機(jī)器學(xué)習(xí)(Machine Learning)&深度學(xué)習(xí)(Deep Learning)資料(Chapter 1)

?

• 《Brief History of Machine Learning》

介紹:這是一篇介紹機(jī)器學(xué)習(xí)歷史的文章，介紹很全面，從感知機(jī)、神經(jīng)網(wǎng)絡(luò)、決策樹、SVM、Adaboost到隨機(jī)森林、Deep Learning.

• 《Deep Learning in Neural Networks: An Overview》

介紹:這是瑞士人工智能實(shí)驗(yàn)室Jurgen Schmidhuber寫的最新版本《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)綜述》本綜述的特點(diǎn)是以時(shí)間排序，從1940年開始講起，到60-80年代，80-90年代，一直講到2000年后及最近幾年的進(jìn)展。涵蓋了deep learning里各種tricks，引用非常全面.

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

介紹:這是一份python機(jī)器學(xué)習(xí)庫,如果您是一位python工程師而且想深入的學(xué)習(xí)機(jī)器學(xué)習(xí).那么這篇文章或許能夠幫助到你.

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

介紹:這一篇介紹如果設(shè)計(jì)和管理屬于你自己的機(jī)器學(xué)習(xí)項(xiàng)目的文章，里面提供了管理模版、數(shù)據(jù)管理與實(shí)踐方法.

• 《Machine Learning is Fun!》

介紹:如果你還不知道什么是機(jī)器學(xué)習(xí)，或則是剛剛學(xué)習(xí)感覺到很枯燥乏味。那么推薦一讀。這篇文章已經(jīng)被翻譯成中文,如果有興趣可以移步http://blog.jobbole.com/67616/

• 《R語言參考卡片》

介紹:R語言是機(jī)器學(xué)習(xí)的主要語言,有很多的朋友想學(xué)習(xí)R語言，但是總是忘記一些函數(shù)與關(guān)鍵字的含義。那么這篇文章或許能夠幫助到你

• 《Choosing a Machine Learning Classifier》

介紹:我該如何選擇機(jī)器學(xué)習(xí)算法，這篇文章比較直觀的比較了Naive Bayes，Logistic Regression，SVM，決策樹等方法的優(yōu)劣，另外討論了樣本大小、Feature與Model權(quán)衡等問題。此外還有已經(jīng)翻譯了的版本:http://www.52ml.net/15063.html

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

介紹：深度學(xué)習(xí)概述：從感知機(jī)到深度網(wǎng)絡(luò)，作者對于例子的選擇、理論的介紹都很到位，由淺入深。翻譯版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html

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

介紹:<機(jī)器學(xué)習(xí)與優(yōu)化>這是一本機(jī)器學(xué)習(xí)的小冊子, 短短300多頁道盡機(jī)器學(xué)習(xí)的方方面面. 圖文并茂, 生動(dòng)易懂, 沒有一坨坨公式的煩惱. 適合新手入門打基礎(chǔ), 也適合老手溫故而知新. 比起MLAPP/PRML等大部頭, 也許這本你更需要!具體內(nèi)容推薦閱讀:http://intelligent-optimization.org/LIONbook/

• 《深度學(xué)習(xí)與統(tǒng)計(jì)學(xué)習(xí)理論》

介紹:作者是來自百度，不過他本人已經(jīng)在2014年4月份申請離職了。但是這篇文章很不錯(cuò)如果你不知道深度學(xué)習(xí)與支持向量機(jī)/統(tǒng)計(jì)學(xué)習(xí)理論有什么聯(lián)系？那么應(yīng)該立即看看這篇文章.

• 《計(jì)算機(jī)科學(xué)中的數(shù)學(xué)》

介紹:這本書是由谷歌公司和MIT共同出品的計(jì)算機(jī)科學(xué)中的數(shù)學(xué)：[Mathematics for Computer Science](Mathematics for Computer Science)，Eric Lehman et al 2013 。分為5大部分：1）證明，歸納。2）結(jié)構(gòu)，數(shù)論，圖。3）計(jì)數(shù)，求和，生成函數(shù)。4）概率，隨機(jī)行走。5）遞歸。等等

• 《信息時(shí)代的計(jì)算機(jī)科學(xué)理論(Foundations of Data Science)》

介紹：信息時(shí)代的計(jì)算機(jī)科學(xué)理論,目前國內(nèi)有紙質(zhì)書購買，iTunes購買

• 《Data Science with R》

介紹:這是一本由雪城大學(xué)新編的第二版《數(shù)據(jù)科學(xué)入門》教材：偏實(shí)用型，淺顯易懂，適合想學(xué)習(xí)R語言的同學(xué)選讀。

• 《Twenty Questions for Donald Knuth》

介紹:這并不是一篇文檔或書籍。這是篇向圖靈獎(jiǎng)得主Donald Knuth提問記錄稿： 近日， Charles Leiserson, Al Aho, Jon Bentley等大神向Knuth提出了20個(gè)問題，內(nèi)容包括TAOCP，P/NP問題，圖靈機(jī)，邏輯，以及為什么大神不用電郵等等。

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

介紹：不會(huì)統(tǒng)計(jì)怎么辦？不知道如何選擇合適的統(tǒng)計(jì)模型怎么辦？那這篇文章你的好好讀一讀了麻省理工Joshua B. Tenenbaum和劍橋Zoubin Ghahramani合作，寫了一篇關(guān)于automatic statistician的文章。可以自動(dòng)選擇回歸模型類別，還能自動(dòng)寫報(bào)告...

• 《ICLR 2014論文集》

介紹:對深度學(xué)習(xí)和representation learning最新進(jìn)展有興趣的同學(xué)可以了解一下

• 《Introduction to Information Retrieval》

介紹：這是一本信息檢索相關(guān)的書籍，是由斯坦福Manning與谷歌副總裁Raghavan等合著的Introduction to Information Retrieval一直是北美最受歡迎的信息檢索教材之一。最近作者增加了該課程的幻燈片和作業(yè)。IR相關(guān)資源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html

• 《Machine learning in 10 pictures》

介紹:Deniz Yuret用10張漂亮的圖來解釋機(jī)器學(xué)習(xí)重要概念：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

• 《雅虎研究院的數(shù)據(jù)集匯總》

介紹：雅虎研究院的數(shù)據(jù)集匯總： 包括語言類數(shù)據(jù)，圖與社交類數(shù)據(jù)，評分與分類數(shù)據(jù)，計(jì)算廣告學(xué)數(shù)據(jù)，圖像數(shù)據(jù)，競賽數(shù)據(jù)，以及系統(tǒng)類的數(shù)據(jù)。

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

介紹：這是一本斯坦福統(tǒng)計(jì)學(xué)著名教授Trevor Hastie和Robert Tibshirani的新書，并且在2014年一月已經(jīng)開課：https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

• Best Machine Learning Resources for Getting Started

介紹：機(jī)器學(xué)習(xí)最佳入門學(xué)習(xí)資料匯總是專為機(jī)器學(xué)習(xí)初學(xué)者推薦的優(yōu)質(zhì)學(xué)習(xí)資源，幫助初學(xué)者快速入門。而且這篇文章的介紹已經(jīng)被翻譯成中文版。如果你不怎么熟悉，那么我建議你先看一看中文的介紹。

• My deep learning reading list

介紹:主要是順著Bengio的PAMI review的文章找出來的。包括幾本綜述文章，將近100篇論文，各位山頭們的Presentation。全部都可以在google上找到。

• Cross-Language Information Retrieval

介紹：這是一本書籍，主要介紹的是跨語言信息檢索方面的知識。理論很多

• 探索推薦引擎內(nèi)部的秘密，第 1 部分: 推薦引擎初探

介紹:本文共有三個(gè)系列，作者是來自IBM的工程師。它主要介紹了推薦引擎相關(guān)算法，并幫助讀者高效的實(shí)現(xiàn)這些算法。?探索推薦引擎內(nèi)部的秘密，第 2 部分: 深度推薦引擎相關(guān)算法 - 協(xié)同過濾,探索推薦引擎內(nèi)部的秘密，第 3 部分: 深度推薦引擎相關(guān)算法 - 聚類

• 《Advice for students of machine learning》

介紹：康奈爾大學(xué)信息科學(xué)系助理教授David Mimno寫的《對機(jī)器學(xué)習(xí)初學(xué)者的一點(diǎn)建議》， 寫的挺實(shí)際，強(qiáng)調(diào)實(shí)踐與理論結(jié)合，最后還引用了馮 ? 諾依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."

• 分布式并行處理的數(shù)據(jù)

介紹：這是一本關(guān)于分布式并行處理的數(shù)據(jù)《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》,作者是斯坦福的James L. McClelland。著重介紹了各種神級網(wǎng)絡(luò)算法的分布式實(shí)現(xiàn),做Distributed Deep Learning 的童鞋可以參考下

• 《“機(jī)器學(xué)習(xí)”是什么？》

介紹:【“機(jī)器學(xué)習(xí)”是什么？】John Platt是微軟研究院杰出科學(xué)家，17年來他一直在機(jī)器學(xué)習(xí)領(lǐng)域耕耘。近年來機(jī)器學(xué)習(xí)變得炙手可熱，Platt和同事們遂決定開設(shè)博客，向公眾介紹機(jī)器學(xué)習(xí)的研究進(jìn)展。機(jī)器學(xué)習(xí)是什么，被應(yīng)用在哪里？來看Platt的這篇博文

• 《2014年國際機(jī)器學(xué)習(xí)大會(huì)ICML 2014 論文》

介紹：2014年國際機(jī)器學(xué)習(xí)大會(huì)（ICML）已經(jīng)于6月21-26日在國家會(huì)議中心隆重舉辦。本次大會(huì)由微軟亞洲研究院和清華大學(xué)聯(lián)手主辦，是這個(gè)有著30多年歷史并享譽(yù)世界的機(jī)器學(xué)習(xí)領(lǐng)域的盛會(huì)首次來到中國，已成功吸引海內(nèi)外1200多位學(xué)者的報(bào)名參與。干貨很多，值得深入學(xué)習(xí)下

• 《Machine Learning for Industry: A Case Study》

介紹：這篇文章主要是以Learning to Rank為例說明企業(yè)界機(jī)器學(xué)習(xí)的具體應(yīng)用，RankNet對NDCG之類不敏感，加入NDCG因素后變成了LambdaRank，同樣的思想從神經(jīng)網(wǎng)絡(luò)改為應(yīng)用到Boosted Tree模型就成就了LambdaMART。Chirs Burges，微軟的機(jī)器學(xué)習(xí)大神，Yahoo 2010 Learning to Rank Challenge第一名得主，排序模型方面有RankNet，LambdaRank，LambdaMART，尤其以LambdaMART最為突出，代表論文為：?From RankNet to LambdaRank to LambdaMART: An Overview此外，Burges還有很多有名的代表作，比如：A Tutorial on Support Vector Machines for Pattern Recognition
Some Notes on Applied Mathematics for Machine Learning

• 100 Best GitHub: Deep Learning

介紹:100 Best GitHub: Deep Learning

• 《UFLDL-斯坦福大學(xué)Andrew Ng教授“Deep Learning”教程》

介紹:本教程將闡述無監(jiān)督特征學(xué)習(xí)和深度學(xué)習(xí)的主要觀點(diǎn)。通過學(xué)習(xí)，你也將實(shí)現(xiàn)多個(gè)功能學(xué)習(xí)/深度學(xué)習(xí)算法，能看到它們?yōu)槟愎ぷ?#xff0c;并學(xué)習(xí)如何應(yīng)用/適應(yīng)這些想法到新問題上。本教程假定機(jī)器學(xué)習(xí)的基本知識（特別是熟悉的監(jiān)督學(xué)習(xí)，邏輯回歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這里機(jī)器學(xué)習(xí)課程，并先完成第II，III，IV章（到邏輯回歸）。此外這關(guān)于這套教程的源代碼在github上面已經(jīng)有python版本了?UFLDL Tutorial Code

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

介紹:這份文檔來自微軟研究院,精髓很多。如果需要完全理解，需要一定的機(jī)器學(xué)習(xí)基礎(chǔ)。不過有些地方會(huì)讓人眼前一亮,茅塞頓開。

• Understanding Convolutions

介紹:這是一篇介紹圖像卷積運(yùn)算的文章，講的已經(jīng)算比較詳細(xì)的了

• 《Machine Learning Summer School》

介紹：每天請一個(gè)大牛來講座，主要涉及機(jī)器學(xué)習(xí)，大數(shù)據(jù)分析，并行計(jì)算以及人腦研究。https://www.youtube.com/user/smolix?（需FQ）

• 《Awesome Machine Learning》

介紹：一個(gè)超級完整的機(jī)器學(xué)習(xí)開源庫總結(jié)，如果你認(rèn)為這個(gè)碉堡了，那后面這個(gè)列表會(huì)更讓你驚訝：【Awesome Awesomeness】,國內(nèi)已經(jīng)有熱心的朋友進(jìn)行了翻譯中文介紹，機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘免費(fèi)電子書

• 斯坦?！蹲匀徽Z言處理》課程視頻

介紹:ACL候任主席、斯坦福大學(xué)計(jì)算機(jī)系Chris Manning教授的《自然語言處理》課程所有視頻已經(jīng)可以在斯坦福公開課網(wǎng)站上觀看了（如Chrome不行，可用IE觀看） 作業(yè)與測驗(yàn)也可以下載。

• 《Deep Learning and Shallow Learning》

介紹:對比 Deep Learning 和 Shallow Learning 的好文，來著浙大畢業(yè)、MIT 讀博的 Chiyuan Zhang 的博客。

• 《Recommending music on Spotify with deep learning》

介紹:利用卷積神經(jīng)網(wǎng)絡(luò)做音樂推薦。

• 《Neural Networks and Deep Learning》

介紹：神經(jīng)網(wǎng)絡(luò)的免費(fèi)在線書，已經(jīng)寫了三章了，還有對應(yīng)的開源代碼：https://github.com/mnielsen/neural-networks-and-deep-learning?愛好者的福音。

• 《Java Machine Learning》

介紹：Java機(jī)器學(xué)習(xí)相關(guān)平臺和開源的機(jī)器學(xué)習(xí)庫，按照大數(shù)據(jù)、NLP、計(jì)算機(jī)視覺和Deep Learning分類進(jìn)行了整理?？雌饋硗θ?#xff0c;Java愛好者值得收藏。

• 《Machine Learning Theory: An Introductory Primer》

介紹：機(jī)器學(xué)習(xí)最基本的入門文章，適合零基礎(chǔ)者

• 《機(jī)器學(xué)習(xí)常見算法分類匯總》

介紹：機(jī)器學(xué)習(xí)的算法很多。很多時(shí)候困惑人們都是，很多算法是一類算法，而有些算法又是從其他算法中延伸出來的。這里，我們從兩個(gè)方面來給大家介紹，第一個(gè)方面是學(xué)習(xí)的方式，第二個(gè)方面是算法的類似性。

• 《機(jī)器學(xué)習(xí)經(jīng)典論文/survey合集》

介紹：看題目你已經(jīng)知道了是什么內(nèi)容,沒錯(cuò)。里面有很多經(jīng)典的機(jī)器學(xué)習(xí)論文值得仔細(xì)與反復(fù)的閱讀。

• 《機(jī)器學(xué)習(xí)視頻庫》

介紹：視頻由加州理工學(xué)院（Caltech）出品。需要英語底子。

• 《機(jī)器學(xué)習(xí)經(jīng)典書籍》

介紹：總結(jié)了機(jī)器學(xué)習(xí)的經(jīng)典書籍，包括數(shù)學(xué)基礎(chǔ)和算法理論的書籍，可做為入門參考書單。

• 《16 Free eBooks On Machine Learning》

介紹:16本機(jī)器學(xué)習(xí)的電子書，可以下載下來在pad，手機(jī)上面任意時(shí)刻去閱讀。不多我建議你看完一本再下載一本。

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

介紹:標(biāo)題很大，從新手到專家。不過看完上面所有資料?？隙ㄊ菍＜伊?/p>

• 《機(jī)器學(xué)習(xí)最佳入門學(xué)習(xí)資料匯總》

介紹：入門的書真的很多，而且我已經(jīng)幫你找齊了。

• 《Sibyl》

介紹：Sibyl 是一個(gè)監(jiān)督式機(jī)器學(xué)習(xí)系統(tǒng)，用來解決預(yù)測方面的問題，比如 YouTube 的視頻推薦。

• 《Neural Network & Text Mining》

介紹:關(guān)于(Deep) Neural Networks在 NLP 和 Text Mining 方面一些paper的總結(jié)

• 《前景目標(biāo)檢測1（總結(jié)）》

介紹:計(jì)算機(jī)視覺入門之前景目標(biāo)檢測1（總結(jié)）

• 《行人檢測》

介紹:計(jì)算機(jī)視覺入門之行人檢測

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

介紹:Important resources for learning and understanding . Is awesome

• 《Machine Learning Theory: An Introductory Primer》

介紹:這又是一篇機(jī)器學(xué)習(xí)初學(xué)者的入門文章。值得一讀

• 《Neural Networks and Deep Learning》

介紹:在線Neural Networks and Deep Learning電子書

• 《Python 網(wǎng)頁爬蟲 & 文本處理 & 科學(xué)計(jì)算 & 機(jī)器學(xué)習(xí) & 數(shù)據(jù)挖掘兵器譜》

介紹:python的17個(gè)關(guān)于機(jī)器學(xué)習(xí)的工具

• 《神奇的伽瑪函數(shù)(上)》

介紹:下集在這里神奇的伽瑪函數(shù)(下)

• 《分布式機(jī)器學(xué)習(xí)的故事》

介紹:作者王益目前是騰訊廣告算法總監(jiān)，王益博士畢業(yè)后在google任研究。這篇文章王益博士7年來從谷歌到騰訊對于分布機(jī)器學(xué)習(xí)的所見所聞。值得細(xì)讀

• 《機(jī)器學(xué)習(xí)提升之道（Level-Up Your Machine Learning）》

介紹:把機(jī)器學(xué)習(xí)提升的級別分為0~4級，每級需要學(xué)習(xí)的教材和掌握的知識。這樣，給機(jī)器學(xué)習(xí)者提供一個(gè)上進(jìn)的路線圖，以免走彎路。另外，整個(gè)網(wǎng)站都是關(guān)于機(jī)器學(xué)習(xí)的，資源很豐富。

• 《Machine Learning Surveys》

介紹:機(jī)器學(xué)習(xí)各個(gè)方向綜述的網(wǎng)站

• 《Deep Learning Reading list》

介紹:深度學(xué)習(xí)閱資源列表

• 《Deep Learning: Methods and Applications》

介紹：這是一本來自微的研究員 li Peng和Dong Yu所著的關(guān)于深度學(xué)習(xí)的方法和應(yīng)用的電子書

• 《Machine Learning Summer School 2014》

介紹:2014年七月CMU舉辦的機(jī)器學(xué)習(xí)夏季課剛剛結(jié)束 有近50小時(shí)的視頻、十多個(gè)PDF版幻燈片，覆蓋 深度學(xué)習(xí)，貝葉斯，分布式機(jī)器學(xué)習(xí)，伸縮性 等熱點(diǎn)話題。所有13名講師都是牛人：包括大牛Tom Mitchell （他的［機(jī)器學(xué)習(xí)］是名校的常用教材），還有CMU李沐 .（1080P高清喲）

• 《Sibyl: 來自Google的大規(guī)模機(jī)器學(xué)習(xí)系統(tǒng)》

介紹:在今年的IEEE/IFIP可靠系統(tǒng)和網(wǎng)絡(luò)（DSN）國際會(huì)議上，Google軟件工程師Tushar Chandra做了一個(gè)關(guān)于Sibyl系統(tǒng)的主題演講。 Sibyl是一個(gè)監(jiān)督式機(jī)器學(xué)習(xí)系統(tǒng)，用來解決預(yù)測方面的問題，比如YouTube的視頻推薦。詳情請閱讀google sibyl

• 《Building a deeper understanding of images》

介紹:谷歌研究院的Christian Szegedy在谷歌研究院的博客上簡要地介紹了他們今年參加ImageNet取得好成績的GoogLeNet系統(tǒng).是關(guān)于圖像處理的。

• 《Bayesian network 與python概率編程實(shí)戰(zhàn)入門》

介紹:貝葉斯學(xué)習(xí)。如果不是很清可看看概率編程語言與貝葉斯方法實(shí)踐

• 《AMA: Michael I Jordan》

介紹:網(wǎng)友問伯克利機(jī)器學(xué)習(xí)大牛、美國雙料院士Michael I. Jordan："如果你有10億美金，你怎么花？Jordan: "我會(huì)用這10億美金建造一個(gè)NASA級別的自然語言處理研究項(xiàng)目。"

• 《機(jī)器學(xué)習(xí)&數(shù)據(jù)挖掘筆記_16（常見面試之機(jī)器學(xué)習(xí)算法思想簡單梳理）》

介紹:常見面試之機(jī)器學(xué)習(xí)算法思想簡單梳理,此外作者還有一些其他的機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘文章和深度學(xué)習(xí)文章,不僅是理論還有源碼。

• 《文本與數(shù)據(jù)挖掘視頻匯總》

介紹：Videolectures上最受歡迎的25個(gè)文本與數(shù)據(jù)挖掘視頻匯總

• 《怎么選擇深度學(xué)習(xí)的GPUs》

介紹:在Kaggle上經(jīng)常取得不錯(cuò)成績的Tim Dettmers介紹了他自己是怎么選擇深度學(xué)習(xí)的GPUs, 以及個(gè)人如何構(gòu)建深度學(xué)習(xí)的GPU集群:?http://t.cn/RhpuD1G

• 《對話機(jī)器學(xué)習(xí)大神Michael Jordan：深度模型》

介紹:對話機(jī)器學(xué)習(xí)大神Michael Jordan

• 《Deep Learning 和 Knowledge Graph 引爆大數(shù)據(jù)革命》

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

• 《Deep Learning 教程翻譯》

介紹:是Stanford 教授 Andrew Ng 的 Deep Learning 教程，國內(nèi)的機(jī)器學(xué)習(xí)愛好者很熱心的把這個(gè)教程翻譯成了中文。如果你英語不好，可以看看這個(gè)

• 《Deep Learning 101》

介紹:因?yàn)榻鼉赡陙?#xff0c;深度學(xué)習(xí)在媒體界被炒作很厲害（就像大數(shù)據(jù)）。其實(shí)很多人都還不知道什么是深度學(xué)習(xí)。這篇文章由淺入深。告訴你深度學(xué)究竟是什么！

• 《UFLDL Tutorial》

介紹:這是斯坦福大學(xué)做的一免費(fèi)課程（很勉強(qiáng)），這個(gè)可以給你在深度學(xué)習(xí)的路上給你一個(gè)學(xué)習(xí)的思路。里面提到了一些基本的算法。而且告訴你如何去應(yīng)用到實(shí)際環(huán)境中。中文版

• 《Toronto Deep Learning Demos》

介紹:這是多倫多大學(xué)做的一個(gè)深度學(xué)習(xí)用來識別圖片標(biāo)簽／圖轉(zhuǎn)文字的demo。是一個(gè)實(shí)際應(yīng)用案例。有源碼

• 《Deep learning from the bottom up》

介紹:機(jī)器學(xué)習(xí)模型，閱讀這個(gè)內(nèi)容需要有一定的基礎(chǔ)。

• 《R工具包的分類匯總》

介紹: (CRAN Task Views, 34種常見任務(wù),每個(gè)任務(wù)又各自分類列舉若干常用相關(guān)工具包) 例如: 機(jī)器學(xué)習(xí)，自然語言處理，時(shí)間序列分析，空間信息分析，多重變量分析，計(jì)量經(jīng)濟(jì)學(xué)，心理統(tǒng)計(jì)學(xué)，社會(huì)學(xué)統(tǒng)計(jì)，化學(xué)計(jì)量學(xué)，環(huán)境科學(xué)，藥物代謝動(dòng)力學(xué) 等

• 《機(jī)器學(xué)習(xí)常見算法分類匯總》

介紹: 機(jī)器學(xué)習(xí)無疑是當(dāng)前數(shù)據(jù)分析領(lǐng)域的一個(gè)熱點(diǎn)內(nèi)容。很多人在平時(shí)的工作中都或多或少會(huì)用到機(jī)器學(xué)習(xí)的算法。本文為您總結(jié)一下常見的機(jī)器學(xué)習(xí)算法，以供您在工作和學(xué)習(xí)中參考.

