就熟,有些可能要第一破听说,内容超过文本、数据、多媒体等,让他俩随同您起来数据对的一起吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

  • 《A Brief Overview of Deep
    Learning》

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

  • 《A Deep Dive into Recurrent Neural
    Nets》

介绍:
非常好之讨论递归神经网络的章,覆盖了RNN的定义、原理、训练以及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还来一样篇Deep Learning in a
Nutshell值得推介

  • 《机器上:学习资源》

介绍:里面融合了众多的资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望以理论与实践里找到平衡点,各重大内容都伴随有实际例子及数码,书被的事例程序都是为此R语言编写的。

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

介绍:IVAN VASILEV写的深浅上导引:从浅层感知机到深度网络。高但读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒与便宜的人为智能优先研究计划:一查封公开信,目前一度发生Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签署The Future of Life
Institute
(FLI).这封信的背景是近日霍金以及Elon
Musk提醒人们注意AI的机要威胁。公开信的内容是AI科学家等站于有利于社会的角度,展望人工智能的未来提高动向,提出开发AI系统的Verification,Validity,
Security,
Control四触及要求,以及需要留意的社会问题。毕竟当前AI在经济领域,法律,以及道德领域相关研究于少。其实还有一样管辖美剧《疑犯追踪》,介绍了AI的变异从同开始的自家学习,过滤,图像识别,语音识别等看清危险,到第四季的时光起了机通过上成才之后想控制世界之状态。说交这里推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了广大资源,还起相关文化结构,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)开源了平名目繁多软件库,以助开发者建立更甚、更快之纵深上型。开放的软件库在
Facebook 被叫作模块。用它替代机械上园地常用之支出条件 Torch
中的默认模块,可以以还少的年月内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:本文虽然是摹写给2012年,但是及时篇稿子意是作者的经验的作。

  • 《如何变成平等各类数据科学家》

介绍:本文是对《机器上实战》作者Peter
Harrington做的一个访谈。包含了书写被有的的问号解答和某些私家学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好之深上概述,对几乎栽流行的吃水上型都进展了介绍与讨论

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

介绍:主要是讲述了使用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮你知卷积神经网络,讲解很清晰,此外还有零星篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的别样的有关神经网络文章为很过硬

  • 《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崛起的论文

  • 《Learning Deep Architectures for
    AI》

介绍:一据学习人工智能的书,作者是Yoshua
Bengio,相关境内通讯

  • 《Geoffrey E.
    Hinton个人主页》

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

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个据此来飞的统计,机器上而对数据量大的数学库

  • 《ICLR
    2015议会的arXiv稿件合集》

介绍:在这边而可看到最近深度上产生什么新势头。

  • 《Introduction to Information
    Retrieval》

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

  • 《Information Geometry and its Applications to Machine
    Learning》

介绍:信息几何法及其在机械上着之采取

  • 《Legal Analytics – Introduction to the
    Course》

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

  • 《文本及之算法》

介绍:
文中涉及了无以复加精,模型,最大熵等等理论,此外还有以篇。推荐系统可以说凡是同一按部就班无可非议的阅读稿,关于模型还援引一首Generative
Model 与 Discriminative
Model

  • 《NeuralTalk》

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

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了在Hadoop2.0及运用深度上,文章来源paypal

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

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

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计与报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个张嘴机器上之Youtube视频教程。160汇。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足省他博客的另外文章

  • 《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

  • 《Deep Learning for Answer Sentence
    Selection》

介绍: 深度上用于问答系统答案句的选

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

介绍: CNN用于WEB搜索,深度上在文件计算中之采用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列被的公然数据集

  • 《Search Engine &
    Community》

介绍: 一个学术搜索引擎

  • 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度最好抢之NLP库,快之来头同样凡是用Cython写的,二凡为此了只老巧妙的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举凡个数学研究中心,上面的立刻卖ppt是来源于Fields举办的运动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的藏论文》