• 《Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列》

介紹: 很多干貨，而且作者還總結(jié)了好幾個(gè)系列。另外還作者還了一個(gè)文章導(dǎo)航.非常的感謝作者總結(jié)。

Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（二）

Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（三）

Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（四）

Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（五）

Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（六）

Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（七）

DeepLearning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列之（八）

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

介紹:傳送理由：Rob Fergus的用深度學(xué)習(xí)做計(jì)算機(jī)是覺的NIPS 2013教程。有mp4, mp3, pdf各種下載?他是紐約大學(xué)教授，目前也在Facebook工作，他2014年的8篇論文

• 《FudanNLP》

介紹:FudanNLP，這是一個(gè)復(fù)旦大學(xué)計(jì)算機(jī)學(xué)院開發(fā)的開源中文自然語言處理（NLP）工具包 Fudan NLP里包含中文分詞、關(guān)鍵詞抽取、命名實(shí)體識別、詞性標(biāo)注、時(shí)間詞抽取、語法分析等功能，對搜索引擎 文本分析等極為有價(jià)值。

• 《Open Sourcing ml-ease》

介紹:LinkedIn 開源的機(jī)器學(xué)習(xí)工具包,支持單機(jī), Hadoop cluster，和 Spark cluster 重點(diǎn)是 logistic regression 算法

• 《機(jī)器學(xué)習(xí)周刊》

介紹:對于英語不好，但又很想學(xué)習(xí)機(jī)器學(xué)習(xí)的朋友。是一個(gè)大的福利。機(jī)器學(xué)習(xí)周刊目前主要提供中文版，還是面向廣大國內(nèi)愛好者，內(nèi)容涉及機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、并行系統(tǒng)、圖像識別、人工智能、機(jī)器人等等。謝謝作者

• 《線性代數(shù)》

介紹：《線性代數(shù)》是《機(jī)器學(xué)習(xí)》的重要數(shù)學(xué)先導(dǎo)課程。其實(shí)《線代》這門課講得淺顯易懂特別不容易，如果一上來就講逆序數(shù)及羅列行列式性質(zhì)，很容易讓學(xué)生失去學(xué)習(xí)的興趣。我個(gè)人推薦的最佳《線性代數(shù)》課程是麻省理工Gilbert Strang教授的課程。?課程主頁

• 《Big-data》

介紹:大數(shù)據(jù)數(shù)據(jù)處理資源、工具不完備列表，從框架、分布式編程、分布式文件系統(tǒng)、鍵值數(shù)據(jù)模型、圖數(shù)據(jù)模型、數(shù)據(jù)可視化、列存儲、機(jī)器學(xué)習(xí)等。很贊的資源匯總。

• 《machine learning for smart dummies》

介紹:雅虎邀請了一名來自本古里安大學(xué)的訪問學(xué)者，制作了一套關(guān)于機(jī)器學(xué)習(xí)的系列視頻課程。本課程共分為7期，詳細(xì)講解了有關(guān)SVM, boosting, nearest neighbors, decision trees 等常規(guī)機(jī)器學(xué)習(xí)算法的理論基礎(chǔ)知識。

• 《Entanglement-Based Quantum Machine Learning》

介紹:應(yīng)對大數(shù)據(jù)時(shí)代，量子機(jī)器學(xué)習(xí)的第一個(gè)實(shí)驗(yàn)?paper 下載

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

介紹:Wired雜志報(bào)道了UCLA數(shù)學(xué)博士Chris McKinlay （圖1）通過大數(shù)據(jù)手段+機(jī)器學(xué)習(xí)方法破解婚戀網(wǎng)站配對算法找到真愛的故事,通過Python腳本控制著12個(gè)賬號，下載了婚戀網(wǎng)站2萬女用戶的600萬問題答案，對他們進(jìn)行了統(tǒng)計(jì)抽樣及聚類分析（圖2，3），最后終于收獲了真愛?？萍几淖兠\(yùn)！

• 《Underactuated Robotics》

介紹:MIT的Underactuated Robotics于 2014年10月1日開課，該課屬于MIT研究生級別的課程，對機(jī)器人和非線性動(dòng)力系統(tǒng)感興趣的朋友不妨可以挑戰(zhàn)一下這門課程！

• 《mllib實(shí)踐經(jīng)驗(yàn)(1)》

介紹:mllib實(shí)踐經(jīng)驗(yàn)分享

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

介紹:Google用Deep Learning做的antispam(反垃圾郵件)

• 《NLP常用信息資源》

介紹:NLP常用信息資源*?《NLP常用信息資源》

• 《機(jī)器學(xué)習(xí)速查表》

介紹:機(jī)器學(xué)習(xí)速查表

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

介紹：從1996年開始在計(jì)算機(jī)科學(xué)的論文中被引用次數(shù)最多的論文

• 《InfiniTAM: 基于深度圖像的體數(shù)據(jù)集成框架》

介紹：把今年的一個(gè)ACM Trans. on Graphics (TOG)論文中的代碼整理為一個(gè)開源的算法框架，共享出來了。歡迎大家使用。可以實(shí)時(shí)的采集3D數(shù)據(jù)、重建出三維模型。Online learning，GPU Random forest，GPU CRF也會(huì)后續(xù)公開。

• 《Hacker's guide to Neural Networks》

介紹：【神經(jīng)網(wǎng)絡(luò)黑客指南】現(xiàn)在，最火莫過于深度學(xué)習(xí)（Deep Learning），怎樣更好學(xué)習(xí)它？可以讓你在瀏覽器中，跑起深度學(xué)習(xí)效果的超酷開源項(xiàng)目ConvNetJS作者karpathy告訴你，最佳技巧是，當(dāng)你開始寫代碼，一切將變得清晰。他剛發(fā)布了一本圖書，不斷在線更新

• 《Building a Production Machine Learning Infrastructure》

介紹：前Google廣告系統(tǒng)工程師Josh Wills 講述工業(yè)界和學(xué)術(shù)界機(jī)器學(xué)習(xí)的異同,大實(shí)話

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

介紹：使用Neo4j?做電影評論的情感分析。

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

介紹：不僅是資料，而且還對有些資料做了注釋。

• 《A primer on deeping learning》

介紹：深度學(xué)習(xí)入門的初級讀本

• 《Machine learning is teaching us the secret to teaching 》

介紹：機(jī)器學(xué)習(xí)教會(huì)了我們什么？

• 《scikit-learn：用于機(jī)器學(xué)習(xí)的Python模塊》

介紹：scikit-learn是在SciPy基礎(chǔ)上構(gòu)建的用于機(jī)器學(xué)習(xí)的Python模塊。

• 《對話機(jī)器學(xué)習(xí)大神Michael Jordan：解析領(lǐng)域中各類模型》

介紹：喬丹教授（Michael I. Jordan）教授是機(jī)器學(xué)習(xí)領(lǐng)域神經(jīng)網(wǎng)絡(luò)的大牛，他對深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)有著很濃厚的興趣。因此，很多提問的問題中包含了機(jī)器學(xué)習(xí)領(lǐng)域的各類模型，喬丹教授對此一一做了解釋和展望。

• 《A*搜索算法的可視化短教程》

介紹：A*搜索是人工智能基本算法，用于高效地搜索圖中兩點(diǎn)的最佳路徑, 核心是 g(n)+h(n): g(n)是從起點(diǎn)到頂點(diǎn)n的實(shí)際代價(jià)，h(n)是頂點(diǎn)n到目標(biāo)頂點(diǎn)的估算代價(jià)。合集

• 《基于云的自然語言處理開源項(xiàng)目FudanNLP》

介紹：本項(xiàng)目利用了Microsoft Azure，可以在幾分種內(nèi)完成NLP on Azure Website的部署，立即開始對FNLP各種特性的試用，或者以REST API的形式調(diào)用FNLP的語言分析功能

• 《吳立德《概率主題模型&數(shù)據(jù)科學(xué)基礎(chǔ)》

介紹：現(xiàn)任復(fù)旦大學(xué)首席教授、計(jì)算機(jī)軟件博士生導(dǎo)師。計(jì)算機(jī)科學(xué)研究所副所長.內(nèi)部課程

• 《機(jī)器學(xué)習(xí)入門資源不完全匯總》

介紹：好東西的干貨真的很多

• 《收集從2014年開始深度學(xué)習(xí)文獻(xiàn)》

介紹：從硬件、圖像到健康、生物、大數(shù)據(jù)、生物信息再到量子計(jì)算等，Amund Tveit等維護(hù)了一個(gè)DeepLearning.University小項(xiàng)目：收集從2014年開始深度學(xué)習(xí)文獻(xiàn)，相信可以作為深度學(xué)習(xí)的起點(diǎn),github

• 《EMNLP上兩篇關(guān)于股票趨勢的應(yīng)用論文 》

介紹：EMNLP上兩篇關(guān)于stock trend?用到了deep model組織特征；?Exploiting Social Relations and Sentiment for Stock Prediction用到了stock network。

• 《Bengio組（蒙特利爾大學(xué)LISA組）深度學(xué)習(xí)教程 》

介紹：作者是深度學(xué)習(xí)一線大牛Bengio組寫的教程，算法深入顯出，還有實(shí)現(xiàn)代碼，一步步展開。

• 《學(xué)習(xí)算法的Neural Turing Machine 》

介紹：許多傳統(tǒng)的機(jī)器學(xué)習(xí)任務(wù)都是在學(xué)習(xí)function，不過谷歌目前有開始學(xué)習(xí)算法的趨勢。谷歌另外的這篇學(xué)習(xí)Python程序的Learning to Execute也有相似之處

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

介紹：作者是華為技術(shù)有限公司，諾亞方舟實(shí)驗(yàn)室，首席科學(xué)家的李航博士寫的關(guān)于信息檢索與自然語言處理的文章

• 《Rumor has it: Identifying Misinformation in Microblogs》

介紹：利用機(jī)用器學(xué)習(xí)在謠言的判別上的應(yīng)用,此外還有兩個(gè)。一個(gè)是識別垃圾與虛假信息的paper.還有一個(gè)是網(wǎng)絡(luò)輿情及其分析技術(shù)

• 《R機(jī)器學(xué)習(xí)實(shí)踐》

介紹：該課程是網(wǎng)易公開課的收費(fèi)課程，不貴，超級便宜。主要適合于對利用R語言進(jìn)行機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘感興趣的人。

• 《大數(shù)據(jù)分析：機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)的演化》

介紹：本章中作者總結(jié)了三代機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)的演化：第一代非分布式的， 第二代工具如Mahout和Rapidminer實(shí)現(xiàn)基于Hadoop的擴(kuò)展，第三代如Spark和Storm實(shí)現(xiàn)了實(shí)時(shí)和迭代數(shù)據(jù)處理。BIG DATA ANALYTICS BEYOND HADOOP

• 《圖像處理，分析與機(jī)器視覺》

介紹：講計(jì)算機(jī)視覺的四部奇書（應(yīng)該叫經(jīng)典吧）之一，另外三本是Hartley的《多圖幾何》、Gonzalez的《數(shù)字圖像處理》、Rafael C.Gonzalez / Richard E.Woods 的《數(shù)字圖像處理》

• 《LinkedIn最新的推薦系統(tǒng)文章Browsemaps》

介紹：里面基本沒涉及到具體算法，但作者介紹了CF在LinkedIn的很多應(yīng)用，以及他們在做推薦過程中獲得的一些經(jīng)驗(yàn)。最后一條經(jīng)驗(yàn)是應(yīng)該監(jiān)控log數(shù)據(jù)的質(zhì)量，因?yàn)橥扑]的質(zhì)量很依賴數(shù)據(jù)的質(zhì)量！

• 《初學(xué)者如何查閱自然語言處理（NLP）領(lǐng)域?qū)W術(shù)資料》

介紹：初學(xué)者如何查閱自然語言處理（NLP）領(lǐng)域?qū)W術(shù)資料

• 《樹莓派的人臉識別教程》

介紹：用樹莓派和相機(jī)模塊進(jìn)行人臉識別

• 《利用深度學(xué)習(xí)與大數(shù)據(jù)構(gòu)建對話系統(tǒng) 》

介紹：如何利用深度學(xué)習(xí)與大數(shù)據(jù)構(gòu)建對話系統(tǒng)

• 《經(jīng)典論文Leo Breiman：Statistical Modeling: The Two Cultures 》

介紹：Francis Bach合作的有關(guān)稀疏建模的新綜述(書)：Sparse Modeling for Image and Vision Processing，內(nèi)容涉及Sparsity, Dictionary Learning, PCA, Matrix Factorization等理論，以及在圖像和視覺上的應(yīng)用，而且第一部分關(guān)于Why does the l1-norm induce sparsity的解釋也很不錯(cuò)。

• 《Reproducing Kernel Hilbert Space》

介紹：RKHS是機(jī)器學(xué)習(xí)中重要的概念，其在large margin分類器上的應(yīng)用也是廣為熟知的。如果沒有較好的數(shù)學(xué)基礎(chǔ)，直接理解RKHS可能會(huì)不易。本文從基本運(yùn)算空間講到Banach和Hilbert空間，深入淺出，一共才12頁。

• 《Hacker's guide to Neural Networks》

介紹：許多同學(xué)對于機(jī)器學(xué)習(xí)及深度學(xué)習(xí)的困惑在于，數(shù)學(xué)方面已經(jīng)大致理解了，但是動(dòng)起手來卻不知道如何下手寫代碼。斯坦福深度學(xué)習(xí)博士Andrej Karpathy寫了一篇實(shí)戰(zhàn)版本的深度學(xué)習(xí)及機(jī)器學(xué)習(xí)教程，手把手教你用Javascript寫神經(jīng)網(wǎng)絡(luò)和SVM.

• 《【語料庫】語料庫資源匯總》

介紹：【語料庫】語料庫資源匯總

• 《機(jī)器學(xué)習(xí)算法之旅》

介紹：本文會(huì)過一遍最流行的機(jī)器學(xué)習(xí)算法，大致了解哪些方法可用，很有幫助。

• 《Reproducible Research in Computational Science》

介紹：這個(gè)里面有很多關(guān)于機(jī)器學(xué)習(xí)、信號處理、計(jì)算機(jī)視覺、深入學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的大量源代碼（或可執(zhí)行代碼）及相關(guān)論文?？蒲袑懻撐牡暮觅Y源

• 《NYU 2014年的深度學(xué)習(xí)課程資料》

介紹：NYU 2014年的深度學(xué)習(xí)課程資料，有視頻

• 《計(jì)算機(jī)視覺數(shù)據(jù)集不完全匯總》

介紹：計(jì)算機(jī)視覺數(shù)據(jù)集不完全匯總

• 《Machine Learning Open Source Software》

介紹：機(jī)器學(xué)習(xí)開源軟件

• 《LIBSVM》

介紹：A Library for Support Vector Machines

• 《Support Vector Machines》

介紹：數(shù)據(jù)挖掘十大經(jīng)典算法之一

• 《100 Best GitHub: Deep Learning》

介紹：github上面100個(gè)非常棒的項(xiàng)目

• 《加州大學(xué)歐文分校(UCI)機(jī)器學(xué)習(xí)數(shù)據(jù)集倉庫》

介紹：當(dāng)前加州大學(xué)歐文分校為機(jī)器學(xué)習(xí)社區(qū)維護(hù)著306個(gè)數(shù)據(jù)集。查詢數(shù)據(jù)集

• 《Andrej Karpathy個(gè)人主頁》

介紹：Andrej Karpathy 是斯坦福大學(xué)Li Fei-Fei的博士生，使用機(jī)器學(xué)習(xí)在圖像、視頻語義分析領(lǐng)域取得了科研和工程上的突破，發(fā)的文章不多，但每個(gè)都很扎實(shí)，在每一個(gè)問題上都做到了state-of-art.

• 《Andrej Karpathy的深度強(qiáng)化學(xué)習(xí)演示》

介紹：Andrej Karpathy的深度強(qiáng)化學(xué)習(xí)演示，論文在這里

• 《CIKM數(shù)據(jù)挖掘競賽奪冠算法-陳運(yùn)文》

介紹：CIKM Cup(或者稱為CIKM Competition)是ACM CIKM舉辦的國際數(shù)據(jù)挖掘競賽的名稱。

• 《Geoffrey E. Hinton》

介紹：杰弗里·埃弗里斯特·辛頓 FRS是一位英國出生的計(jì)算機(jī)學(xué)家和心理學(xué)家，以其在神經(jīng)網(wǎng)絡(luò)方面的貢獻(xiàn)聞名。辛頓是反向傳播算法和對比散度算法的發(fā)明人之一，也是深度學(xué)習(xí)的積極推動(dòng)者.

• 《自然語言處理的深度學(xué)習(xí)理論與實(shí)際》

介紹：微軟研究院深度學(xué)習(xí)技術(shù)中心在CIKM2014 上關(guān)于《自然語言處理的深度學(xué)習(xí)理論與實(shí)際》教學(xué)講座的幻燈片

• 《用大數(shù)據(jù)和機(jī)器學(xué)習(xí)做股票價(jià)格預(yù)測》

介紹： 本文基于<支持向量機(jī)的高頻限價(jià)訂單的動(dòng)態(tài)建模>采用了 Apache Spark和Spark MLLib從紐約股票交易所的訂單日志數(shù)據(jù)構(gòu)建價(jià)格運(yùn)動(dòng)預(yù)測模型。(股票有風(fēng)險(xiǎn)，投資謹(jǐn)慎)GitHub源代碼托管地址.

• 《關(guān)于機(jī)器學(xué)習(xí)的若干理論問題》

介紹：徐宗本 院士將于熱愛機(jī)器學(xué)習(xí)的小伙伴一起探討有關(guān)于機(jī)器學(xué)習(xí)的幾個(gè)理論性問題，并給出一些有意義的結(jié)論。最后通過一些實(shí)例來說明這些理論問題的物理意義和實(shí)際應(yīng)用價(jià)值。

• 《深度學(xué)習(xí)在自然語言處理的應(yīng)用》

介紹：作者還著有《這就是搜索引擎：核心技術(shù)詳解》一書，主要是介紹應(yīng)用層的東西

• 《Undergraduate machine learning at UBC》

介紹：機(jī)器學(xué)習(xí)課程

• 《人臉識別必讀的N篇文章》

介紹：人臉識別必讀文章推薦

• 《推薦系統(tǒng)經(jīng)典論文文獻(xiàn)及業(yè)界應(yīng)用》

介紹：推薦系統(tǒng)經(jīng)典論文文獻(xiàn)

• 《人臉識別必讀的N篇文章》

介紹：人臉識別必讀文章推薦

• 《第十二屆中國"機(jī)器學(xué)習(xí)及其應(yīng)用"研討會(huì)PPT》

介紹：第十二屆中國"機(jī)器學(xué)習(xí)及其應(yīng)用"研討會(huì)PPT

• 《統(tǒng)計(jì)機(jī)器學(xué)習(xí)》

介紹：統(tǒng)計(jì)學(xué)習(xí)是關(guān)于計(jì)算機(jī)基于數(shù)據(jù)構(gòu)建的概率統(tǒng)計(jì)模型并運(yùn)用模型對數(shù)據(jù)進(jìn)行預(yù)測和分析的一門科學(xué)，統(tǒng)計(jì)學(xué)習(xí)也成為統(tǒng)計(jì)機(jī)器學(xué)習(xí)。課程來自上海交通大學(xué)

• 《機(jī)器學(xué)習(xí)導(dǎo)論》

介紹：機(jī)器學(xué)習(xí)的目標(biāo)是對計(jì)算機(jī)編程，以便使用樣本數(shù)據(jù)或以往的經(jīng)驗(yàn)來解決給定的問題.