介绍: Topic modeling 的经文论文,标注了重大点

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

介绍:
多伦多大学暨Google合作之初论文,深度上为足以用来下围棋,据说能够达标六段落水平

  • 《机器上周刊第二愿意》

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

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

介绍: 18 free eBooks on Machine Learning

  • 《Recommend :Hang Li
    Home》

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

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

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经选定了963首经过分类的深浅上论文了,很多藏论文都早已用

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

介绍: Radim
Řehůřek(Gensim开发者)在平不成机器上聚会及之报,关于word2vec会同优化、应用和扩张,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多店还为此机器上来缓解问题,提高用户体验。那么怎么可以被机器上又实时和有效性也?Spark
MLlib 1.2里边的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为了实时处理他们各半钟头1TB底研讨数据,现在宣告让大家用了。

  • 《LDA入门与Java实现》

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

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学问搜索引擎,从学术网络被刨深度知识、面向科技不行数目的打。收集近4000万作者信息、8000万论文信息、1亿多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

  • 《What are some interesting Word2Vec
    results?》

介绍: Quora上之主题,讨论Word2Vec之幽默应用,Omer
Levy提到了外以CoNLL2014至上论文里的分析结果以及初办法,Daniel
Hammack给起了找特异词的微应用并提供了(Python)代码

  • 《机器上公开课汇总》

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

  • 《A First Course in Linear
    Algebra》

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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个丁脸图像识别库。包含正面与多视角总人口脸检测两单算法.优点:速度快(OpenCV
haar+adaboost的2-3加倍), 准确度高
(FDDB非公开类评测排名第二),能估计人数脸角度。

  • 《Inverting a
    Steady-State》

介绍:WSDM2015最佳论文
把马尔可夫链理论用当了图分析者,比相似的propagation
model更加深刻一些。通过全局的平稳分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之震慑系数影响)。可以用来反求每个节点的熏陶系数

  • 《机器上入门书单》

介绍:机器上入门书籍,实际介绍

  • 《The Trouble with
    SVMs》

介绍:
非常高的强调特征选择对分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再用节能贝叶斯分类器,取得了比SVM更美妙的效果,训练和归类时间呢大大降低——更要紧之凡,不必花费大量工夫以上学与优化SVM上——特征也同样no
free lunch

  • 《Rise of the
    Machines》

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

  • 《实例详解机器上如何缓解问题》

介绍:随着大数据时代的到,机器上变成化解问题之同一栽重点且主要的工具。不管是工业界还是学术界,机器上都是一个炙手可热的样子,但是学术界以及工业界对机械上的钻各个发生厚,学术界侧重于对机械上理论的研究,工业界侧重于怎样用机器上来化解实际问题。这首文章是美团的实际上条件中之实战篇

  • 《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、模型选择和超参优化、高斯模型和外模型关系、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,可算串间ratio(简单相似系数)、partial_ratio(局部相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等
github

  • 《Blocks》

介绍:Blocks是依据Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您还快地开创与管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一望的机上入门课程”Introduction to
Machine
Learning“近期刚开拍,课程4K高清视频并到Youtube上,目前正更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣之同桌可以关心,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),可用来大规模图片处理,难在用户作为数据的获取与清洗;利用社会化特征的思绪值得借鉴.

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

介绍:Twitter技术团队对前段时间开源之岁月序列非常检测算法(S-H-ESD)R包的牵线,其中对异常的定义跟分析好值得参考,文中也论及——异常是青出于蓝针对性的,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:聚焦数据质量问题的应对,数据质量对各种层面企业之习性与频率还重点,文中总结发生(不限于)22种植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:很好之尺度仍机场(CRF)介绍文章,作者的习笔记

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

介绍: 来自Stanford,用神经网络实现长足准确之依存关系解析器

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

介绍:做深上怎么选择GPU的建议

  • 《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年同主题报告
、讲义.

  • 《Awesome Computer
    Vision》

介绍:
分类整理的机视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的更新频率也颇频繁

  • 《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个影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且带有集成学习之思索:组合了BM11同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是研讨时序列的严重性措施,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:
揭开印度菜的爽口秘诀——通过对大气菜系原料关系之开挖,发现印度菜肴香的来头之一是中的寓意互相冲突,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,最红的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对性甚高频及充分低频词的描绘 2)Heaps’ law:
词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比

  • 《I am Jürgen Schmidhuber,
    AMA》

介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me
Anything)主题,有广大RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信您也会见受益匪浅.

  • 《学术种子网站:AcademicTorrents》

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

  • 《机器上相互速查表》

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

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上之应有尽有硬件指南,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】在面识别达到而自我还是师,即使细微之出入吗克辨识。研究都证实人类同灵长类动物在脸加工及差让外物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的完善组合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了所以而调节梯度下降与可调节动量法设计及编码经典BP神经网络,网络经过训练可以做出惊人和精美之事物出来。此外作者博客的外文章为异常不利。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的实在应用场景NN选择参考表,列举了有的杰出问题建议用的神经网络

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

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

  • 《Deep Learning
    Tutorials》

介绍:深度上课程

  • 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

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

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

  • 《MLlib中的Random
    Forests和Boosting》

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

  • 《Sum-Product Networks(SPN)

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

  • 《Neural Network Dependency
    Parser》

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

  • 《神经网络语言模型》

介绍:本文根据神经网络的发展进程,详细讲解神经网络语言模型在依次阶段的款式,其中的型包含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:经典问题之初研究:利用文本及可读性特征分类垃圾邮件。

  • 《BCI Challenge @ NER
    2015》

介绍:Kaggle脑控计算机交互(BCI)竞赛优惠方案源码及文档,包括完全的数目处理流程,是上学Python数据处理及Kaggle经典参赛框架的绝佳实例

  • 《IPOL Journal · Image Processing On
    Line》

介绍:IPOL(在线图像处理)是图像处理及图像分析的钻研期刊,每篇文章都带有一个算法和相应的代码、Demo和尝试文档。文本以及源码是经了同行评审的。IPOL是开之正确性与而重新的钻期刊。我直接怀念做点类似之办事,拉近产品与技术中的距离.

  • 《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,同步创新参数的动静下中心达标线性加速。12片Titan
20小时得得Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机器上资源库,虽然比少.但蚊子再稍加也是肉.有突出部分.此外还有一个出于zheng
Rui整理的机上资源.

  • 《Hands-on with machine
    learning》

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

  • 《The Natural Language Processing
    Dictionary》

介绍:这是平论自然语言处理的词典,从1998年开班到当下积淀了成百上千的科班词语解释,如果你是均等各项正入门的朋友.可以借这按照词典让自己成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

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

  • 《R
    Tutorial》

介绍:R语言教程,此外还推荐一个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敏捷算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即基于此.

  • 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

  • 《synaptic.Js》

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

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

介绍: 决策树

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

介绍:
讨论深度上自动编码器如何有效应对维数灾难,国内翻译

  • 《Advanced Optimization and Randomized
    Methods》

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

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

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

  • 《Topic modeling with LDA: MLlib meets
    GraphX》

介绍:用Spark的MLlib+GraphX做科普LDA主题抽取.

  • 《Deep Learning for Multi-label
    Classification》

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

  • 《Google DeepMind
    publications》

介绍: DeepMind论文集锦

  • 《kaldi》

介绍:
一个开源语音识别工具确保,它目前托管在sourceforge上面

  • 《Data Journalism
    Handbook》

介绍: 免费电子书《数据新闻手册》,
国内产生热情的冤家翻译了中文版,大家也可在线阅读

  • 《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的上马测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio等人口讲话深度上之新书,还无定稿,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:实现种早就开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的章程呢克同word2vec得多的功用。另外,无论作者怎么碰,GloVe都于不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

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

  • 《Math Essentials in Machine
    Learning》

介绍:机器上中的重中之重数学概念.