• 《CIKM 2014主題報(bào)告的幻燈片》

介紹：CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主題報(bào)告的幻燈片， Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry Track報(bào)告的幻燈片

• 《人工智能和機(jī)器學(xué)習(xí)領(lǐng)域有趣的開源項(xiàng)目》

介紹：部分中文列表

• 《機(jī)器學(xué)習(xí)經(jīng)典算法詳解及Python實(shí)現(xiàn)--基于SMO的SVM分類器》

介紹:此外作者還有一篇元算法、AdaBoost　python實(shí)現(xiàn)文章

• 《Numerical Optimization: Understanding L-BFGS》

介紹:加州伯克利大學(xué)博士Aria Haghighi寫了一篇超贊的數(shù)值優(yōu)化博文，從牛頓法講到擬牛頓法，再講到BFGS以及L-BFGS, 圖文并茂，還有偽代碼。強(qiáng)烈推薦。

• 《簡明深度學(xué)習(xí)方法概述（一）》

介紹:還有續(xù)集簡明深度學(xué)習(xí)方法概述（二）

• 《R language for programmers》

介紹:Ｒ語言程序員私人定制版

• 《谷歌地圖解密：大數(shù)據(jù)與機(jī)器學(xué)習(xí)的結(jié)合》

介紹:谷歌地圖解密

• 《空間數(shù)據(jù)挖掘常用方法》

介紹:空間數(shù)據(jù)挖掘常用方法

• 《Use Google's Word2Vec for movie reviews》

介紹:Kaggle新比賽 ”When bag of words meets bags of popcorn“ aka ”邊學(xué)邊用word2vec和deep learning做NLP“ 里面全套教程教一步一步用python和gensim包的word2vec模型，并在實(shí)際比賽里面比調(diào)參數(shù)和清數(shù)據(jù)。 如果已裝過gensim不要忘升級

• 《PyNLPIR》

介紹:PyNLPIR提供了NLPIR/ICTCLAS漢語分詞的Python接口,此外Zhon提供了常用漢字常量，如CJK字符和偏旁，中文標(biāo)點(diǎn)，拼音，和漢字正則表達(dá)式（如找到文本中的繁體字）

• 《深度卷積神經(jīng)網(wǎng)絡(luò)下圍棋》

介紹:這文章說把最近模型識別上的突破應(yīng)用到圍棋軟件上，打16萬張職業(yè)棋譜訓(xùn)練模型識別功能。想法不錯(cuò)。訓(xùn)練后目前能做到不用計(jì)算，只看棋盤就給出下一步，大約10級棋力。但這篇文章太過樂觀，說什么人類的最后一塊堡壘馬上就要跨掉了。話說得太早。不過，如果與別的軟件結(jié)合應(yīng)該還有潛力可挖。@萬精油墨綠

• 《NIPS審稿實(shí)驗(yàn)》

介紹:UT Austin教授Eric Price關(guān)于今年NIPS審稿實(shí)驗(yàn)的詳細(xì)分析,他表示，根據(jù)這次實(shí)驗(yàn)的結(jié)果，如果今年NIPS重新審稿的話，會(huì)有一半的論文被拒。

• 《2014年最佳的大數(shù)據(jù)，數(shù)據(jù)科學(xué)文章》

介紹:KDNuggets分別總結(jié)了2014年14個(gè)閱讀最多以及分享最多的文章。我們從中可以看到多個(gè)主題——深度學(xué)習(xí)，數(shù)據(jù)科學(xué)家職業(yè)，教育和薪酬，學(xué)習(xí)數(shù)據(jù)科學(xué)的工具比如R和Python以及大眾投票的最受歡迎的數(shù)據(jù)科學(xué)和數(shù)據(jù)挖掘語言

• 《機(jī)器學(xué)習(xí)經(jīng)典算法詳解及Python實(shí)現(xiàn)--線性回歸（Linear Regression）算法》

介紹:Python實(shí)現(xiàn)線性回歸,作者還有其他很棒的文章推薦可以看看

• 《2014中國大數(shù)據(jù)技術(shù)大會(huì)33位核心專家演講PDF》

介紹：2014中國大數(shù)據(jù)技術(shù)大會(huì)33位核心專家演講PDF下載

• 《使用RNN和Paragraph Vector做情感分析》

介紹：這是T. Mikolov & Y. Bengio最新論文Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews ，使用RNN和PV在情感分析效果不錯(cuò)，［項(xiàng)目代碼］(https://github.com/mesnilgr/iclr15)公布在github(目前是空的)。這意味著Paragraph?Vector終于揭開面紗了嘛。

• 《NLPIR/ICTCLAS2015分詞系統(tǒng)大會(huì)上的技術(shù)演講 》

介紹:NLPIR/ICTCLAS2015分詞系統(tǒng)發(fā)布與用戶交流大會(huì)上的演講，請更多朋友檢閱新版分詞吧。 我們實(shí)驗(yàn)室同學(xué)的演講包括：孫夢姝-基于評論觀點(diǎn)挖掘的商品搜索技術(shù)研究?李然-主題模型

• 《Machine Learning is Fun!》

介紹:Convex Neural Networks 解決維數(shù)災(zāi)難

• 《CNN的反向求導(dǎo)及練習(xí)》

介紹:介紹CNN參數(shù)在使用bp算法時(shí)該怎么訓(xùn)練，畢竟CNN中有卷積層和下采樣層，雖然和MLP的bp算法本質(zhì)上相同，但形式上還是有些區(qū)別的，很顯然在完成CNN反向傳播前了解bp算法是必須的。此外作者也做了一個(gè)資源集:機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，視覺，數(shù)學(xué)等

• 《正則表達(dá)式優(yōu)化成Trie樹 》

介紹:如果要在一篇文章中匹配十萬個(gè)關(guān)鍵詞怎么辦？Aho-Corasick?算法利用添加了返回邊的Trie樹，能夠在線性時(shí)間內(nèi)完成匹配。 但如果匹配十萬個(gè)正則表達(dá)式呢 ？ 這時(shí)候可以用到把多個(gè)正則優(yōu)化成Trie樹的方法，如日本人寫的?Regexp::Trie

• 《Deep learning Reading List》

介紹:深度學(xué)習(xí)閱讀清單

• 《Caffe》

介紹:Caffe是一個(gè)開源的深度學(xué)習(xí)框架，作者目前在google工作，作者主頁Yangqing Jia (賈揚(yáng)清)

• 《GoogLeNet深度學(xué)習(xí)模型的Caffe復(fù)現(xiàn) 》

介紹:2014 ImageNet冠軍GoogLeNet深度學(xué)習(xí)模型的Caffe復(fù)現(xiàn)模型,GoogleNet論文.

• 《LambdaNet，Haskell實(shí)現(xiàn)的開源人工神經(jīng)網(wǎng)絡(luò)庫 》

介紹:LambdaNetLambdaNet是由Haskell實(shí)現(xiàn)的一個(gè)開源的人工神經(jīng)網(wǎng)絡(luò)庫，它抽象了網(wǎng)絡(luò)創(chuàng)建、訓(xùn)練并使用了高階函數(shù)。該庫還提供了一組預(yù)定義函數(shù)，用戶可以采取多種方式組合這些函數(shù)來操作現(xiàn)實(shí)世界數(shù)據(jù)。

• 《百度余凱&張潼機(jī)器學(xué)習(xí)視頻》

介紹:如果你從事互聯(lián)網(wǎng)搜索，在線廣告，用戶行為分析，圖像識別，自然語言理解，或者生物信息學(xué)，智能機(jī)器人，金融預(yù)測，那么這門核心課程你必須深入了解。

• 《楊強(qiáng)在TEDxNanjing談智能的起源》

介紹:"人工智能研究分許多流派。其中之一以IBM為代表，認(rèn)為只要有高性能計(jì)算就可得到智能，他們的‘深藍(lán)’擊敗了世界象棋冠軍；另一流派認(rèn)為智能來自動(dòng)物本能；還有個(gè)很強(qiáng)的流派認(rèn)為只要找來專家，把他們的思維用邏輯一條條寫下，放到計(jì)算機(jī)里就行……" 楊強(qiáng)在TEDxNanjing談智能的起源

• 《深度RNN/LSTM用于結(jié)構(gòu)化學(xué)習(xí) 0)序列標(biāo)注Connectionist Temporal ClassificationICML06》

介紹:1)機(jī)器翻譯Sequence to Sequence NIPS14?2)成分句法GRAMMAR AS FOREIGN LANGUAGE

• 《Deep Learning實(shí)戰(zhàn)之word2vec》

介紹:網(wǎng)易有道的三位工程師寫的word2vec的解析文檔，從基本的詞向量/統(tǒng)計(jì)語言模型->NNLM->Log-Linear/Log-Bilinear->層次化Log-Bilinear，到CBOW和Skip-gram模型，再到word2vec的各種tricks，公式推導(dǎo)與代碼，基本上是網(wǎng)上關(guān)于word2vec資料的大合集，對word2vec感興趣的朋友可以看看

• 《Machine learning open source software》

介紹:機(jī)器學(xué)習(xí)開源軟件,收錄了各種機(jī)器學(xué)習(xí)的各種編程語言學(xué)術(shù)與商業(yè)的開源軟件．與此類似的還有很多例如:DMOZ - 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

• 《機(jī)器學(xué)習(xí)入門者學(xué)習(xí)指南》

介紹:作者是計(jì)算機(jī)研二(寫文章的時(shí)候，現(xiàn)在是2015年了應(yīng)該快要畢業(yè)了)，專業(yè)方向自然語言處理．這是一點(diǎn)他的經(jīng)驗(yàn)之談．對于入門的朋友或許會(huì)有幫助

• 《A Tour of Machine Learning Algorithms》

介紹:這是一篇關(guān)于機(jī)器學(xué)習(xí)算法分類的文章，非常好

• 《2014年的《機(jī)器學(xué)習(xí)日報(bào)》大合集》

介紹:機(jī)器學(xué)習(xí)日報(bào)里面推薦很多內(nèi)容，在這里有一部分的優(yōu)秀內(nèi)容就是來自機(jī)器學(xué)習(xí)日報(bào)．

• 《 Image classification with deep learning常用模型》

介紹:這是一篇關(guān)于圖像分類在深度學(xué)習(xí)中的文章

• 《自動(dòng)語音識別：深度學(xué)習(xí)方法》

介紹:作者與Bengio的兄弟Samy 09年合編《自動(dòng)語音識別：核方法》 3）李開復(fù)1989年《自動(dòng)語音識別》專著，其博導(dǎo)、94年圖靈獎(jiǎng)得主Raj Reddy作序

• 《NLP中的中文分詞技術(shù)》

介紹: 作者是360電商技術(shù)組成員,這是一篇NLP在中文分詞中的應(yīng)用

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

介紹: 使用deep learning的人臉關(guān)鍵點(diǎn)檢測，此外還有一篇AWS部署教程

• 《書籍推薦:Advanced Structured Prediction》

介紹: 由Sebastian Nowozin等人編纂MIT出版的新書《Advanced Structured Prediction》http://t.cn/RZxipKG?，匯集了結(jié)構(gòu)化預(yù)測領(lǐng)域諸多牛文，涉及CV、NLP等領(lǐng)域，值得一讀。網(wǎng)上公開的幾章草稿:一,二,三,四,五

• 《An Introduction to Matrix Concentration Inequalities》

介紹: Tropp把數(shù)學(xué)家用高深裝逼的數(shù)學(xué)語言寫的矩陣概率不等式用初等的方法寫出來，是非常好的手冊，領(lǐng)域內(nèi)的paper各種證明都在用里面的結(jié)果。雖說是初等的，但還是非常的難

• 《The free big data sources you should know》

介紹: 不容錯(cuò)過的免費(fèi)大數(shù)據(jù)集，有些已經(jīng)是耳熟能詳，有些可能還是第一次聽說，內(nèi)容跨越文本、數(shù)據(jù)、多媒體等，讓他們伴你開始數(shù)據(jù)科學(xué)之旅吧，具體包括：Data.gov、US Census Bureau、European Union Open Data Portal、Data.gov.uk等

• 《A Brief Overview of Deep Learning》

介紹: 谷歌科學(xué)家、Hinton親傳弟子Ilya Sutskever的深度學(xué)習(xí)綜述及實(shí)際建議

• 《A Deep Dive into Recurrent Neural Nets》

介紹: 非常好的討論遞歸神經(jīng)網(wǎng)絡(luò)的文章，覆蓋了RNN的概念、原理、訓(xùn)練及優(yōu)化等各個(gè)方面內(nèi)容，強(qiáng)烈推薦！本文作者Nikhil Buduma還有一篇Deep Learning in a Nutshell值得推薦

• 《機(jī)器學(xué)習(xí)：學(xué)習(xí)資源》

介紹:里面融合了很多的資源，例如競賽，在線課程，demo，數(shù)據(jù)整合等。有分類

• 《Statistical foundations of machine learning》

介紹:《機(jī)器學(xué)習(xí)的統(tǒng)計(jì)基礎(chǔ)》在線版，該手冊希望在理論與實(shí)踐之間找到平衡點(diǎn)，各主要內(nèi)容都伴有實(shí)際例子及數(shù)據(jù)，書中的例子程序都是用R語言編寫的。

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

介紹:IVAN VASILEV寫的深度學(xué)習(xí)導(dǎo)引：從淺層感知機(jī)到深度網(wǎng)絡(luò)。高可讀

• 《Research priorities for robust and beneficial artificial intelligence》

介紹:魯棒及有益的人工智能優(yōu)先研究計(jì)劃：一封公開信,目前已經(jīng)有Stuart Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom Mitchell, Geoffrey Hinton, Elon Musk等人簽署The Future of Life Institute (FLI).這封信的背景是最近霍金和Elon Musk提醒人們注意AI的潛在威脅。公開信的內(nèi)容是AI科學(xué)家們站在造福社會(huì)的角度，展望人工智能的未來發(fā)展方向，提出開發(fā)AI系統(tǒng)的Verification，Validity, Security, Control四點(diǎn)要求，以及需要注意的社會(huì)問題。畢竟當(dāng)前AI在經(jīng)濟(jì)領(lǐng)域，法律，以及道德領(lǐng)域相關(guān)研究較少。其實(shí)還有一部美劇《疑犯追蹤》,介紹了AI的演進(jìn)從一開始的自我學(xué)習(xí)，過濾，圖像識別，語音識別等判斷危險(xiǎn)，到第四季的時(shí)候出現(xiàn)了機(jī)器通過學(xué)習(xí)成長之后想控制世界的狀態(tài)。說到這里推薦收看。

• 《metacademy》

介紹:里面根據(jù)詞條提供了許多資源，還有相關(guān)知識結(jié)構(gòu)，路線圖，用時(shí)長短等。號稱是”機(jī)器學(xué)習(xí)“搜索引擎

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

介紹:Facebook人工智能研究院（FAIR）開源了一系列軟件庫，以幫助開發(fā)者建立更大、更快的深度學(xué)習(xí)模型。開放的軟件庫在 Facebook 被稱作模塊。用它們替代機(jī)器學(xué)習(xí)領(lǐng)域常用的開發(fā)環(huán)境 Torch 中的默認(rèn)模塊，可以在更短的時(shí)間內(nèi)訓(xùn)練更大規(guī)模的神經(jīng)網(wǎng)絡(luò)模型。

• 《淺析人臉檢測之Haar分類器方法》

介紹:本文雖然是寫于2012年，但是這篇文章完全是作者的經(jīng)驗(yàn)之作。

• 《如何成為一位數(shù)據(jù)科學(xué)家》

介紹:本文是對《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》作者Peter Harrington做的一個(gè)訪談。包含了書中部分的疑問解答和一點(diǎn)個(gè)人學(xué)習(xí)建議

• 《Deep learning from the bottom up》

介紹:非常好的深度學(xué)習(xí)概述，對幾種流行的深度學(xué)習(xí)模型都進(jìn)行了介紹和討論

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

介紹:主要是講述了利用R語言進(jìn)行數(shù)據(jù)挖掘

• 《Understanding Convolutions》

介紹:幫你理解卷積神經(jīng)網(wǎng)絡(luò)，講解很清晰，此外還有兩篇Conv Nets: A Modular Perspective，Groups & Group Convolutions. 作者的其他的關(guān)于神經(jīng)網(wǎng)絡(luò)文章也很棒

• 《Introduction to Deep Learning Algorithms》

介紹:Deep Learning算法介紹，里面介紹了06年3篇讓deep learning崛起的論文

• 《Learning Deep Architectures for AI》

介紹:一本學(xué)習(xí)人工智能的書籍，作者是Yoshua Bengio，相關(guān)國內(nèi)報(bào)道

• 《Geoffrey E. Hinton個(gè)人主頁》

介紹:Geoffrey Hinton是Deep Learning的大牛，他的主頁放了一些介紹性文章和課件值得學(xué)習(xí)

• 《PROBABILITY THEORY: THE LOGIC OF SCIENCE》

介紹:概率論：數(shù)理邏輯書籍

• 《H2O》

介紹:一個(gè)用來快速的統(tǒng)計(jì)，機(jī)器學(xué)習(xí)并且對于數(shù)據(jù)量大的數(shù)學(xué)庫

• 《ICLR 2015會(huì)議的arXiv稿件合集》

介紹:在這里你可以看到最近深度學(xué)習(xí)有什么新動(dòng)向。

• 《Introduction to Information Retrieval》

介紹:此書在信息檢索領(lǐng)域家喻戶曉， 除提供該書的免費(fèi)電子版外，還提供一個(gè)IR資源列表?，收錄了信息檢索、網(wǎng)絡(luò)信息檢索、搜索引擎實(shí)現(xiàn)等方面相關(guān)的圖書、研究中心、相關(guān)課程、子領(lǐng)域、會(huì)議、期刊等等，堪稱全集，值得收藏

• 《Information Geometry and its Applications to Machine Learning》

介紹:信息幾何學(xué)及其在機(jī)器學(xué)習(xí)中的應(yīng)用

• 《Legal Analytics – Introduction to the Course》

介紹:課程《法律分析》介紹幻燈片。用機(jī)器學(xué)習(xí)解決法律相關(guān)分析和預(yù)測問題，相關(guān)的法律應(yīng)用包括預(yù)測編碼、早期案例評估、案件整體情況的預(yù)測，定價(jià)和工作人員預(yù)測，司法行為預(yù)測等。法律領(lǐng)域大家可能都比較陌生，不妨了解下。

• 《文本上的算法》

介紹: 文中提到了最優(yōu)，模型，最大熵等等理論，此外還有應(yīng)用篇。推薦系統(tǒng)可以說是一本不錯(cuò)的閱讀稿，關(guān)于模型還推薦一篇Generative Model 與 Discriminative Model

• 《NeuralTalk》

介紹: NeuralTalk is a Python+numpy project for learning Multimodal Recurrent Neural Networks that describe images with sentences.NeuralTalk是一個(gè)Python的從圖像生成自然語言描述的工具。它實(shí)現(xiàn)了Google (Vinyals等，卷積神經(jīng)網(wǎng)絡(luò)CNN + 長短期記憶LSTM) 和斯坦福 (Karpathy and Fei-Fei， CNN + 遞歸神經(jīng)網(wǎng)絡(luò)RNN)的算法。NeuralTalk自帶了一個(gè)訓(xùn)練好的動(dòng)物模型，你可以拿獅子大象的照片來試試看

• 《Deep Learning on Hadoop 2.0》

介紹:本文主要介紹了在Hadoop2.0上使用深度學(xué)習(xí),文章來自paypal

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

介紹:用基于梯度下降的方法訓(xùn)練深度框架的實(shí)踐推薦指導(dǎo),作者是Yoshua Bengio?.感謝@xuewei4d 推薦

• 《Machine Learning With Statistical And Causal Methods》

介紹: 用統(tǒng)計(jì)和因果方法做機(jī)器學(xué)習(xí)（視頻報(bào)告）

• 《Machine Learning Course 180’》

介紹: 一個(gè)講機(jī)器學(xué)習(xí)的Youtube視頻教程。160集。系統(tǒng)程度跟書可比擬。

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

介紹: 機(jī)器學(xué)習(xí)中的數(shù)學(xué)，作者的研究方向是機(jī)器學(xué)習(xí)，并行計(jì)算如果你還想了解一點(diǎn)其他的可以看看他博客的其他文章

• 《美團(tuán)推薦算法實(shí)踐》

介紹: 美團(tuán)推薦算法實(shí)踐，從框架，應(yīng)用，策略，查詢等分析

• 《Deep Learning for Answer Sentence Selection》

介紹: 深度學(xué)習(xí)用于問答系統(tǒng)答案句的選取

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

介紹: CNN用于WEB搜索，深度學(xué)習(xí)在文本計(jì)算中的應(yīng)用

• 《Awesome Public Datasets》

介紹: Awesome系列中的公開數(shù)據(jù)集

• 《Search Engine & Community》

介紹: 一個(gè)學(xué)術(shù)搜索引擎

• 《spaCy》

介紹: 用Python和Cython寫的工業(yè)級自然語言處理庫，號稱是速度最快的NLP庫，快的原因一是用Cython寫的，二是用了個(gè)很巧妙的hash技術(shù)，加速系統(tǒng)的瓶頸，NLP中稀松特征的存取

• 《Collaborative Filtering with Spark》

介紹:?Fields是個(gè)數(shù)學(xué)研究中心,上面的這份ppt是來自Fields舉辦的活動(dòng)中Russ Salakhutdinov帶來的《大規(guī)模機(jī)器學(xué)習(xí)》分享

• 《Topic modeling 的經(jīng)典論文》

介紹: Topic modeling 的經(jīng)典論文,標(biāo)注了關(guān)鍵點(diǎn)

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

介紹: 多倫多大學(xué)與Google合作的新論文，深度學(xué)習(xí)也可以用來下圍棋，據(jù)說能達(dá)到六段水平

• 《機(jī)器學(xué)習(xí)周刊第二期》

介紹: 新聞，paper,課程，book，system,CES,Roboot，此外還推薦一個(gè)深度學(xué)習(xí)入門與綜述資料

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

介紹: 18 free eBooks on Machine Learning

• 《Recommend :Hang Li Home》

介紹: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》

介紹: DEEPLEARNING.UNIVERSITY的論文庫已經(jīng)收錄了963篇經(jīng)過分類的深度學(xué)習(xí)論文了，很多經(jīng)典論文都已經(jīng)收錄

• 《MLMU.cz - Radim ?eh??ek - Word2vec & friends (7.1.2015)》

介紹: Radim ?eh??ek(Gensim開發(fā)者)在一次機(jī)器學(xué)習(xí)聚會(huì)上的報(bào)告，關(guān)于word2vec及其優(yōu)化、應(yīng)用和擴(kuò)展，很實(shí)用.國內(nèi)網(wǎng)盤

• 《Introducing streaming k-means in Spark 1.2》

介紹:很多公司都用機(jī)器學(xué)習(xí)來解決問題，提高用戶體驗(yàn)。那么怎么可以讓機(jī)器學(xué)習(xí)更實(shí)時(shí)和有效呢？Spark MLlib 1.2里面的Streaming K-means，由斑馬魚腦神經(jīng)研究的Jeremy Freeman腦神經(jīng)科學(xué)家編寫，最初是為了實(shí)時(shí)處理他們每半小時(shí)1TB的研究數(shù)據(jù)，現(xiàn)在發(fā)布給大家用了。

• 《LDA入門與Java實(shí)現(xiàn)》

介紹: 這是一篇面向工程師的LDA入門筆記，并且提供一份開箱即用Java實(shí)現(xiàn)。本文只記錄基本概念與原理，并不涉及公式推導(dǎo)。文中的LDA實(shí)現(xiàn)核心部分采用了arbylon的LdaGibbsSampler并力所能及地注解了，在搜狗分類語料庫上測試良好，開源在GitHub上。

• 《AMiner - Open Science Platform》

介紹: AMiner是一個(gè)學(xué)術(shù)搜索引擎，從學(xué)術(shù)網(wǎng)絡(luò)中挖掘深度知識、面向科技大數(shù)據(jù)的挖掘。收集近4000萬作者信息、8000萬論文信息、1億多引用關(guān)系、鏈接近8百萬知識點(diǎn)；支持專家搜索、機(jī)構(gòu)排名、科研成果評價(jià)、會(huì)議排名。

• 《What are some interesting Word2Vec results?》

介紹: Quora上的主題，討論Word2Vec的有趣應(yīng)用，Omer Levy提到了他在CoNLL2014最佳論文里的分析結(jié)果和新方法，Daniel Hammack給出了找特異詞的小應(yīng)用并提供了(Python)代碼

• 《機(jī)器學(xué)習(xí)公開課匯總》

介紹: 機(jī)器學(xué)習(xí)公開課匯總,雖然里面的有些課程已經(jīng)歸檔過了，但是還有個(gè)別的信息沒有。感謝課程圖譜的小編

• 《A First Course in Linear Algebra》

介紹: 【A First Course in Linear Algebra】Robert Beezer 有答案 有移動(dòng)版、打印版 使用GNU自由文檔協(xié)議 引用了杰弗遜1813年的信

• 《libfacedetection》

介紹:libfacedetection是深圳大學(xué)開源的一個(gè)人臉圖像識別庫。包含正面和多視角人臉檢測兩個(gè)算法.優(yōu)點(diǎn):速度快(OpenCV haar+adaboost的2-3倍), 準(zhǔn)確度高 (FDDB非公開類評測排名第二），能估計(jì)人臉角度。

• 《Inverting a Steady-State》

介紹:WSDM2015最佳論文 把馬爾可夫鏈理論用在了圖分析上面，比一般的propagation model更加深刻一些。通過全局的平穩(wěn)分布去求解每個(gè)節(jié)點(diǎn)影響系數(shù)模型。假設(shè)合理（轉(zhuǎn)移受到相鄰的影響系數(shù)影響）?？梢杂脕矸辞竺總€(gè)節(jié)點(diǎn)的影響系數(shù)

• 《機(jī)器學(xué)習(xí)入門書單》

介紹:機(jī)器學(xué)習(xí)入門書籍，具體介紹

• 《The Trouble with SVMs》

介紹: 非常棒的強(qiáng)調(diào)特征選擇對分類器重要性的文章。情感分類中，根據(jù)互信息對復(fù)雜高維特征降維再使用樸素貝葉斯分類器，取得了比SVM更理想的效果，訓(xùn)練和分類時(shí)間也大大降低——更重要的是，不必花大量時(shí)間在學(xué)習(xí)和優(yōu)化SVM上——特征也一樣no free lunch

• 《Rise of the Machines》

介紹:CMU的統(tǒng)計(jì)系和計(jì)算機(jī)系知名教授Larry Wasserman 在《機(jī)器崛起》,對比了統(tǒng)計(jì)和機(jī)器學(xué)習(xí)的差異

• 《實(shí)例詳解機(jī)器學(xué)習(xí)如何解決問題》

介紹:隨著大數(shù)據(jù)時(shí)代的到來，機(jī)器學(xué)習(xí)成為解決問題的一種重要且關(guān)鍵的工具。不管是工業(yè)界還是學(xué)術(shù)界，機(jī)器學(xué)習(xí)都是一個(gè)炙手可熱的方向，但是學(xué)術(shù)界和工業(yè)界對機(jī)器學(xué)習(xí)的研究各有側(cè)重，學(xué)術(shù)界側(cè)重于對機(jī)器學(xué)習(xí)理論的研究，工業(yè)界側(cè)重于如何用機(jī)器學(xué)習(xí)來解決實(shí)際問題。這篇文章是美團(tuán)的實(shí)際環(huán)境中的實(shí)戰(zhàn)篇

• 《Gaussian Processes for Machine Learning》

介紹:面向機(jī)器學(xué)習(xí)的高斯過程，章節(jié)概要：回歸、分類、協(xié)方差函數(shù)、模型選擇與超參優(yōu)化、高斯模型與其他模型關(guān)系、大數(shù)據(jù)集的逼近方法等,微盤下載

• 《FuzzyWuzzy: Fuzzy String Matching in Python》

介紹:Python下的文本模糊匹配庫，老庫新推，可計(jì)算串間ratio(簡單相似系數(shù))、partial_ratio(局部相似系數(shù))、token_sort_ratio(詞排序相似系數(shù))、token_set_ratio(詞集合相似系數(shù))等?github

• 《Blocks》

介紹:Blocks是基于Theano的神經(jīng)網(wǎng)絡(luò)搭建框架，集成相關(guān)函數(shù)、管道和算法，幫你更快地創(chuàng)建和管理NN模塊.

• 《Introduction to Machine Learning》

介紹:機(jī)器學(xué)習(xí)大神Alex Smola在CMU新一期的機(jī)器學(xué)習(xí)入門課程”Introduction to Machine Learning“近期剛剛開課，課程4K高清視頻同步到Y(jié)outube上，目前剛剛更新到 2.4 Exponential Families,課程視頻playlist, 感興趣的同學(xué)可以關(guān)注，非常適合入門.

• 《Collaborative Feature Learning from Social Media》

介紹:用社交用戶行為學(xué)習(xí)圖片的協(xié)同特征，可更好地表達(dá)圖片內(nèi)容相似性。由于不依賴于人工標(biāo)簽(標(biāo)注)，可用于大規(guī)模圖片處理，難在用戶行為數(shù)據(jù)的獲取和清洗；利用社會(huì)化特征的思路值得借鑒.

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

介紹:Twitter技術(shù)團(tuán)隊(duì)對前段時(shí)間開源的時(shí)間序列異常檢測算法(S-H-ESD)R包的介紹，其中對異常的定義和分析很值得參考，文中也提到——異常是強(qiáng)針對性的，某個(gè)領(lǐng)域開發(fā)的異常檢測在其他領(lǐng)域直接用可不行.

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

介紹:聚焦數(shù)據(jù)質(zhì)量問題的應(yīng)對，數(shù)據(jù)質(zhì)量對各種規(guī)模企業(yè)的性能和效率都至關(guān)重要，文中總結(jié)出(不限于)22種典型數(shù)據(jù)質(zhì)量問題顯現(xiàn)的信號，以及典型的數(shù)據(jù)質(zhì)量解決方案(清洗、去重、統(tǒng)一、匹配、權(quán)限清理等)

• 《中文分詞入門之資源》

介紹:中文分詞入門之資源.

• 《Deep Learning Summit, San Francisco, 2015》

介紹:15年舊金山深度學(xué)習(xí)峰會(huì)視頻集萃,國內(nèi)云盤

• 《Introduction to Conditional Random Fields》

介紹:很好的條件隨機(jī)場(CRF)介紹文章,作者的學(xué)習(xí)筆記

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

介紹: 來自Stanford，用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)快速準(zhǔn)確的依存關(guān)系解析器

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

介紹:做深度學(xué)習(xí)如何選擇GPU的建議

• 《Sparse Linear Models》

介紹: Stanford的Trevor Hastie教授在H2O.ai Meet-Up上的報(bào)告，講稀疏線性模型——面向“寬數(shù)據(jù)”(特征維數(shù)超過樣本數(shù))的線性模型,13年同主題報(bào)告?、講義.

• 《Awesome Computer Vision》

介紹: 分類整理的機(jī)器視覺相關(guān)資源列表，秉承Awesome系列風(fēng)格，有質(zhì)有量!作者的更新頻率也很頻繁

• 《Adam Szeidl》

介紹: social networks course

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

介紹: 大規(guī)模機(jī)器學(xué)習(xí)流程的構(gòu)建與部署.

• 《人臉識別開發(fā)包》

介紹: 人臉識別二次開發(fā)包，免費(fèi)，可商用，有演示、范例、說明書.

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

介紹: 采用Torch用深度學(xué)習(xí)網(wǎng)絡(luò)理解NLP，來自Facebook 人工智能的文章.

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

介紹: 來自CMU的Ed Hovy和Stanford的Jiwei Li一篇有意思的Arxiv文章,作者用Shannon Entropy來刻畫NLP中各項(xiàng)任務(wù)的難度.

• 《TThe Probabilistic Relevance Framework: BM25 and Beyond》

介紹: 信息檢索排序模型BM25(Besting Matching)。1）從經(jīng)典概率模型演變而來 2）捕捉了向量空間模型中三個(gè)影響索引項(xiàng)權(quán)重的因子：IDF逆文檔頻率；TF索引項(xiàng)頻率；文檔長度歸一化。3）并且含有集成學(xué)習(xí)的思想：組合了BM11和BM15兩個(gè)模型。4）作者是BM25的提出者和Okapi實(shí)現(xiàn)者Robertson.

• 《Introduction to ARMA Time Series Models – simplified》

介紹: 自回歸滑動(dòng)平均(ARMA)時(shí)間序列的簡單介紹，ARMA是研究時(shí)間序列的重要方法，由自回歸模型（AR模型）與滑動(dòng)平均模型（MA模型）為基礎(chǔ)“混合”構(gòu)成.

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

介紹: 把來自target的attention signal加入source encoding CNN的輸入，得到了比BBN的模型好的多neural network joint model

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

介紹: 揭開印度菜的美味秘訣——通過對大量食譜原料關(guān)系的挖掘，發(fā)現(xiàn)印度菜美味的原因之一是其中的味道互相沖突，很有趣的文本挖掘研究

• 《HMM相關(guān)文章索引》

介紹: HMM相關(guān)文章,此外推薦中文分詞之HMM模型詳解

• 《Zipf's and Heap's law》

介紹: 1)詞頻與其降序排序的關(guān)系,最著名的是語言學(xué)家齊夫(Zipf,1902-1950)1949年提出的Zipf‘s law,即二者成反比關(guān)系. 曼德勃羅(Mandelbrot,1924- 2010)引入?yún)?shù)修正了對甚高頻和甚低頻詞的刻畫 2)Heaps' law: 詞匯表與語料規(guī)模的平方根(這是一個(gè)參數(shù),英語0.4-0.6)成正比

• 《I am Jürgen Schmidhuber, AMA》

介紹: Jürgen Schmidhuber在Reddit上的AMA(Ask Me Anything)主題，有不少RNN和AI、ML的干貨內(nèi)容，關(guān)于開源&思想&方法&建議……耐心閱讀，相信你也會(huì)受益匪淺.

• 《學(xué)術(shù)種子網(wǎng)站：AcademicTorrents》

介紹: 成G上T的學(xué)術(shù)數(shù)據(jù)，HN近期熱議話題,主題涉及機(jī)器學(xué)習(xí)、NLP、SNA等。下載最簡單的方法，通過BT軟件，RSS訂閱各集合即可

• 《機(jī)器學(xué)習(xí)交互速查表》

介紹: Scikit-Learn官網(wǎng)提供，在原有的Cheat Sheet基礎(chǔ)上加上了Scikit-Learn相關(guān)文檔的鏈接，方便瀏覽

• 《A Full Hardware Guide to Deep Learning》

介紹: 深度學(xué)習(xí)的全面硬件指南，從GPU到RAM、CPU、SSD、PCIe

• 《行人檢測(Pedestrian Detection)資源》

介紹:Pedestrian Detection paper & data

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

介紹: 【神經(jīng)科學(xué)碰撞人工智能】在臉部識別上你我都是專家，即使細(xì)微的差別也能辨認(rèn)。研究已證明人類和靈長類動(dòng)物在面部加工上不同于其他物種，人類使用梭狀回面孔區(qū)（FFA）。Khaligh-Razavi等通過計(jì)算機(jī)模擬出人臉識別的FFA活動(dòng)，堪稱神經(jīng)科學(xué)與人工智能的完美結(jié)合。

• 《Neural Net in C++ Tutorial》

介紹: 神經(jīng)網(wǎng)絡(luò)C++教程,本文介紹了用可調(diào)節(jié)梯度下降和可調(diào)節(jié)動(dòng)量法設(shè)計(jì)和編碼經(jīng)典BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)經(jīng)過訓(xùn)練可以做出驚人和美妙的東西出來。此外作者博客的其他文章也很不錯(cuò)。

• 《How to Choose a Neural Network》

介紹:deeplearning4j官網(wǎng)提供的實(shí)際應(yīng)用場景NN選擇參考表，列舉了一些典型問題建議使用的神經(jīng)網(wǎng)絡(luò)

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

介紹:一個(gè)深度學(xué)習(xí)項(xiàng)目,提供了Python, C/C++, Java, Scala, Go多個(gè)版本的代碼

• 《Deep Learning Tutorials》

介紹:深度學(xué)習(xí)教程,github

• 《自然語言處理的發(fā)展趨勢——訪卡內(nèi)基梅隆大學(xué)愛德華·霍威教授》

介紹:自然語言處理的發(fā)展趨勢——訪卡內(nèi)基梅隆大學(xué)愛德華·霍威教授.

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

介紹:Google對Facebook DeepFace的有力回?fù)簟?FaceNet，在LFW(Labeled Faces in the Wild)上達(dá)到99.63%準(zhǔn)確率(新紀(jì)錄)，FaceNet embeddings可用于人臉識別、鑒別和聚類.

• 《MLlib中的Random Forests和Boosting》

介紹:本文來自Databricks公司網(wǎng)站的一篇博客文章，由Joseph Bradley和Manish Amde撰寫，文章主要介紹了Random Forests和Gradient-Boosted Trees（GBTs）算法和他們在MLlib中的分布式實(shí)現(xiàn)，以及展示一些簡單的例子并建議該從何處上手.中文版.

• 《Sum-Product Networks(SPN) 》

介紹:華盛頓大學(xué)Pedro Domingos團(tuán)隊(duì)的DNN，提供論文和實(shí)現(xiàn)代碼.

• 《Neural Network Dependency Parser》

介紹:基于神經(jīng)網(wǎng)絡(luò)的自然語言依存關(guān)系解析器(已集成至Stanford CoreNLP)，特點(diǎn)是超快、準(zhǔn)確，目前可處理中英文語料，基于《A Fast and Accurate Dependency Parser Using Neural Networks》?思路實(shí)現(xiàn).

• 《神經(jīng)網(wǎng)絡(luò)語言模型》

介紹:本文根據(jù)神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，詳細(xì)講解神經(jīng)網(wǎng)絡(luò)語言模型在各個(gè)階段的形式，其中的模型包含NNLM[Bengio,2003]、Hierarchical NNLM[Bengio, 2005], Log-Bilinear[Hinton, 2007],SENNA等重要變形，總結(jié)的特別好.

• 《Classifying Spam Emails using Text and Readability Features》

介紹:經(jīng)典問題的新研究：利用文本和可讀性特征分類垃圾郵件。

• 《BCI Challenge @ NER 2015》

介紹:Kaggle腦控計(jì)算機(jī)交互(BCI)競賽優(yōu)勝方案源碼及文檔，包括完整的數(shù)據(jù)處理流程，是學(xué)習(xí)Python數(shù)據(jù)處理和Kaggle經(jīng)典參賽框架的絕佳實(shí)例

• 《IPOL Journal · Image Processing On Line》

介紹:IPOL（在線圖像處理）是圖像處理和圖像分析的研究期刊，每篇文章都包含一個(gè)算法及相應(yīng)的代碼、Demo和實(shí)驗(yàn)文檔。文本和源碼是經(jīng)過了同行評審的。IPOL是開放的科學(xué)和可重復(fù)的研究期刊。我一直想做點(diǎn)類似的工作，拉近產(chǎn)品和技術(shù)之間的距離.

• 《Machine learning classification over encrypted data》

介紹:出自MIT，研究加密數(shù)據(jù)高效分類問題.

• 《purine2》

介紹:新加坡LV實(shí)驗(yàn)室的神經(jīng)網(wǎng)絡(luò)并行框架Purine: A bi-graph based deep learning framework,支持構(gòu)建各種并行的架構(gòu)，在多機(jī)多卡，同步更新參數(shù)的情況下基本達(dá)到線性加速。12塊Titan 20小時(shí)可以完成Googlenet的訓(xùn)練。

• 《Machine Learning Resources》

介紹:這是一個(gè)機(jī)器學(xué)習(xí)資源庫,雖然比較少.但蚊子再小也是肉.有突出部分.此外還有一個(gè)由zheng Rui整理的機(jī)器學(xué)習(xí)資源.

• 《Hands-on with machine learning》

介紹:Chase Davis在NICAR15上的主題報(bào)告材料，用Scikit-Learn做監(jiān)督學(xué)習(xí)的入門例子.

• 《The Natural Language Processing Dictionary》

介紹:這是一本自然語言處理的詞典,從1998年開始到目前積累了成千上萬的專業(yè)詞語解釋,如果你是一位剛?cè)腴T的朋友.可以借這本詞典讓自己成長更快.

• 《PageRank Approach to Ranking National Football Teams》

介紹:通過分析1930年至今的比賽數(shù)據(jù)，用PageRank計(jì)算世界杯參賽球隊(duì)排行榜.

• 《R Tutorial》

介紹:R語言教程,此外還推薦一個(gè)R語言教程An Introduction to R.

• 《Fast unfolding of communities in large networks》

介紹:經(jīng)典老文，復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)的高效算法，Gephi中的[Community detection](The Louvain method for community detection in large networks)即基于此.

• 《NUML》

介紹: 一個(gè)面向 .net 的開源機(jī)器學(xué)習(xí)庫,github地址

• 《synaptic.Js》

介紹: 支持node.js的JS神經(jīng)網(wǎng)絡(luò)庫，可在客戶端瀏覽器中運(yùn)行，支持LSTM等?github地址

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

介紹: 決策樹

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

介紹: 討論深度學(xué)習(xí)自動(dòng)編碼器如何有效應(yīng)對維數(shù)災(zāi)難,國內(nèi)翻譯

• 《Advanced Optimization and Randomized Methods》

介紹: CMU的優(yōu)化與隨機(jī)方法課程，由A. Smola和S. Sra主講，優(yōu)化理論是機(jī)器學(xué)習(xí)的基石，值得深入學(xué)習(xí)?國內(nèi)云(視頻)

• 《CS231n: Convolutional Neural Networks for Visual Recognition》

介紹: "面向視覺識別的CNN"課程設(shè)計(jì)報(bào)告集錦.近百篇，內(nèi)容涉及圖像識別應(yīng)用的各個(gè)方面

• 《Topic modeling with LDA: MLlib meets GraphX》

介紹:用Spark的MLlib+GraphX做大規(guī)模LDA主題抽取.

• 《Deep Learning for Multi-label Classification》

介紹: 基于深度學(xué)習(xí)的多標(biāo)簽分類,用基于RBM的DBN解決多標(biāo)簽分類(特征)問題

• 《Google DeepMind publications》

介紹: DeepMind論文集錦

• 《kaldi》

介紹: 一個(gè)開源語音識別工具包,它目前托管在sourceforge上面

• 《Data Journalism Handbook》

介紹: 免費(fèi)電子書《數(shù)據(jù)新聞手冊》, 國內(nèi)有熱心的朋友翻譯了中文版,大家也可以在線閱讀

• 《Data Mining Problems in Retail》

介紹: 零售領(lǐng)域的數(shù)據(jù)挖掘文章.