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

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断与感情分类功能特别好.落实代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机器上课程,先修课程也机械上(10-715)和中路统计学(36-705),聚焦统计理论以及措施以机上园地应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法与人身自由优化学科》是哈佛应用数学研究生课程,由V
Kaynig-Fittkau、P
Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣的意中人一定要看,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数目利用》

介绍:生物医学的SPARK大数额应用.并且伯克利开源了她们之big data
genomics系统ADAM,其他的内容好关注一下官方主页.

  • 《ACL
    Anthology》

介绍:对自然语言处理技术还是机器翻译技术感兴趣的亲们,请在提出好牛逼到无以伦比的idea(自动归纳翻译规律、自动理解语境、自动识别语义等等)之前,请通过谷歌学术简单搜一下,如果谷歌不可用,这个网址有这小圈子几良顶会的论文列表,切不可断章取义,胡乱假设.

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

介绍:论文+代码:基于集成方法的Twitter情感分类,实现代码.

  • 《NIPS 2014 CIML
    workshop》

介绍:NIPS CiML 2014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:斯坦福的深度上课程的Projects 每个人犹设描绘一个论文级别之报告
里面来部分十分有趣的应用 大家好望 .

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

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

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

介绍:文中涉及的老三篇论文(机器上那些从事、无监督聚类综述、监督分类归纳)都异常经典,Domnigos的机械上课为要命不错

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的纵深上的几率理论.

  • 《Nonsensical beer reviews via Markov
    chains》

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

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

  • 《Introduction to Data Analysis using Machine
    Learning》

介绍:用机器上做多少解析,David Taylor最近在McGill
University研讨会达成的晓,还提供了同系列讲话机器上方式的ipn,很有价
GitHub.国内

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

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

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

介绍:亚马逊在机器上地方的有些施用,代码示例.

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

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

  • 《Intro to machine learning with
    scikit-learn》

介绍:DataSchool的机上基本概念教学.

  • 《DeepCLn》

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

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

介绍:基于Mahout和Elasticsearch的引进系统.

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

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

  • 《Time Series Econometrics – A Concise
    Course》

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

  • 《Pattern Recognition And Machine
    Learning》

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

  • 《Probabilistic Data Structures for Web Analytics and Data Mining

介绍:用于Web分析和数码挖掘的几率数据结构.

  • 《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&数据科学在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

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

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

介绍:Deep Reinforcement Learning.

  • 《Machine Learning with
    Scikit-Learn》

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

  • 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

  • 《Introduction to Machine
    Learning》

介绍:15年春天学期CMU的机械上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.国内镜像.

  • 《Big Data
    Processing》

介绍:大数额处理课.内容覆盖流处理、MapReduce、图算法等.

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

介绍:用Spark
MLlib实现好用而扩大的机上,境内镜像.

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

介绍:以往上千推行代码概率编程(语言)实现就待50行.

  • 《Beautiful plotting in R: A ggplot2
    cheatsheet》

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

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

介绍:用结构化模型来预测实时股票行情.

  • 《International Joint Conference on Artificial Intelligence
    Accepted
    paper》

介绍:国际人工智能联合会议任用论文列表,大部分舆论而使Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的显要性.

  • 《Distributed (Deep) Machine Learning
    Common》

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

  • 《Reinforcement Learning: An
    Introduction》

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

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

介绍:免费书写:Azure ML使用精要.

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

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

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

介绍:有趣之机器上:最显入门指南,中文版.

  • 《A Brief Overview of Deep
    Learning》

介绍:深度上简明介绍,中文版.

  • 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

  • 《convnet-benchmarks》

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

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

介绍:卡耐基梅隆大学计算机学院语言技术系的资源全,包括大气底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.

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跻身自己之博客主页