• 《Understanding Convolution in Deep Learning》

介紹: 深度學(xué)習(xí)卷積概念詳解,深入淺出.

• 《pandas: powerful Python data analysis toolkit》

介紹: 非常強(qiáng)大的Python的數(shù)據(jù)分析工具包.

• 《Text Analytics 2015》

介紹: 2015文本分析(商業(yè))應(yīng)用綜述.

• 《Deep Learning libraries and ?rst experiments with Theano》

介紹: 深度學(xué)習(xí)框架、庫調(diào)研及Theano的初步測試體會(huì)報(bào)告.

• 《DEEP learning》

介紹: MIT的Yoshua Bengio, Ian Goodfellow, Aaron Courville著等人講深度學(xué)習(xí)的新書，還未定稿，線上提供Draft chapters收集反饋，超贊！強(qiáng)烈推薦.

• 《simplebayes》

介紹: Python下開源可持久化樸素貝葉斯分類庫.

• 《Paracel》

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

• 《HanLP:Han Language processing》

介紹: 開源漢語言處理包.

• 《Simple Neural Network implementation in Ruby》

介紹: 使用Ruby實(shí)現(xiàn)簡單的神經(jīng)網(wǎng)絡(luò)例子.

• 《Hacker's guide to Neural Networks》

介紹:神經(jīng)網(wǎng)絡(luò)黑客入門.

• 《The Open-Source Data Science Masters》

介紹:好多數(shù)據(jù)科學(xué)家名人推薦,還有資料.

• 《Text Understanding from Scratch》

介紹:實(shí)現(xiàn)項(xiàng)目已經(jīng)開源在github上面Crepe

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

介紹:作者發(fā)現(xiàn)，經(jīng)過調(diào)參，傳統(tǒng)的方法也能和word2vec取得差不多的效果。另外，無論作者怎么試，GloVe都比不過word2vec.

• 《CS224d: Deep Learning for Natural Language Processing》

介紹:Stanford深度學(xué)習(xí)與自然語言處理課程,Richard Socher主講.

• 《Math Essentials in Machine Learning》

介紹:機(jī)器學(xué)習(xí)中的重要數(shù)學(xué)概念.

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

介紹:用于改進(jìn)語義表示的樹型LSTM遞歸神經(jīng)網(wǎng)絡(luò),句子級相關(guān)性判斷和情感分類效果很好.實(shí)現(xiàn)代碼.

• 《Statistical Machine Learning》

介紹:卡耐基梅隆Ryan Tibshirani和Larry Wasserman開設(shè)的機(jī)器學(xué)習(xí)課程，先修課程為機(jī)器學(xué)習(xí)(10-715)和中級統(tǒng)計(jì)學(xué)(36-705)，聚焦統(tǒng)計(jì)理論和方法在機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用.

• 《AM207: Monte Carlo Methods, Stochastic Optimization》

介紹:《哈佛大學(xué)蒙特卡洛方法與隨機(jī)優(yōu)化課程》是哈佛應(yīng)用數(shù)學(xué)研究生課程，由V Kaynig-Fittkau、P Protopapas主講，Python程序示例，對貝葉斯推理感興趣的朋友一定要看看，提供授課視頻及課上IPN講義.

• 《生物醫(yī)學(xué)的SPARK大數(shù)據(jù)應(yīng)用》

介紹:生物醫(yī)學(xué)的SPARK大數(shù)據(jù)應(yīng)用.并且伯克利開源了他們的big data genomics系統(tǒng)ADAM，其他的內(nèi)容可以關(guān)注一下官方主頁.

• 《ACL Anthology》

介紹:對自然語言處理技術(shù)或者機(jī)器翻譯技術(shù)感興趣的親們，請?jiān)谔岢鲎约号１频綗o以倫比的idea（自動(dòng)歸納翻譯規(guī)律、自動(dòng)理解語境、自動(dòng)識別語義等等）之前，請通過谷歌學(xué)術(shù)簡單搜一下，如果谷歌不可用，這個(gè)網(wǎng)址有這個(gè)領(lǐng)域幾大頂會(huì)的論文列表,切不可斷章取義,胡亂假設(shè).

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

介紹:論文+代碼:基于集成方法的Twitter情感分類,實(shí)現(xiàn)代碼.

• 《NIPS 2014 CIML workshop》

介紹:NIPS CiML 2014的PPT,NIPS是神經(jīng)信息處理系統(tǒng)進(jìn)展大會(huì)的英文簡稱.

• 《CS231n: Convolutional Neural Networks for Visual Recognition》

介紹:斯坦福的深度學(xué)習(xí)課程的Projects 每個(gè)人都要寫一個(gè)論文級別的報(bào)告 里面有一些很有意思的應(yīng)用 大家可以看看 .

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

介紹:R語言線性回歸多方案速度比較具體方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s optimizing()等.

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

介紹:文中提到的三篇論文（機(jī)器學(xué)習(xí)那些事、無監(jiān)督聚類綜述、監(jiān)督分類綜述）都很經(jīng)典，Domnigos的機(jī)器學(xué)習(xí)課也很精彩

• 《A Probabilistic Theory of Deep Learning》

介紹:萊斯大學(xué)（Rice University）的深度學(xué)習(xí)的概率理論.

• 《Nonsensical beer reviews via Markov chains》

介紹:基于馬爾可夫鏈自動(dòng)生成啤酒評論的開源Twitter機(jī)器人,github地址.

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

介紹:視頻+講義:深度學(xué)習(xí)用于自然語言處理教程(NAACL13).

• 《Introduction to Data Analysis using Machine Learning》

介紹:用機(jī)器學(xué)習(xí)做數(shù)據(jù)分析,David Taylor最近在McGill University研討會(huì)上的報(bào)告，還提供了一系列講機(jī)器學(xué)習(xí)方法的ipn，很有價(jià)值?GitHub.國內(nèi)

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

介紹:基于CNN+LSTM的視頻分類,google演示.

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

介紹:Quora怎么用機(jī)器學(xué)習(xí).

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

介紹:亞馬遜在機(jī)器學(xué)習(xí)上面的一些應(yīng)用,代碼示例.

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

介紹:并行機(jī)器學(xué)習(xí)指南(基于scikit-learn和IPython).notebook

• 《Intro to machine learning with scikit-learn》

介紹:DataSchool的機(jī)器學(xué)習(xí)基本概念教學(xué).

• 《DeepCLn》

介紹:一個(gè)基于OpenGL實(shí)現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)，支持Linux及Windows系.

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

介紹:基于Mahout和Elasticsearch的推薦系統(tǒng).

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

介紹:Francis X. Diebold的《(經(jīng)濟(jì)|商業(yè)|金融等領(lǐng)域)預(yù)測方法.

• 《Time Series Econometrics - A Concise Course》

介紹:Francis X. Diebold的《時(shí)序計(jì)量經(jīng)濟(jì)學(xué)》.

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

介紹:基于Yelp數(shù)據(jù)集的開源情感分析工具比較,評測覆蓋Naive Bayes、SentiWordNet、CoreNLP等 .

• 《Pattern Recognition And Machine Learning》

介紹:國內(nèi)Pattern Recognition And Machine Learning讀書會(huì)資源匯總,各章pdf講稿,博客.

• 《Probabilistic Data Structures for Web Analytics and Data Mining 》

介紹:用于Web分析和數(shù)據(jù)挖掘的概率數(shù)據(jù)結(jié)構(gòu).

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

介紹:機(jī)器學(xué)習(xí)在導(dǎo)航上面的應(yīng)用.

• 《Neural Networks Demystified 》

介紹:Neural Networks Demystified系列視頻，Stephen Welch制作，純手繪風(fēng)格，淺顯易懂,國內(nèi)云.

• 《swirl + DataCamp 》

介紹:{swirl}數(shù)據(jù)訓(xùn)練營:R&數(shù)據(jù)科學(xué)在線交互教程.

• 《Learning to Read with Recurrent Neural Networks 》

介紹:關(guān)于深度學(xué)習(xí)和RNN的討論?Sequence to Sequence Learning with Neural Networks.

• 《深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning）的資源》

介紹:Deep Reinforcement Learning.

• 《Machine Learning with Scikit-Learn》

介紹:(PyCon2015)Scikit-Learn機(jī)器學(xué)習(xí)教程,Parallel Machine Learning with scikit-learn and IPython.

• 《PDNN》

介紹:PDNN: A Python Toolkit for Deep Learning.

• 《Introduction to Machine Learning》

介紹:15年春季學(xué)期CMU的機(jī)器學(xué)習(xí)課程，由Alex Smola主講，提供講義及授課視頻，很不錯(cuò).國內(nèi)鏡像.

• 《Big Data Processing》

介紹:大數(shù)據(jù)處理課.內(nèi)容覆蓋流處理、MapReduce、圖算法等.

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

介紹:用Spark MLlib實(shí)現(xiàn)易用可擴(kuò)展的機(jī)器學(xué)習(xí),國內(nèi)鏡像.

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

介紹:以往上千行代碼概率編程(語言)實(shí)現(xiàn)只需50行.

• 《Beautiful plotting in R: A ggplot2 cheatsheet》

介紹:ggplot2速查小冊子,另外一個(gè),此外還推薦《A new data processing workflow for R: dplyr, magrittr, tidyr, ggplot2》.

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

介紹:用結(jié)構(gòu)化模型來預(yù)測實(shí)時(shí)股票行情.

• 《International Joint Conference on Artificial Intelligence Accepted paper》

介紹:國際人工智能聯(lián)合會(huì)議錄取論文列表,大部分論文可使用Google找到.

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

介紹:一般矩陣乘法(GEMM)對深度學(xué)習(xí)的重要性.

• 《Distributed (Deep) Machine Learning Common》

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

• 《Reinforcement Learning: An Introduction》

介紹:免費(fèi)電子書<強(qiáng)化學(xué)習(xí)介紹>,第一版(1998),第二版(2015草稿),相關(guān)課程資料,Reinforcement Learning.

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

介紹:免費(fèi)書:Azure ML使用精要.

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

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

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

介紹:有趣的機(jī)器學(xué)習(xí)：最簡明入門指南,中文版.

• 《A Brief Overview of Deep Learning》

介紹:深度學(xué)習(xí)簡明介紹,中文版.

• 《Wormhole》

介紹:Portable, scalable and reliable distributed machine learning.

• 《convnet-benchmarks》

介紹:CNN開源實(shí)現(xiàn)橫向評測,參評框架包括Caffe 、Torch-7、CuDNN 、cudaconvnet2 、fbfft、Nervana Systems等，NervanaSys表現(xiàn)突出.

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

介紹:卡耐基梅隆大學(xué)計(jì)算機(jī)學(xué)院語言技術(shù)系的資源大全,包括大量的NLP開源軟件工具包，基礎(chǔ)數(shù)據(jù)集，論文集，數(shù)據(jù)挖掘教程，機(jī)器學(xué)習(xí)資源.

• 《Sentiment Analysis on Twitter》

介紹:Twitter情感分析工具SentiTweet,視頻+講義.

• 《Machine Learning Repository @ Wash U》

介紹:華盛頓大學(xué)的Machine Learning Paper Repository.

• 《Machine learning cheat sheet》

介紹:機(jī)器學(xué)習(xí)速查表.

• 《Spark summit east 2015 agenda》

介紹:最新的Spark summit會(huì)議資料.

• 《Spark summit east 2015 agenda》

介紹:最新的Spark summit會(huì)議資料.

• 《Learning Spark》

介紹:Ebook Learning Spark.

• 《Advanced Analytics with Spark, Early Release Edition》

介紹:Ebook Advanced Analytics with Spark, Early Release Edition.

• 《國內(nèi)機(jī)器學(xué)習(xí)算法及應(yīng)用領(lǐng)域人物篇:唐杰》

介紹:清華大學(xué)副教授，是圖挖掘方面的專家。他主持設(shè)計(jì)和實(shí)現(xiàn)的Arnetminer是國內(nèi)領(lǐng)先的圖挖掘系統(tǒng)，該系統(tǒng)也是多個(gè)會(huì)議的支持商.

• 《國內(nèi)機(jī)器學(xué)習(xí)算法及應(yīng)用領(lǐng)域人物篇:楊強(qiáng)》

介紹:遷移學(xué)習(xí)的國際領(lǐng)軍人物.

• 《國內(nèi)機(jī)器學(xué)習(xí)算法及應(yīng)用領(lǐng)域人物篇:周志華》

介紹:在半監(jiān)督學(xué)習(xí)，multi-label學(xué)習(xí)和集成學(xué)習(xí)方面在國際上有一定的影響力.

• 《國內(nèi)機(jī)器學(xué)習(xí)算法及應(yīng)用領(lǐng)域人物篇:王海峰》

介紹:信息檢索，自然語言處理，機(jī)器翻譯方面的專家.

• 《國內(nèi)機(jī)器學(xué)習(xí)算法及應(yīng)用領(lǐng)域人物篇:吳軍》

介紹:吳軍博士是當(dāng)前Google中日韓文搜索算法的主要設(shè)計(jì)者。在Google其間，他領(lǐng)導(dǎo)了許多研發(fā)項(xiàng)目，包括許多與中文相關(guān)的產(chǎn)品和自然語言處理的項(xiàng)目,他的新個(gè)人主頁.

• 《Cat Paper Collection》

介紹:喵星人相關(guān)論文集.

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

介紹:如何評價(jià)機(jī)器學(xué)習(xí)模型系列文章,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》

介紹:Twitter新trends的基本實(shí)現(xiàn)框架.

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

介紹:Storm手冊，國內(nèi)有中文翻譯版本,謝謝作者.

• 《SmileMiner》

介紹:Java機(jī)器學(xué)習(xí)算法庫SmileMiner.

• 《機(jī)器翻譯學(xué)術(shù)論文寫作方法和技巧》

介紹:機(jī)器翻譯學(xué)術(shù)論文寫作方法和技巧，Simon Peyton Jones的How to write a good research paper同類視頻How to Write a Great Research Paper,how to paper talk.

• 《神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的Tricks之高效BP（反向傳播算法）》

介紹:神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的Tricks之高效BP,博主的其他博客也挺精彩的.

• 《我和NLP的故事》

介紹:作者是NLP方向的碩士，短短幾年內(nèi)研究成果頗豐,推薦新入門的朋友閱讀.

• 《The h Index for Computer Science 》

介紹:UCLA的Jens Palsberg根據(jù)Google Scholar建立了一個(gè)計(jì)算機(jī)領(lǐng)域的H-index牛人列表,我們熟悉的各個(gè)領(lǐng)域的大牛絕大多數(shù)都在榜上，包括1位諾貝爾獎(jiǎng)得主，35位圖靈獎(jiǎng)得主，近百位美國工程院/科學(xué)院院士，300多位ACM Fellow,在這里推薦的原因是大家可以在google通過搜索牛人的名字來獲取更多的資源,這份資料很寶貴.

• 《Structured Learning for Taxonomy Induction with Belief Propagation》

介紹:用大型語料庫學(xué)習(xí)概念的層次關(guān)系，如鳥是鸚鵡的上級，鸚鵡是虎皮鸚鵡的上級。創(chuàng)新性在于模型構(gòu)造，用因子圖刻畫概念之間依存關(guān)系，因引入兄弟關(guān)系，圖有環(huán)，所以用有環(huán)擴(kuò)散（loopy propagation）迭代計(jì)算邊際概率（marginal probability）.

• 《Bayesian analysis》

介紹: 這是一款貝葉斯分析的商業(yè)軟件,官方寫的貝葉斯分析的手冊有250多頁,雖然R語言 已經(jīng)有類似的項(xiàng)目,但畢竟可以增加一個(gè)可選項(xiàng).

• 《deep net highlights from 2014》

介紹:deep net highlights from 2014.

• 《Fast R-CNN》

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

• 《Fingerprinting Images for Near-Duplicate Detection》

介紹:圖像指紋的重復(fù)識別,作者源碼,國內(nèi)翻譯版本.

• 《The Computer Vision Industry 》

介紹:提供計(jì)算機(jī)視覺、機(jī)器視覺應(yīng)用的公司信息匯總.應(yīng)用領(lǐng)域包括：自動(dòng)輔助駕駛和交通管理、眼球和頭部跟蹤、影視運(yùn)動(dòng)分析、影視業(yè)、手勢識別、通用視覺系統(tǒng)、各種工業(yè)自動(dòng)化和檢驗(yàn)、醫(yī)藥和生物、移動(dòng)設(shè)備目標(biāo)識別和AR、人群跟蹤、攝像、安全監(jiān)控、生物監(jiān)控、三維建模、web和云應(yīng)用.

• 《Seaborn: statistical data visualization》

介紹:Python版可視化數(shù)據(jù)統(tǒng)計(jì)開源庫.

• 《IPython lecture notes for OCW MIT 18.06》

介紹:麻省理工Gilbert Strang線性代數(shù)課程筆記,Gilbert Strang《Linear Algebra》課程主頁視頻+講義.

• 《Canova: A Vectorization Lib for ML》

介紹:面向機(jī)器學(xué)習(xí)/深度學(xué)習(xí)的數(shù)據(jù)向量化工具Canova,github, 支持CSV文件、MNIST數(shù)據(jù)、TF-IDF/Bag of Words/word2vec文本向量化.

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

介紹:快速入門：基于Apache Mahout的分布式機(jī)器學(xué)習(xí).

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

介紹:基于scikit-learn講解了一些機(jī)器學(xué)習(xí)技術(shù)，如SVM，NB，PCA，DT，以及特征工程、特征選擇和模型選擇問題.

• 《Lightning fast Machine Learning with Spark》

介紹:基于Spark的高效機(jī)器學(xué)習(xí),視頻地址.

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

介紹:WePay用機(jī)器學(xué)習(xí)對抗信用卡"shell selling"詐騙.

• 《Data Scientists Thoughts that Inspired Me》

介紹:16位數(shù)據(jù)科學(xué)家語錄精選.

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

介紹:深度學(xué)習(xí)在大數(shù)據(jù)分析領(lǐng)域的應(yīng)用和挑戰(zhàn).

• 《Free book:Machine Learning,Mathematics》

介紹:免費(fèi)的機(jī)器學(xué)習(xí)與數(shù)學(xué)書籍,除此之外還有其他的免費(fèi)編程書籍,編程語言,設(shè)計(jì),操作系統(tǒng)等.

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

介紹:一篇關(guān)于CNN模型對象識別Paper.

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

介紹:深度學(xué)習(xí)的統(tǒng)計(jì)分析V:泛化和正則化.

• 《Highway Networks》

介紹:用SGD能高效完成訓(xùn)練的大規(guī)模(多層)深度網(wǎng)絡(luò)HN.

• 《What I Read For Deep-Learning》

介紹:深度學(xué)習(xí)解讀文章.

• 《An Introduction to Recommendation Engines》

介紹:Coursera上的推薦系統(tǒng)導(dǎo)論（Introduction to Recommender Systems）公開課.

• 《Stanford Machine Learning》

介紹:Andrew Ng經(jīng)典機(jī)器學(xué)習(xí)課程筆記.

• 《ICLR 2015》

介紹:ICLR 2015見聞錄,博客的其他機(jī)器學(xué)習(xí)文章也不錯(cuò).

• 《Stanford Machine Learning》

介紹:推薦系統(tǒng)"個(gè)性化語義排序"模型.

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

介紹:激情時(shí)分更惜字——MIT的最新Twitter研究結(jié)果.

• 《蘇州大學(xué)人類語言技術(shù)研究論文主頁》

介紹:蘇州大學(xué)人類語言技術(shù)研究相關(guān)論文.

• 《Neural Turing Machines implementation》

介紹:實(shí)現(xiàn)神經(jīng)圖靈機(jī)(NTM),項(xiàng)目地址,此外推薦相關(guān)神經(jīng)圖靈機(jī)算法.

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

介紹:華盛頓大學(xué)的機(jī)器視覺(2015),參考資料Computer Vision: Algorithms and Applications.

• 《Mining of Massive Datasets》

介紹:"Mining of Massive Datasets"發(fā)布第二版,Jure Leskovec, Anand Rajaraman, Jeff Ullman 新版增加Jure Leskovec作為合作作者，新增社交網(wǎng)絡(luò)圖數(shù)據(jù)挖掘、降維和大規(guī)模機(jī)器學(xué)習(xí)三章,電子版依舊免費(fèi).

• 《Learning Deep Learning》

介紹:一個(gè)深度學(xué)習(xí)資源頁,資料很豐富.

• 《Learning Deep Learning》

介紹:免費(fèi)電子書"Learning Deep Learning".

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

介紹:Machine Learning for Astronomy with scikit-learn.

• 《An Introduction to Random Forests for Beginners》

介紹:免費(fèi)電子書"隨機(jī)森林入門指南".

• 《Top 10 data mining algorithms in plain English》

介紹:白話數(shù)據(jù)挖掘十大算法.

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

介紹:基于Mahout和Elasticsearch的推薦系統(tǒng),國內(nèi)譯版.

• 《Advances in Extreme Learning Machines》

介紹:博士學(xué)位論文:ELM研究進(jìn)展.

• 《10-minute tour of pandas》

介紹:Pandas十分鐘速覽,ipn.

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

介紹:面向數(shù)據(jù)新聞的文本挖掘.

• 《Time-lapse Mining from Internet Photos》

介紹:用網(wǎng)絡(luò)圖片合成延時(shí)視頻(SIGGRAPH 2015).

• 《The Curse of Dimensionality in classification》

介紹:分類系統(tǒng)的維數(shù)災(zāi)難.

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

介紹:深度學(xué)習(xí)vs.大數(shù)據(jù)——從數(shù)據(jù)到知識：版權(quán)的思考,[翻譯版](http://www.csdn.net/article/2015-05-19/2824707

• 《A Primer on Predictive Models》

介紹:預(yù)測模型入門.

• 《Demistifying LSTM Neural Networks》

介紹:深入淺出LSTM.

• 《ICLR 2015》

介紹:2015年ICLR會(huì)議視頻與講義.

• 《On Visualizing Data Well》

介紹:Ben Jones的數(shù)據(jù)可視化建議.

• 《Decoding Dimensionality Reduction, PCA and SVD》

介紹:解讀數(shù)據(jù)降維/PCA/SVD.

• 《Supervised learning superstitions cheat sheet》

介紹:IPN:監(jiān)督學(xué)習(xí)方法示例/對比參考表,覆蓋logistic回歸, 決策樹, SVM, KNN, Naive Bayes等方法.

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

介紹:基于RankSVM和DNN自動(dòng)(重組)生成Rap歌詞.

• 《An Introduction to Random Indexing》

介紹:隨機(jī)索引RI詞空間模型專題.

• 《VDiscover》

介紹:基于機(jī)器學(xué)習(xí)的漏洞檢測工具VDiscover.

• 《Minerva》

介紹:深度學(xué)習(xí)系統(tǒng)minerva。擁有python編程接口。多GPU幾乎達(dá)到線性加速。在4塊GPU上能在4天內(nèi)將GoogLeNet訓(xùn)練到68.7%的top-1以及89.0%的top-5準(zhǔn)確率。和同為dmlc項(xiàng)目的cxxnet相比，采用動(dòng)態(tài)數(shù)據(jù)流引擎，提供更多靈活性。未來將和cxxnet一起整合為mxnet項(xiàng)目，互取優(yōu)勢.

• 《CVPR 2015 paper》

介紹:2015年國際計(jì)算機(jī)視覺與模式識別會(huì)議paper.

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

介紹:Netflix工程總監(jiān)眼中的分類算法：深度學(xué)習(xí)優(yōu)先級最低,中文版.

• 《Results for Microsoft COCO Image Captioning Challenge》

介紹:Codalab圖像標(biāo)注競賽排行+各家論文,Reddit上flukeskywalker整理了各家技術(shù)相關(guān)論文.

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

介紹:基于Caffe的加速深度學(xué)習(xí)系統(tǒng)CcT.

• 《Low precision storage for deep learning》

介紹:深度學(xué)習(xí)(模型)低精度(訓(xùn)練與)存儲.

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

介紹:新書預(yù)覽:模型機(jī)器學(xué)習(xí).

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

?此外推薦Introduction to Bandits: Algorithms and Theory.

• 《Kaggle R Tutorial on Machine Learing》

介紹:基于Kaggle's Titanic Competition的交互式R機(jī)器學(xué)習(xí)教程,介紹《Interactive R Tutorial: Machine Learning for the Titanic Competition》.

• 《Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列》

介紹:Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列.

• 《Introduction to Neural Machine Translation with GPUs 》

介紹:神經(jīng)(感知)機(jī)器翻譯介紹.

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

介紹:Andrew Ng關(guān)于深度學(xué)習(xí)/自學(xué)習(xí)/無監(jiān)督特征學(xué)習(xí)的報(bào)告,國內(nèi)云.

• 《Recurrent Neural Network Training with Dark Knowledge Transfer》

介紹:論文:通過潛在知識遷移訓(xùn)練RNN.

• 《Show Me The Money》

介紹:面向金融數(shù)據(jù)的情感分析工具.

• 《pyLDAvis》

介紹:(Python)主題模型交互可視化庫pyLDAvis.

• 《Logistic Regression and Gradient Descent》

介紹:Logistic回歸與優(yōu)化實(shí)例教程.

• 《賈揚(yáng)清微信講座記錄》

介紹:賈揚(yáng)清（谷歌大腦科學(xué)家、caffe締造者）微信講座記錄.

• 《sketch》

介紹:Theano/Blocks實(shí)現(xiàn)RNN手寫字符串生成sketch.

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

介紹:基于TopSig的海量(7億+)網(wǎng)頁聚類.

• 《NAACL 2015 Proceedings on ACL Anthology》

介紹:NAACL 2015 論文papers.

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

介紹:機(jī)器學(xué)習(xí)預(yù)測股市的七個(gè)問題.

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

介紹:神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)資料推薦.

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

介紹:面向序列學(xué)習(xí)的RNN綜述.

• 《Handling and Processing Strings in R》

介紹:R文本處理手冊.

• 《Must-watch videos about Python》

介紹:“必看”的Python視頻集錦.

• 《The Google Stack》

介紹:Google(基礎(chǔ)結(jié)構(gòu))棧.

• 《Randomized Algorithms for Matrices and Data》

介紹:矩陣和數(shù)據(jù)的隨機(jī)算法(UC Berkeley 2013).

• 《Intermediate R》

介紹:DataCamp中級R語言教程.

• 《Topology Without Tears》

介紹:免費(fèi)電子書:輕松掌握拓?fù)鋵W(xué),中文版.

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

介紹:Book,video.

• 《Scikit-learn》

介紹:Scikit-learn 是基于Scipy為機(jī)器學(xué)習(xí)建造的的一個(gè)Python模塊，他的特色就是多樣化的分類，回歸和聚類的算法包括支持向量機(jī)，邏輯回歸，樸素貝葉斯分類器，隨機(jī)森林，Gradient Boosting，聚類算法和DBSCAN。而且也設(shè)計(jì)出了Python numerical和scientific libraries Numpy and Scipy

• 《Pylearn2》

介紹:Pylearn是一個(gè)讓機(jī)器學(xué)習(xí)研究簡單化的基于Theano的庫程序。

• 《NuPIC》

介紹:NuPIC是一個(gè)以HTM學(xué)習(xí)算法為工具的機(jī)器智能平臺。HTM是皮層的精確計(jì)算方法。HTM的核心是基于時(shí)間的持續(xù)學(xué)習(xí)算法和儲存和撤銷的時(shí)空模式。NuPIC適合于各種各樣的問題,尤其是檢測異常和預(yù)測的流數(shù)據(jù)來源。

• 《Nilearn》

介紹:Nilearn 是一個(gè)能夠快速統(tǒng)計(jì)學(xué)習(xí)神經(jīng)影像數(shù)據(jù)的Python模塊。它利用Python語言中的scikit-learn 工具箱和一些進(jìn)行預(yù)測建模，分類，解碼，連通性分析的應(yīng)用程序來進(jìn)行多元的統(tǒng)計(jì)。

• 《PyBrain》

介紹:Pybrain是基于Python語言強(qiáng)化學(xué)習(xí)，人工智能，神經(jīng)網(wǎng)絡(luò)庫的簡稱。 它的目標(biāo)是提供靈活、容易使用并且強(qiáng)大的機(jī)器學(xué)習(xí)算法和進(jìn)行各種各樣的預(yù)定義的環(huán)境中測試來比較你的算法。

• 《Pattern》

介紹:Pattern 是Python語言下的一個(gè)網(wǎng)絡(luò)挖掘模塊。它為數(shù)據(jù)挖掘，自然語言處理，網(wǎng)絡(luò)分析和機(jī)器學(xué)習(xí)提供工具。它支持向量空間模型、聚類、支持向量機(jī)和感知機(jī)并且用KNN分類法進(jìn)行分類。

• 《Fuel》

介紹:Fuel為你的機(jī)器學(xué)習(xí)模型提供數(shù)據(jù)。他有一個(gè)共享如MNIST, CIFAR-10 (圖片數(shù)據(jù)集), Google’s One Billion Words (文字)這類數(shù)據(jù)集的接口。你使用他來通過很多種的方式來替代自己的數(shù)據(jù)。

• 《Bob》

介紹:Bob是一個(gè)免費(fèi)的信號處理和機(jī)器學(xué)習(xí)的工具。它的工具箱是用Python和C++語言共同編寫的，它的設(shè)計(jì)目的是變得更加高效并且減少開發(fā)時(shí)間，它是由處理圖像工具,音頻和視頻處理、機(jī)器學(xué)習(xí)和模式識別的大量軟件包構(gòu)成的。

• 《Skdata》

介紹:Skdata是機(jī)器學(xué)習(xí)和統(tǒng)計(jì)的數(shù)據(jù)集的庫程序。這個(gè)模塊對于玩具問題，流行的計(jì)算機(jī)視覺和自然語言的數(shù)據(jù)集提供標(biāo)準(zhǔn)的Python語言的使用。

• 《MILK》

介紹:MILK是Python語言下的機(jī)器學(xué)習(xí)工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機(jī)森林，決策樹中使用監(jiān)督分類法。 它還執(zhí)行特征選擇。 這些分類器在許多方面相結(jié)合,可以形成不同的例如無監(jiān)督學(xué)習(xí)、密切關(guān)系金傳播和由MILK支持的K-means聚類等分類系統(tǒng)。

• 《IEPY》

介紹:IEPY是一個(gè)專注于關(guān)系抽取的開源性信息抽取工具。它主要針對的是需要對大型數(shù)據(jù)集進(jìn)行信息提取的用戶和想要嘗試新的算法的科學(xué)家。

• 《Quepy》

介紹:Quepy是通過改變自然語言問題從而在數(shù)據(jù)庫查詢語言中進(jìn)行查詢的一個(gè)Python框架。他可以簡單的被定義為在自然語言和數(shù)據(jù)庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個(gè)用自然語言進(jìn)入你的數(shù)據(jù)庫的系統(tǒng)?，F(xiàn)在Quepy提供對于Sparql和MQL查詢語言的支持。并且計(jì)劃將它延伸到其他的數(shù)據(jù)庫查詢語言。

• 《Hebel》

介紹:Hebel是在Python語言中對于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的一個(gè)庫程序，它使用的是通過PyCUDA來進(jìn)行GPU和CUDA的加速。它是最重要的神經(jīng)網(wǎng)絡(luò)模型的類型的工具而且能提供一些不同的活動(dòng)函數(shù)的激活功能，例如動(dòng)力，涅斯捷羅夫動(dòng)力，信號丟失和停止法。

• 《mlxtend》

介紹:它是一個(gè)由有用的工具和日常數(shù)據(jù)科學(xué)任務(wù)的擴(kuò)展組成的一個(gè)庫程序。

• 《nolearn》

介紹:這個(gè)程序包容納了大量能對你完成機(jī)器學(xué)習(xí)任務(wù)有幫助的實(shí)用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。

• 《Ramp》

介紹:Ramp是一個(gè)在Python語言下制定機(jī)器學(xué)習(xí)中加快原型設(shè)計(jì)的解決方案的庫程序。他是一個(gè)輕型的pandas-based機(jī)器學(xué)習(xí)中可插入的框架，它現(xiàn)存的Python語言下的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)工具（比如scikit-learn,rpy2等）Ramp提供了一個(gè)簡單的聲明性語法探索功能從而能夠快速有效地實(shí)施算法和轉(zhuǎn)換。

• 《Feature Forge》

介紹:這一系列工具通過與scikit-learn兼容的API，來創(chuàng)建和測試機(jī)器學(xué)習(xí)功能。這個(gè)庫程序提供了一組工具，它會(huì)讓你在許多機(jī)器學(xué)習(xí)程序使用中很受用。當(dāng)你使用scikit-learn這個(gè)工具時(shí)，你會(huì)感覺到受到了很大的幫助。（雖然這只能在你有不同的算法時(shí)起作用。）

• 《REP》

介紹:REP是以一種和諧、可再生的方式為指揮數(shù)據(jù)移動(dòng)驅(qū)動(dòng)所提供的一種環(huán)境。它有一個(gè)統(tǒng)一的分類器包裝來提供各種各樣的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一個(gè)群體以平行的方式訓(xùn)練分類器。同時(shí)它也提供了一個(gè)交互式的情節(jié)。

• 《Python 學(xué)習(xí)機(jī)器樣品》

介紹:用亞馬遜的機(jī)器學(xué)習(xí)建造的簡單軟件收集。

• 《Python-ELM》

介紹:這是一個(gè)在Python語言下基于scikit-learn的極端學(xué)習(xí)機(jī)器的實(shí)現(xiàn)。

• 《Dimension Reduction》

介紹:電子書降維方法,此外還推薦Dimensionality Reduction A Short Tutorial、Matlab Toolbox for Dimensionality Reduction、Unsupervised Kernel Dimension Reduction

• 《Datasets Used For Benchmarking Deep Learning Algorithms》

介紹:deeplearning.net整理的深度學(xué)習(xí)數(shù)據(jù)集列表.

• 《Golang Natural Language Processing》

介紹:Go語言編寫的自然語言處理工具.

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

介紹:詞頻模型對詞向量的反擊,參考Improving Distributional Similarity with Lessons Learned from Word Embeddings?。

• 《Three Aspects of Predictive Modeling》

介紹:預(yù)測模型的三個(gè)方面.

• 《CS224d: Deep Learning for Natural Language Processing》

介紹:斯坦福大學(xué)深度學(xué)習(xí)與自然語言處理課程,部分課程筆記詞向量、引言

• 《Google Computer Vision research at CVPR 2015》

介紹:CVPR2015上Google的CV研究列表.

• 《Using Deep Learning to Find Basketball Highlights》

介紹:利用(Metamind)深度學(xué)習(xí)自動(dòng)發(fā)現(xiàn)籃球賽精彩片段.

• 《Learning Deep Features for Discriminative Localization》

介紹:對本土化特征學(xué)習(xí)的分析

?

?

機(jī)器學(xué)習(xí)(Machine Learning)&深度學(xué)習(xí)(Deep Learning)資料(Chapter 2)

注:機(jī)器學(xué)習(xí)資料篇目一共500條,篇目二開始更新

希望轉(zhuǎn)載的朋友，你可以不用聯(lián)系我．但是一定要保留原文鏈接，因?yàn)檫@個(gè)項(xiàng)目還在繼續(xù)也在不定期更新．希望看到文章的朋友能夠?qū)W到更多．此外:某些資料在中國訪問需要梯子.

• 《Image Scaling using Deep Convolutional Neural Networks》

介紹:使用卷積神經(jīng)網(wǎng)絡(luò)的圖像縮放.

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

介紹:ICML2015 論文集,優(yōu)化4個(gè)+稀疏優(yōu)化1個(gè)；強(qiáng)化學(xué)習(xí)4個(gè)，深度學(xué)習(xí)3個(gè)+深度學(xué)習(xí)計(jì)算1個(gè)；貝葉斯非參、高斯過程和學(xué)習(xí)理論3個(gè)；還有計(jì)算廣告和社會(huì)選擇.ICML2015 Sessions.

• 《Image Scaling using Deep Convolutional Neural Networks》

介紹:使用卷積神經(jīng)網(wǎng)絡(luò)的圖像縮放.

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

介紹:，第28屆IEEE計(jì)算機(jī)視覺與模式識別(CVPR)大會(huì)在美國波士頓舉行。微軟研究員們在大會(huì)上展示了比以往更快更準(zhǔn)的計(jì)算機(jī)視覺圖像分類新模型，并介紹了如何使用Kinect等傳感器實(shí)現(xiàn)在動(dòng)態(tài)或低光環(huán)境的快速大規(guī)模3D掃描技術(shù).

• 《Machine Learning for Humans》

介紹:(文本)機(jī)器學(xué)習(xí)可視化分析工具.

• 《A Plethora of Tools for Machine Learning》

介紹:機(jī)器學(xué)習(xí)工具包/庫的綜述/比較.

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

介紹:數(shù)據(jù)可視化最佳實(shí)踐指南.

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

介紹:Day 1、Day 2、Day 3、Day 4、Day 5.

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

介紹:深度學(xué)習(xí)之“深”——DNN的隱喻分析.

• 《Mixture Density Networks》

介紹:混合密度網(wǎng)絡(luò).

• 《Interview Questions for Data Scientist Positions》

介紹:數(shù)據(jù)科學(xué)家職位面試題.

• 《Accurately Measuring Model Prediction Error》

介紹:準(zhǔn)確評估模型預(yù)測誤差.

• 《Continually updated Data Science Python Notebooks》

介紹:Continually updated Data Science Python Notebooks.

• 《How to share data with a statistician》

介紹:How to share data with a statistician.

• 《The Eyescream Project NeuralNets dreaming natural images》

介紹:來自Facebook的圖像自動(dòng)生成.

• 《How to share data with a statistician》

介紹:How to share data with a statistician.

• 《A Neural Conversational Model》

介紹:(Google)神經(jīng)(感知)會(huì)話模型.

• 《The 50 Best Masters in Data Science》

介紹:The 50 Best Masters in Data Science.

• 《NLP常用信息資源》

介紹:NLP常用信息資源.

• 《Conditional Random Fields as Recurrent Neural Networks》

介紹:語義圖像分割的實(shí)況演示,通過深度學(xué)習(xí)技術(shù)和概率圖模型的語義圖像分割.

• 《Fully Convolutional Networks for Semantic Segmentation》

介紹:Caffe模型/代碼:面向圖像語義分割的全卷積網(wǎng)絡(luò),模型代碼.

• 《Growing Pains for Deep Learning》

介紹:深度學(xué)習(xí)——成長的煩惱.

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

介紹:基于三元樹方法的文本流聚類.

• 《Foundations and Advances in Data Mining》

介紹:Free Ebook:數(shù)據(jù)挖掘基礎(chǔ)及最新進(jìn)展.

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

介紹:深度學(xué)習(xí)革命.

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

介紹:數(shù)據(jù)科學(xué)(實(shí)踐)權(quán)威指南.

• 《Microsoft Academic Graph》

介紹:37G的微軟學(xué)術(shù)圖譜數(shù)據(jù)集.

• 《Challenges and Opportunities Of Machine Learning In Production》

介紹:生產(chǎn)環(huán)境(產(chǎn)品級)機(jī)器學(xué)習(xí)的機(jī)遇與挑戰(zhàn).

• 《Neural Nets for Newbies》

介紹:神經(jīng)網(wǎng)絡(luò)入門.

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

介紹:來自麻省理工的結(jié)構(gòu)化稀疏論文.

• 《Optimal and Adaptive Algorithms for Online Boosting》

介紹:來自雅虎的機(jī)器學(xué)習(xí)小組關(guān)于在線Boosting的論文 .

• 《Top 20 Python Machine Learning Open Source Projects》

介紹:20個(gè)最熱門的開源(Python)機(jī)器學(xué)習(xí)項(xiàng)目.

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

介紹:C++并行貝葉斯推理統(tǒng)計(jì)庫QUESO,github code.

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

介紹:Nature:LeCun/Bengio/Hinton的最新文章《深度學(xué)習(xí)》,Jürgen Schmidhuber的最新評論文章《Critique of Paper by "Deep Learning Conspiracy" (Nature 521 p 436)》.

• 《Palladium》

介紹:基于Scikit-Learn的預(yù)測分析服務(wù)框架Palladium.

• 《Advances in Structured Prediction》

介紹:John Langford和Hal Daume III在ICML2015上關(guān)于Learning to Search的教學(xué)講座幻燈片.

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

介紹:讀完這100篇論文 就能成大數(shù)據(jù)高手,國內(nèi)翻譯.

• 《Social Media & Text Analytics》

介紹:NLP課程《社交媒體與文本分析》精選閱讀列表.

• 《Machine Learning for Developers》

介紹:寫給開發(fā)者的機(jī)器學(xué)習(xí)指南.

• 《Hot news detection using Wikipedia》

介紹:基于維基百科的熱點(diǎn)新聞發(fā)現(xiàn).

• 《Harvard Intelligent Probabilistic Systems Group》

介紹:(Harvard)HIPS將發(fā)布可擴(kuò)展/自動(dòng)調(diào)參貝葉斯推理神經(jīng)網(wǎng)絡(luò).

• 《An Empirical Exploration of Recurrent Network Architectures》

介紹:面向上下文感知查詢建議的層次遞歸編解碼器.

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

介紹:GPU上基于Mean-for-Mode估計(jì)的高效LDA訓(xùn)練.

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

介紹:從實(shí)驗(yàn)室到工廠——構(gòu)建機(jī)器學(xué)習(xí)生產(chǎn)架構(gòu).

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

介紹:適合做數(shù)據(jù)挖掘的6個(gè)經(jīng)典數(shù)據(jù)集(及另外100個(gè)列表).

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

介紹:Google面向機(jī)器視覺的深度學(xué)習(xí).

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

介紹:構(gòu)建預(yù)測類應(yīng)用時(shí)如何選擇機(jī)器學(xué)習(xí)API.

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

介紹:Python+情感分析API實(shí)現(xiàn)故事情節(jié)(曲線)分析.

• 《Movie selection using R》

介紹:(R)基于Twitter/情感分析的口碑電影推薦,此外推薦分類算法的實(shí)證比較分析.

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

介紹:CMU(ACL 2012)(500+頁)面向NLP基于圖的半監(jiān)督學(xué)習(xí)算法.

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

介紹:從貝葉斯分析NIPS，看同行評審的意義.

• 《Basics of Computational Reinforcement Learning》

介紹:(RLDM 2015)計(jì)算強(qiáng)化學(xué)習(xí)入門.

• 《Deep Reinforcement Learning》

介紹:David Silver的深度強(qiáng)化學(xué)習(xí)教程.

• 《On Explainability of Deep Neural Networks》

介紹:深度神經(jīng)網(wǎng)絡(luò)的可解釋性.

• 《The Essential Spark Cheat Sheet》

介紹:Spark快速入門.

• 《Machine Learning for Sports and Real Time Predictions》

介紹:TalkingMachines:面向體育/政治和實(shí)時(shí)預(yù)測的機(jī)器學(xué)習(xí).

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

介紹:Stanford社交網(wǎng)絡(luò)與信息網(wǎng)絡(luò)分析課程資料+課設(shè)+數(shù)據(jù).

• 《RL Course by David Silver》

介紹:David Silver(DeeMind)的強(qiáng)化學(xué)習(xí)課程,slide.

• 《Faster deep learning with GPUs and Theano》

介紹:基于Theano/GPU的高效深度學(xué)習(xí).

• 《Introduction to R Programming》

介紹:來自微軟的<R編程入門>.

• 《Golang:Web Server For Performing Sentiment Analysis》

介紹:(Go)情感分析API服務(wù)Sentiment Server.

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

介紹:受限波爾茲曼機(jī)初學(xué)者指南.

• 《KDD2015十年最佳論文》

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

• 《Nvidia Deep Learning Courses》

介紹:Nvidia深度學(xué)習(xí)課程.

• 《Deep Learning Summer School 2015》

介紹:2015年深度學(xué)習(xí)暑期課程，推薦講師主頁.

• 《百度深度學(xué)習(xí)的圖像識別進(jìn)展》

介紹:這是一篇關(guān)于百度文章《基于深度學(xué)習(xí)的圖像識別進(jìn)展：百度的若干實(shí)踐》的摘要,建議兩篇文章結(jié)合起來閱讀.

• 《Machine Learning Methods in Video Annotation》

介紹:視頻標(biāo)注中的機(jī)器學(xué)習(xí)技術(shù).

• 《Training Recurrent Neural Networks》

介紹:博士論文:(Ilya Sutskever)RNN訓(xùn)練.

• 《On Explainability of Deep Neural Networks》

介紹:深度神經(jīng)網(wǎng)絡(luò)的灰色區(qū)域：可解釋性問題，中文版.

• 《Machine Learning Libraries in GoLang by Category》

介紹:Golang 實(shí)現(xiàn)的機(jī)器學(xué)習(xí)庫資源匯總.

• 《A Statistical View of Deep Learning》

介紹:深度學(xué)習(xí)的統(tǒng)計(jì)分析.

• 《Deep Learning For NLP - Tips And Techniques》

介紹:面向NLP的深度學(xué)習(xí)技術(shù)與技巧.

• 《CrowdFlower Competition Scripts: Approaching NLP》

介紹:Kaggle's CrowdFlower競賽NLP代碼集錦.

• 《CS224U: Natural Language Understanding》

介紹:斯坦福的自然語言理解課程.

• 《Deep Learning and Shallow Learning》

介紹:Deep Learning與Shallow Learning 介紹

• 《A First Encounter with Machine Learning》

介紹:這是一本機(jī)器學(xué)習(xí)的電子書,作者M(jìn)ax Welling先生在機(jī)器學(xué)習(xí)教學(xué)上面有著豐富的經(jīng)驗(yàn),這本書小但精致.

• 《Click Models for Web Search》

介紹:由荷蘭阿姆斯特丹大學(xué) & 谷歌瑞士著.

• 《Hinton CSC321課程/Deep Learning/Notes on CNN/Python/Theano/CUDA/OpenCV/...》

介紹:介紹個(gè)樂于總結(jié)和翻譯機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺類資料的博客,包含的內(nèi)容：Hinton的CSC321課程的總結(jié)；Deep Learning綜述；Notes on CNN的總結(jié)；python的原理總結(jié)；Theano基礎(chǔ)知識和練習(xí)總結(jié)；CUDA原理和編程；OpenCV一些總結(jié).

• 《Which Algorithm Family Can Answer My Question?》

介紹:針對具體問題(應(yīng)用場景)如何選擇機(jī)器學(xué)習(xí)算法(系列).

• 《Free Data Science Books》

介紹:數(shù)據(jù)科學(xué)免費(fèi)書分類集合

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

介紹:深度學(xué)習(xí)在語音合成最新進(jìn)展有哪些？推薦MSRA的Frank Soong老師關(guān)于語音合成的深度學(xué)習(xí)方法的錄像和幻燈片與以及谷歌的LSTM-RNN合成介紹,論文

• 《The Art of Data Science》

介紹:新書(可免費(fèi)下載):數(shù)據(jù)科學(xué)的藝術(shù)

• 《Pattern Recognition and Machine Learning》

介紹:模式識別與機(jī)器學(xué)習(xí)書籍推薦,本書是微軟劍橋研究院大神Bishop所寫，算是最為廣為認(rèn)知的機(jī)器學(xué)習(xí)教材之一，內(nèi)容覆蓋全面，難度中上，適合研究生中文版?or?備份

• 《an introduction to visualizing DATA》

介紹:數(shù)據(jù)可視化介紹(23頁袖珍小冊子)

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

介紹:這篇論文榮獲EMNLP2015的最佳數(shù)據(jù)/資源獎(jiǎng)優(yōu)秀獎(jiǎng),標(biāo)注的推特?cái)?shù)據(jù)集

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

介紹:作者在深度學(xué)習(xí)的思考.

• 《Data-Visualization Tools & Books》

介紹:數(shù)據(jù)可視化常用工具軟件資源匯總

• 《Machine Learning and Probabilistic Graphical Models Course》

介紹:Buffalo大學(xué)教授Sargur Srihari的“機(jī)器學(xué)習(xí)和概率圖模型”的視頻課程

• 《Understanding Machine Learning: From Theory to Algorithms》

介紹:耶路撒冷希伯來大學(xué)教授Shai Shalev-Shwartz和滑鐵盧大學(xué)教授Shai Ben-David的新書Understanding Machine Learning: From Theory to Algorithms,此書寫的比較偏理論，適合對機(jī)器學(xué)習(xí)理論有興趣的同學(xué)選讀

• 《Machine Learning Checklist》

介紹:機(jī)器學(xué)習(xí)學(xué)習(xí)清單

• 《NLP界有哪些神級人物？》

介紹:知乎上面的一篇關(guān)于NLP界有哪些神級人物？提問。首推Michael Collins

• 《機(jī)器學(xué)習(xí)溫和指南》

介紹:機(jī)器學(xué)習(xí)與NLP專家、MonkeyLearn聯(lián)合創(chuàng)始人&CEO Raúl Garreta面向初學(xué)者大體概括使用機(jī)器學(xué)習(xí)過程中的重要概念，應(yīng)用程序和挑戰(zhàn)，旨在讓讀者能夠繼續(xù)探尋機(jī)器學(xué)習(xí)知識。

• 《Gradient Boosted Regression Trees》

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

• 《Apache SINGA : Distributed Deep Learning System》

介紹: 無需做深度學(xué)習(xí)就能用的分布式深度學(xué)習(xí)軟件.

• 《E-commerce Recommendation with Personalized Promotion》

介紹: 在亞馬遜數(shù)據(jù)和眾包Mechanical Turk上，實(shí)現(xiàn)了來自彩票和拍賣的機(jī)制，以收集用戶對產(chǎn)品的樂意購買價(jià)格（WTP，willingness-to-pay）訓(xùn)練集。 E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15] 回歸模型預(yù)測未知WTP，提升賣家利潤和消費(fèi)者滿意度

• 《Scalable Machine Learning》

介紹:來自伯克利分校的大規(guī)模機(jī)器學(xué)習(xí).

• 《機(jī)器學(xué)習(xí)資料大匯總》

介紹:來自52ml的機(jī)器學(xué)習(xí)資料大匯總.

• 《Automatic Summarization》

介紹:這本書的作者M(jìn)cKeown是2013年世界首個(gè)數(shù)據(jù)科學(xué)院（位于哥倫比亞大學(xué)）主任，她亦是ACL、AAAI和ACM Fellow .

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

介紹:EMNLP-15文本摘要若干.

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

介紹:來自Netflix的Xavier Amatriain在Summer School 2014 @ CMU上長達(dá)4小時(shí)的報(bào)告，共248頁，是對推薦系統(tǒng)發(fā)展的一次全面綜述，其中還包括Netflix在個(gè)性化推薦方面的一些經(jīng)驗(yàn)介紹.

• 《BigData Stream Mining》

介紹:(ECML PKDD 2015)大數(shù)據(jù)流挖掘教程,此外推薦ECML PKDD 2015 Tutorial列表.

• 《Deep learning on Spark with Keras》

介紹:Spark上的Keras深度學(xué)習(xí)框架Elephas.

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

介紹:Surya Ganguli深度學(xué)習(xí)統(tǒng)計(jì)物理學(xué).

• 《(系統(tǒng)/算法/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)/圖模型/優(yōu)化/...)在線視頻課程列表》

介紹:(系統(tǒng)/算法/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)/圖模型/優(yōu)化/...)在線視頻課程列表.

• 《Introduction to Topic Modeling in Python》

介紹:(PyTexas 2015)Python主題建模.

• 《Large Scale Distributed Deep Learning on Hadoop Clusters》

介紹:Hadoop集群上的大規(guī)模分布式機(jī)器學(xué)習(xí).

• 《Top Deep Learning Employers Based On LinkedIn Data》

介紹:基于LinkedIn數(shù)據(jù)得出的深度學(xué)習(xí)熱門"東家"排行.

• 《Neural Net in C++ Tutorial》

介紹:(c++)神經(jīng)網(wǎng)絡(luò)手把手實(shí)現(xiàn)教程.

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

介紹:香港中文大學(xué)湯曉鷗教授實(shí)驗(yàn)室公布的大型人臉識別數(shù)據(jù)集： Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人，202K 臉部圖像，每個(gè)圖像40余標(biāo)注屬性.

• 《Unsupervised Feature Learning in Computer Vision》

介紹:面向機(jī)器視覺的無監(jiān)督特征學(xué)習(xí),Ross Goroshin's webpage.

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

介紹:谷歌研究院Samy Bengio等人最近寫的RNN的Scheduled Sampling訓(xùn)練方法論文.

• 《Essential Machine Learning Algorithms in a nutshell》

介紹:機(jī)器學(xué)習(xí)基本算法簡要入門.

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

介紹:Github機(jī)器學(xué)習(xí)/數(shù)學(xué)/統(tǒng)計(jì)/可視化/深度學(xué)習(xí)相關(guān)項(xiàng)目大列表.

• 《Information Processing and Learning》

介紹:CMU的信息論課程.

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

介紹:谷歌研究院Samy Bengio等人最近寫的RNN的Scheduled Sampling訓(xùn)練方法論文.

• 《基于Hadoop集群的大規(guī)模分布式深度學(xué)習(xí)》

介紹:基于Hadoop集群的大規(guī)模分布式深度學(xué)習(xí).

• 《Learning both Weights and Connections for Efficient Neural Networks習(xí)》

介紹:來自斯坦福大學(xué)及NVIDIA的工作，很實(shí)在很實(shí)用。采用裁剪網(wǎng)絡(luò)連接及重訓(xùn)練方法，可大幅度減少CNN模型參數(shù)。針對AlexNet、VGG等模型及ImageNet數(shù)據(jù)，不損失識別精度情況下，模型參數(shù)可大幅度減少9-13倍.

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

介紹:無需做深度學(xué)習(xí)就能用的分布式深度學(xué)習(xí)軟件,github.

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

介紹:當(dāng)今世界最NB的25位大數(shù)據(jù)科學(xué)家,通過他們的名字然后放在google中搜索肯定能找到很多很棒的資源譯文.

• 《Deep Learning for NLP - Lecture October 2015》

介紹:Nils Reimers面向NLP的深度學(xué)習(xí)(Theano/Lasagne)系列教程.

• 《Connection between probability theory and real analysis》

介紹:主講人是陶哲軒,資料Probability: Theory and Examples,筆記.

• 《Data Science Learning Resources》

介紹:數(shù)據(jù)科學(xué)(學(xué)習(xí))資源列表.

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

介紹:應(yīng)對非均衡數(shù)據(jù)集分類問題的八大策略.

• 《Top 20 Data Science MOOCs》

介紹:重點(diǎn)推薦的20個(gè)數(shù)據(jù)科學(xué)相關(guān)課程.

• 《Recurrent Neural Networks》

介紹:遞歸神經(jīng)網(wǎng)絡(luò).

• 《Histograms of Oriented Gradients》

介紹:(HOG)學(xué)習(xí)筆記.

• 《Computational modelling courses》

介紹:計(jì)算建模/計(jì)算神經(jīng)學(xué)課程匯總.

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

介紹:(Yelp)基于深度學(xué)習(xí)的商業(yè)圖片分類.

• 《Neural Networks and Deep Learning》

介紹:免費(fèi)在線書《Neural Networks and Deep Learning》神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)。目前提供了前四章的草稿，第一章通過手寫數(shù)字識別的例子介紹NN，第二章講反向傳播算法，第三章講反向傳播算法的優(yōu)化，第四章講NN為什么能擬合任意函數(shù)。大量python代碼例子和交互動(dòng)畫，生動(dòng)有趣.中文版

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

介紹:數(shù)據(jù)科學(xué)大咖薦書(入門).

• 《Deep Learning for NLP resources》

介紹:NLP 深度學(xué)習(xí)資源列表.

• 《GitXiv》

介紹:很多arXiv上面知名論文可以在這個(gè)網(wǎng)站找到github的項(xiàng)目鏈接.

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

介紹:深度學(xué)習(xí)在視覺跟蹤的探索.

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

介紹:Spark機(jī)器學(xué)習(xí)入門實(shí)例——大數(shù)據(jù)集(30+g)二分類.

• 《Semantic Scholar》

介紹:保羅艾倫人工智能實(shí)驗(yàn)室表示，Google Scholar是十年前的產(chǎn)物，他們現(xiàn)在想要做進(jìn)一步的提高。于是推出了全新的，專門針對科學(xué)家設(shè)計(jì)的學(xué)術(shù)搜索引擎Semantic Scholar.

• 《Semi-Supervised Learning》

介紹:半監(jiān)督學(xué)習(xí),Chapelle.篇篇都是經(jīng)典,作者包括Vapnik,Bengio,Lafferty,Jordan.此外推薦Xiaojin (Jerry) Zhu編寫的Introduction to Semi-Supervised Learning.

介紹:Spark機(jī)器學(xué)習(xí)入門實(shí)例——大數(shù)據(jù)集(30+g)二分類.

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

介紹:為入門者準(zhǔn)備的深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)免費(fèi)資源.

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

介紹:Google 開源最新機(jī)器學(xué)習(xí)系統(tǒng) TensorFlow,此外提供TensorFlow白皮書white paper of tensorflow 2015.hacker news,Google大牛解讀TensorFlow

• 《Veles:Distributed machine learning platform》

介紹:三星開源的快速深度學(xué)習(xí)應(yīng)用程序開發(fā)分布式平臺.

• 《DMTK:Microsoft Distributed Machine Learning Tookit 》

介紹:分布式機(jī)器學(xué)習(xí)工具包.

• 《Semantics Approach to Big Data and Event Processing》

介紹:語義大數(shù)據(jù)——大數(shù)據(jù)/事件處理的語義方法.

• 《LSTM(Long Short Term Memory)和RNN(Recurrent)學(xué)習(xí)教程》

介紹:LSTM(Long Short Term Memory)和RNN(Recurrent)學(xué)習(xí)教程.

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

介紹:Princeton Vision Group的深度學(xué)習(xí)庫開源.

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

介紹:基于AWS的自動(dòng)分布式科學(xué)計(jì)算庫Ufora,Why I Open Sourced Five Years of Work.

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

介紹:(PyCon SE 2015)深度學(xué)習(xí)與深度數(shù)據(jù)科學(xué).

• 《Zhi-Hua Zhou Papers》

介紹:推薦南京大學(xué)機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘研究所所長——周志華教授的Google學(xué)術(shù)主頁.

• 《Advanced Linear Models for Data Science》

介紹:免費(fèi)書:面向數(shù)據(jù)科學(xué)的高級線性模型.

• 《Net2Net: Accelerating Learning via Knowledge Transfer》

介紹:基于知識遷移的神經(jīng)網(wǎng)絡(luò)高效訓(xùn)練Net2Net.

• 《徐亦達(dá)機(jī)器學(xué)習(xí)課程 Variational Inference》

介紹:徐亦達(dá)機(jī)器學(xué)習(xí)課程 Variational Inference.

• 《Learning the Architecture of Deep Neural Networks》

介紹:深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí).

• 《Multimodal Deep Learning》

介紹:來自斯坦福大學(xué)的Multimodal Deep Learning papers.

• 《深度學(xué)習(xí)簡析,TensorFlow,Torch,Theano,Mxnet》

介紹:深度學(xué)習(xí)簡析,TensorFlow,Torch,Theano,Mxnet.

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

介紹:這個(gè)專欄是一個(gè)stanford學(xué)生做的CS183c課程的一個(gè)note，該課程是由Reid Hoffman等互聯(lián)網(wǎng)boss級人物開設(shè)的，每節(jié)課請一位巨頭公司的相關(guān)負(fù)責(zé)人來做訪談，講述該公司是怎么scale的。最新兩期分別請到了雅虎的梅姐和airbnb創(chuàng)始人Brian Chesky。.

• 《Natural Language Understanding with Distributed Representation》

介紹:基于分布式表示的自然語言理解(100+頁),論文.

• 《Recommender Systems Handbook》

介紹:推薦系統(tǒng)手冊.

• 《Understanding LSTM Networks》

介紹:理解LSTM網(wǎng)絡(luò)翻譯.

• 《Machine Learning at Quora》

介紹:機(jī)器學(xué)習(xí)在quora中的應(yīng)用.

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

介紹:思維學(xué)習(xí)——RL+RNN算法信息論.

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

介紹:數(shù)據(jù)科學(xué)家畢業(yè)后繼續(xù)學(xué)習(xí)的5種方式.

• 《Deep Learning in Neural Networks: An Overview》

介紹:深度學(xué)習(xí)在神經(jīng)網(wǎng)絡(luò)的應(yīng)用.

• 《Contextual Learning》

介紹:上下文學(xué)習(xí),代碼.

• 《Machine Learning For Complete Beginners》

介紹:機(jī)器學(xué)習(xí)零基礎(chǔ)入門,代碼.

• 《2015年中國計(jì)算機(jī)學(xué)會(huì)（CCF）優(yōu)秀博士學(xué)位論文》

介紹:2015年度CCF優(yōu)秀博士學(xué)位論文獎(jiǎng)?wù)撐牧斜?

• 《Learning to Hash Paper, Code and Dataset》

介紹:Learning to Hash Paper, Code and Dataset.

• 《Neural networks with Theano and Lasagne》

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

• 《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)講義》

介紹:復(fù)旦大學(xué)邱錫鵬老師編寫的神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)講義,ppt.

• 《Microsoft Open Sources Distributed Machine Learning Toolkit》

介紹:微軟亞洲研究院開源分布式機(jī)器學(xué)習(xí)工具包.

• 《語音識別的技術(shù)原理是什么？》

介紹:語音識別的技術(shù)原理淺析

• 《Michael I. Jordan》

介紹:邁克爾·I.喬丹的主頁.根據(jù)主頁可以找到很多資源。邁克爾·I.喬丹是知名的計(jì)算機(jī)科學(xué)和統(tǒng)計(jì)學(xué)學(xué)者，主要研究機(jī)器學(xué)習(xí)和人工智能。他的重要貢獻(xiàn)包括指出了機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)之間的聯(lián)系，并推動(dòng)機(jī)器學(xué)習(xí)界廣泛認(rèn)識到貝葉斯網(wǎng)絡(luò)的重要性。

• 《Geoff Hinton》

介紹:杰弗里·埃弗里斯特·辛頓 FRS是一位英國出生的計(jì)算機(jī)學(xué)家和心理學(xué)家，以其在神經(jīng)網(wǎng)絡(luò)方面的貢獻(xiàn)聞名。辛頓是反向傳播算法和對比散度算法的發(fā)明人之一，也是深度學(xué)習(xí)的積極推動(dòng)者.通過他的主頁可以發(fā)掘到很多Paper以及優(yōu)秀學(xué)生的paper,此外推薦他的學(xué)生Yann Lecun主頁

• 《Yoshua Bengio》

介紹:Yoshua Bengio是機(jī)器學(xué)習(xí)方向的牛人,如果你不知道可以閱讀對話機(jī)器學(xué)習(xí)大神Yoshua Bengio（上）,對話機(jī)器學(xué)習(xí)大神Yoshua Bengio（下）

• 《Large Scale Deep Learning within google》

介紹:google大規(guī)模深度學(xué)習(xí)應(yīng)用演進(jìn)

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

介紹:MIT出版的深度學(xué)習(xí)電子書,公開電子書

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

介紹:深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取特征的數(shù)學(xué)理論

• 《Microsoft Research Asia：Kaiming He》

介紹:推薦微軟亞洲研究院何愷明主頁

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

介紹:《語音與語言處理》第三版(草稿)

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

介紹:Stanford新課"計(jì)算詞匯語義學(xué)"

• 《上海交大張志華老師的統(tǒng)計(jì)機(jī)器學(xué)習(xí)與機(jī)器學(xué)習(xí)導(dǎo)論視頻》

介紹:上海交大張志華老師的統(tǒng)計(jì)機(jī)器學(xué)習(xí)與機(jī)器學(xué)習(xí)導(dǎo)論視頻鏈接:密碼: r9ak .概率基礎(chǔ)

• 《Computational Linguistics and Deep Learning》

介紹:computational linguistics and deep learning視頻,推薦Deep Learning: An Introduction from the NLP Perspective

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

介紹:(BlackHat2015)深度學(xué)習(xí)應(yīng)用之流量鑒別(協(xié)議鑒別/異常檢測),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),[material](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》

介紹:一個(gè)推薦系統(tǒng)的Java庫

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

介紹:多中心圖的譜分解及其在網(wǎng)絡(luò)入侵檢測中的應(yīng)用(MC-GPCA&MC-GDL)

• 《Computational Statistics in Python》

介紹:用Python學(xué)計(jì)算統(tǒng)計(jì)學(xué)

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

介紹:datumbox-framework——Java的開源機(jī)器學(xué)習(xí)框架，該框架重點(diǎn)是提供大量的機(jī)器學(xué)習(xí)算法和統(tǒng)計(jì)檢驗(yàn)，并能夠處理中小規(guī)模的數(shù)據(jù)集

• 《Awesome Recurrent Neural Networks》

介紹:遞歸神經(jīng)網(wǎng)絡(luò)awesome系列,涵蓋了書籍,項(xiàng)目,paper等

• 《Pedro Domingos》

介紹:Pedro Domingos是華盛頓大學(xué)的教授,主要研究方向是機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘.在2015年的ACM webinar會(huì)議,曾發(fā)表了關(guān)于盤點(diǎn)機(jī)器學(xué)習(xí)領(lǐng)域的五大流派主題演講.他的個(gè)人主頁擁有很多相關(guān)研究的paper以及他的教授課程.

• 《Video resources for machine learning》

介紹:機(jī)器學(xué)習(xí)視頻集錦

• 《Deep Machine Learning libraries and frameworks》

介紹:深度機(jī)器學(xué)習(xí)庫與框架

• 《大數(shù)據(jù)/數(shù)據(jù)挖掘/推薦系統(tǒng)/機(jī)器學(xué)習(xí)相關(guān)資源》

介紹:這篇文章內(nèi)的推薦系統(tǒng)資源很豐富,作者很有心,摘錄了《推薦系統(tǒng)實(shí)戰(zhàn)》內(nèi)引用的論文.

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

介紹:(天文學(xué))貝葉斯方法/MCMC教程——統(tǒng)計(jì)實(shí)戰(zhàn)

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

介紹:免費(fèi)書:統(tǒng)計(jì)稀疏學(xué)習(xí),作者Trevor Hastie與Rob Tibshirani都是斯坦福大學(xué)的教授,Trevor Hastie更是在統(tǒng)計(jì)學(xué)學(xué)習(xí)上建樹很多

• 《The Evolution of Distributed Programming in R》

介紹:R分布式計(jì)算的進(jìn)化,此外推薦(R)氣候變化可視化,(R)馬爾可夫鏈入門

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

介紹:Nervana Systems在Startup.ML的主題研討會(huì)——情感分析與深度強(qiáng)化學(xué)習(xí)

• 《Understanding Convolution in Deep Learning》

介紹:深度學(xué)習(xí)卷積概念詳解.

• 《Python libraries for building recommender systems》

介紹:Python推薦系統(tǒng)開發(fā)庫匯總.

• 《Neural networks class - Université de Sherbrooke》

介紹:超棒的神經(jīng)網(wǎng)絡(luò)課程，深入淺出介紹深度學(xué)習(xí)，由Hugo Larochelle（Yoshua Bengio的博士生，Geoffrey Hinton之前的博士后）主講，強(qiáng)烈推薦.

• 《CS231n: Convolutional Neural Networks for Visual Recognition》

介紹:斯坦福新課程,面向視覺識別的卷積神經(jīng)網(wǎng)絡(luò)(Fei-Fei Li & Andrej Karpathy),slides+video,homework.

• 《NIPS 2015 Deep Learning Symposium Part I》

介紹:NIPS 2015會(huì)議總結(jié)第一部分,第二部分.

• 《python機(jī)器學(xué)習(xí)入門資料梳理》

介紹:python機(jī)器學(xué)習(xí)入門資料梳理.

• 《Reading Text in the Wild with Convolutional Neural Networks》

介紹:牛津大學(xué)著名視覺幾何組VGG在IJCV16年首卷首期: Reading Text in the Wild with Convolutional Neural Networks,Jaderberg。這篇期刊文章融合了之前兩篇會(huì)議(ECCV14,NIPS14ws)，定位和識別圖片中的文本(叫text spotting)。 端到端系統(tǒng): 檢測Region + 識別CNN。論文、數(shù)據(jù)和代碼.

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

介紹:計(jì)算機(jī)視覺的一個(gè)較大的數(shù)據(jù)集索引, 包含387個(gè)標(biāo)簽，共收錄了314個(gè)數(shù)據(jù)集合，點(diǎn)擊標(biāo)簽云就可以找到自己需要的庫了.

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

介紹:Tombone 對 ICCV SLAM workshop 的總結(jié)： the future of SLAM, SLAM vs deep learning 重點(diǎn)介紹了 monoSLAM 和 LSD-SLAM，而且討論了 feature-based 和 feature-free method 的長短。在全民deep learning做visual perception的時(shí)候，再來讀讀CV中的 geometry.

• 《Python based Deep Learning Framework by Nervana?》

介紹:Nervana Systems的開源深度學(xué)習(xí)框架neon發(fā)布.

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

介紹:ICCV 2015的ImageNet比賽以及MS COCO競賽聯(lián)合研討會(huì)的幻燈片和視頻.

• 《An Introduction to Machine Learning with Python》

介紹:Python機(jī)器學(xué)習(xí)入門.

• 《Neural Enquirer: Learning to Query Tables with Natural Language》

介紹:Neural Enquirer 第二版.

• 《Deep Learning - Taking machine learning to the next level》

介紹:[Google]基于TensorFlow的深度學(xué)習(xí)/機(jī)器學(xué)習(xí)課程.

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

介紹:R-bloggers網(wǎng)站2015"必讀"的100篇文章,R語言學(xué)習(xí)的福音.

• 《Machine Learning: a Probabilistic Perspective》

介紹:推薦書籍:<機(jī)器學(xué)習(xí)：概率視角>,樣章Undirected graphical models Markov random fields.

• 《Deep learning Book》

介紹:這是一本在線的深度學(xué)習(xí)書籍,合著者有Ian Goodfellow, Yoshua Bengio 和 Aaron Courville.如果你是一位新入門的學(xué)員可以先看這本書籍Yoshua Bengio: How can one get started with machine learning?.中文譯本

• 《UFLDL Recommended Readings》

介紹:UFLDL推薦的深度學(xué)習(xí)閱讀列表.

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

介紹:紐約州立大學(xué)布法羅分校2015年春季機(jī)器學(xué)習(xí)課程主頁.

• 《Theano is a Deep learning Python library 》

介紹: Theano是主流的深度學(xué)習(xí)Python庫之一，亦支持GPU,入門比較難.推薦Theano tutorial,Document

• 《Statistical Language Models Based On Neural Networks》

介紹:博士論文:神經(jīng)網(wǎng)絡(luò)統(tǒng)計(jì)語言模型.

• 《文本數(shù)據(jù)的機(jī)器學(xué)習(xí)自動(dòng)分類方法(上)》

介紹:文本數(shù)據(jù)的機(jī)器學(xué)習(xí)自動(dòng)分類方法(下).

• 《Pixel Recurrent Neural Networks》

介紹:用RNN預(yù)測像素，可以把被遮擋的圖片補(bǔ)充完整.

• 《Computational Network Toolkit (CNTK)》

介紹:微軟研究院把其深度學(xué)習(xí)工具包CNTK,想進(jìn)一步了解和學(xué)習(xí)CNTK的同學(xué)可以看前幾天公布的《CNTK白皮書》An Introduction to Computational Networks and the Computational Network Toolkit.

• 《Kalman and Bayesian Filters in Python》

介紹: 卡爾曼濾波器教材，用盡量少的數(shù)學(xué)和推導(dǎo)，傳授直覺和經(jīng)驗(yàn)，全部Python示例，內(nèi)容覆蓋卡爾曼濾波器、擴(kuò)展卡爾曼濾波，無跡卡爾曼濾波等，包括練習(xí)和參考答案

• 《Statistical inference for data science》

介紹:在線免費(fèi)書:面向數(shù)據(jù)科學(xué)的統(tǒng)計(jì)推斷，R示例代碼，很不錯(cuò)GitHub.

• 《Learning Deep Architectures for AI》

介紹:這本書是由Yoshua Bengio撰寫的教程,其內(nèi)容包含了學(xué)習(xí)人工智能所使用的深度學(xué)習(xí)架構(gòu)的學(xué)習(xí)資源,書中的項(xiàng)目已停止更新DeepLearnToolbox.

• 《Machine Learning Tutorials》

介紹:這是一份機(jī)器學(xué)習(xí)和深度學(xué)習(xí)教程，文章和資源的清單。這張清單根據(jù)各個(gè)主題進(jìn)行撰寫，包括了許多與深度學(xué)習(xí)有關(guān)的類別、計(jì)算機(jī)視覺、加強(qiáng)學(xué)習(xí)以及各種架構(gòu).

• 《Data science ipython notebooks》

介紹:這是由Donne Martin策劃收集的IPython筆記本。話題涵蓋大數(shù)據(jù)、Hadoop、scikit-learn和科學(xué)Python堆棧以及很多其他方面的內(nèi)容。至于深度學(xué)習(xí)，像是TensorFlow、Theano和Caffe之類的框架也均被涵蓋其中，當(dāng)然還有相關(guān)的特定構(gòu)架和概念等.

• 《Open Source Deep Learning Server》

介紹:開源的深度學(xué)習(xí)服務(wù),DeepDetect是C++實(shí)現(xiàn)的基于外部機(jī)器學(xué)習(xí)/深度學(xué)習(xí)庫（目前是Caffe）的API。給出了圖片訓(xùn)練（ILSVRC）和文本訓(xùn)練（基于字的情感分析，NIPS15）的樣例，以及根據(jù)圖片標(biāo)簽索引到ElasticSearch中g(shù)ithub.

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

介紹:這是國外的一個(gè)科技頻道,涵蓋了數(shù)據(jù)挖掘,分析以及數(shù)據(jù)科學(xué)類的文章.偶爾還有機(jī)器學(xué)習(xí)精選.

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

介紹:經(jīng)典論文:數(shù)據(jù)挖掘與統(tǒng)計(jì)學(xué).

• 《(NIPS’2015 Tutorial)Yoshua Bengio深度學(xué)習(xí)》

介紹:NIPS’2015 Tutorial by Yoshua Bengio.

• 《(NENO:Python based Deep Learning Framework》

介紹:Nervana Systems的開源深度學(xué)習(xí)框架neon發(fā)布.

• 《(Matt Might:Reading for graduate students》

介紹:猶他州大學(xué)Matt Might教授推薦的研究生閱讀清單.

• 《Awesome Public Datasets》

介紹:開放數(shù)據(jù)集.

• 《Introduction to Probability - The Science of Uncertainty》

介紹:(edX)不確定性的科學(xué)——概率論導(dǎo)論(MITx).

• 《R software and tools for everyday use》

介紹:R語言開發(fā)常用軟件/工具推薦.

• 《Implementing Dynamic memory networks》

介紹:動(dòng)態(tài)記憶網(wǎng)絡(luò)實(shí)現(xiàn).

• 《Deeplearning4j 中文主頁》

介紹:英文主頁

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

介紹:50個(gè)大數(shù)據(jù)分析最佳學(xué)習(xí)資源(課程、博客、教程等)

• 《A Full Hardware Guide to Deep Learning》

介紹:深度學(xué)習(xí)的全面硬件指南，從GPU到RAM、CPU、SSD、PCIe,譯文

• 《Deep Residual Networks》

介紹:kaiming開源作品

• 《The Definitive Guide to Natural Language Processing》

介紹:自然語言處理(NLP)權(quán)威指南

• 《Evaluating language identification performance》

介紹:如何在社會(huì)媒體上做語言檢測？沒有數(shù)據(jù)怎么辦？推特官方公布了一個(gè)十分難得的數(shù)據(jù)集：12萬標(biāo)注過的Tweets，有70種語言

• 《ICLR 2016 Accepted Papers》

介紹:深度學(xué)習(xí)和機(jī)器學(xué)習(xí)重要會(huì)議ICLR 2016錄取文章

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

介紹:機(jī)器學(xué)習(xí)——深度非技術(shù)指南

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

介紹:數(shù)據(jù)敘事入門指南——?jiǎng)?chuàng)意生成/數(shù)據(jù)采集/內(nèi)容設(shè)計(jì)相關(guān)資源推薦

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

介紹:WikiTableQuestions——復(fù)雜真實(shí)問答數(shù)據(jù)集

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

介紹:(2016版)35個(gè)超棒的免費(fèi)大數(shù)據(jù)源

• 《SPARKNET: training deep networks in spark》

介紹:Ion Stoica和 Michael I. Jordan兩位大家首次聯(lián)手發(fā)文，CAFFE和SPARK完美結(jié)合，分布式深度學(xué)習(xí)混搭模式！github

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

介紹:深度學(xué)習(xí)(分類)文獻(xiàn)集

• 《Learning Deep Learning》

介紹:深度學(xué)習(xí)閱讀列表

• 《Awesome42 The easiest way to find R packages》

介紹:探索R包的好網(wǎng)站Awesome 42

• 《MLbase:Distributed Machine Learning Made Easy》

介紹:MLbase是Prof. Dr. Tim Kraska的一個(gè)研究項(xiàng)目，MLbase是一個(gè)分布式機(jī)器學(xué)習(xí)管理系統(tǒng)

• 《Deep Learning At Scale and At Ease》

介紹:分布式深度學(xué)習(xí)平臺SINGA介紹

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

介紹:Spark視頻集錦

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

介紹:R語言深度學(xué)習(xí)第一節(jié):從零開始

• 《A Visual Introduction to Machine Learning》

介紹:圖解機(jī)器學(xué)習(xí)

• 《Citation Network Dataset》

介紹:AMiner論文引用數(shù)據(jù)集(v7:2,244,021 papers and 4,354,534 citation relationships)

• 《Best Free Machine Learning Ebooks》

介紹:10本最佳機(jī)器學(xué)習(xí)免費(fèi)書

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

介紹:ICCV15視頻集

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

介紹::(Yahoo)基于Hadoop/Spark的分布式Caffe實(shí)現(xiàn)CaffeOnSpark

• 《A Short Introduction to Learning to Rank》

介紹:Learning to Rank簡介

• 《Global Deep learning researcher》

介紹:全球深度學(xué)習(xí)專家列表,涵蓋研究者主頁

• 《Top Spark Ecosystem Projects》

介紹:Spark生態(tài)頂級項(xiàng)目匯總

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

介紹:ACM IUI'16論文集Conference Navigator - Proceedings

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

介紹:深入機(jī)器學(xué)習(xí),2,3,4

• 《Oxford Deep Learning》

介紹:Nando de Freitas在 Oxford 開設(shè)的深度學(xué)習(xí)課程,課程youtube地址,Google DeepMind的研究科學(xué)家,此外首頁:computervisiontalks的內(nèi)容也很豐富,如果你是做機(jī)器視覺方面的研究,推薦也看看其他內(nèi)容.肯定收獲也不小.還有,這位youtube主頁頂過的視頻也很有份量

• 《Neural Networks for Machine Learning》

介紹:Geoffrey Hinton在Coursera開設(shè)的MOOC

• 《Deep Learning News》

介紹:深度學(xué)習(xí)領(lǐng)域的Hacker news.緊跟深度學(xué)習(xí)的新聞、研究進(jìn)展和相關(guān)的創(chuàng)業(yè)項(xiàng)目。從事機(jī)器學(xué)習(xí),深度學(xué)習(xí)領(lǐng)域的朋友建議每天看一看

• 《Maxout Networks》

介紹:Maxout網(wǎng)絡(luò)剖析

• 《Advances in Neural Information Processing Systems》

介紹:NIPS領(lǐng)域的會(huì)議paper集錦

• 《Machine learning applications in genetics and genomics》

介紹:機(jī)器學(xué)習(xí)在生物工程領(lǐng)域的應(yīng)用,如果你從事生物工程領(lǐng)域,可以先閱讀一篇文章詳細(xì)介紹

• 《Deep Learning in Bioinformatics》

介紹:深度學(xué)習(xí)在生物信息學(xué)領(lǐng)域的應(yīng)用

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

介紹:一些關(guān)于機(jī)器學(xué)習(xí)需要知道知識,對于剛剛?cè)腴T機(jī)器學(xué)習(xí)的同學(xué)應(yīng)該讀一讀

• 《Cambridge Machine Learning Group》

介紹:劍橋大學(xué)機(jī)器學(xué)習(xí)用戶組主頁,網(wǎng)羅了劍橋大學(xué)一些機(jī)器學(xué)習(xí)領(lǐng)域?qū)＜遗c新聞

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

介紹:Randy Olson's的一些數(shù)據(jù)分析與機(jī)器學(xué)習(xí)項(xiàng)目庫,是學(xué)習(xí)實(shí)踐的好材料

• 《GoLearn:Golang machine learning library》

介紹:Golang機(jī)器學(xué)習(xí)庫,簡單,易擴(kuò)展

• 《Swift Ai》

介紹:用Swift開發(fā)蘋果應(yīng)用的倒是很多，而用來做機(jī)器學(xué)習(xí)的就比較少了.Swift Ai在這方面做了很多聚集.可以看看

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

介紹:如何向一位5歲的小朋友解釋支持向量機(jī)(SVM)

• 《reddit Machine learning》

介紹: reddit的機(jī)器學(xué)習(xí)欄目

• 《ComputerVision resource》

介紹: 計(jì)算機(jī)視覺領(lǐng)域的一些牛人博客，超有實(shí)力的研究機(jī)構(gòu)等的網(wǎng)站鏈接.做計(jì)算機(jī)視覺方向的朋友建議多關(guān)注里面的資源

• 《Multimedia Laboratory Homepage》

介紹:香港中文大學(xué)深度學(xué)習(xí)研究主頁,此外研究小組對2013年deep learning 的最新進(jìn)展和相關(guān)論文做了整理,其中useful links的內(nèi)容很受益

• 《Search Engines that Learn from Their Users》

介紹: 這是一篇關(guān)于搜索引擎的博士論文,對現(xiàn)在普遍使用的搜索引擎google，bing等做了分析.對于做搜索類產(chǎn)品的很有技術(shù)參考價(jià)值

• 《Deep Learning Books》

介紹: 深度學(xué)習(xí)書籍推薦(畢竟這類書比較少).

• 《Towards Bayesian Deep Learning: A Survey》

介紹: 貝葉斯定理在深度學(xué)習(xí)方面的研究論文.

• 《Revisiting Distributed Synchronous SGD》

介紹: 來自谷歌大腦的重溫分布式梯度下降.同時(shí)推薦大規(guī)模分布式深度網(wǎng)絡(luò)

• 《Research Issues in Social Computing》

介紹: 社交計(jì)算研究相關(guān)問題綜述.

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

介紹: 社交計(jì)算應(yīng)用領(lǐng)域概覽,里面有些經(jīng)典論文推薦

• 《Collaborative Filtering Recommender Systems》

介紹: 協(xié)同過濾在推薦系統(tǒng)應(yīng)用.

• 《Content-Boosted Collaborative Filtering for Improved Recommendations》

介紹: 協(xié)同過濾在內(nèi)容推薦的研究.

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

介紹: 協(xié)同過濾經(jīng)典論文.

• 《Item-based Collaborative Filtering Recommendation Algorithms》

介紹: 協(xié)同過濾算法.

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

介紹: 亞馬遜對于協(xié)同過濾算法應(yīng)用.

• 《Collaborative Filtering for Implicit Feedback Datasets》

介紹: 協(xié)同過濾的隱式反饋數(shù)據(jù)集處理.

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

介紹: 計(jì)算機(jī)圖形，幾何等論文，教程，代碼.做計(jì)算機(jī)圖形的推薦收藏.

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

介紹: 推薦哥倫比亞大學(xué)課程，稀疏表示和高維幾何.12年由Elsevier、13年至今由PAMI(仍由Elsevier贊助)設(shè)立的青年研究者獎(jiǎng)(Young Researcher Award)授予完成博士學(xué)位后七年內(nèi)取得杰出貢獻(xiàn)的；由CV社區(qū)提名，在CVPR會(huì)議上宣布。2015年得主是哥大助理教授John Wright，09年《健壯人臉識別的稀疏表示法》引用已超5K.

• 《Software engineer how to learning Machine learning》

介紹: CMU機(jī)器學(xué)習(xí)系著名教授Alex Smola在Quora對于《程序員如何學(xué)習(xí)Machine Learning》的建議：Alex推薦了不少關(guān)于線性代數(shù)、優(yōu)化、系統(tǒng)、和統(tǒng)計(jì)領(lǐng)域的經(jīng)典教材和資料.

• 《Book review: Fundamentals of Deep Learning》

介紹: 書籍推薦,深度學(xué)習(xí)基礎(chǔ).源碼

• 《Learning from Big Code》

介紹: 軟件工程領(lǐng)域現(xiàn)在也對機(jī)器學(xué)習(xí)和自然語言處理很感興趣，有人推出了“大代碼”的概念，分享了不少代碼集合，并且覺得ML可以用在預(yù)測代碼Bug，預(yù)測軟件行為，自動(dòng)寫新代碼等任務(wù)上。大代碼數(shù)據(jù)集下載

• 《Object Detection》

介紹: 深度學(xué)習(xí)進(jìn)行目標(biāo)識別的資源列表：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)》

介紹: Yann LeCun 2016深度學(xué)習(xí)課程的幻燈片（Deep Learning Course by Yann LeCun at Collège de France 2016）百度云密碼: cwsm?原地址

• 《Stanford HCI Group》

介紹: 斯坦福人機(jī)交互組五篇CHI16文章。1.眾包激勵(lì)機(jī)制的行為經(jīng)濟(jì)學(xué)研究：批量結(jié)算比單任務(wù)的完成率高。2.在眾包專家和新手間建立聯(lián)系：微實(shí)習(xí)。3.詞嵌入結(jié)合眾包驗(yàn)證的詞匯主題分類（如貓、狗屬于寵物）。4.詞嵌入結(jié)合目標(biāo)識別的活動(dòng)預(yù)測。5.鼓勵(lì)出錯(cuò)以加快眾包速度。

• 《Learn Data Science》

介紹: 自學(xué)數(shù)據(jù)科學(xué)

• 《CS224D Lecture 7 - Introduction to TensorFlow》

介紹: 本課是CS224D一節(jié)介紹TensorFlow課程，ppt,DeepDreaming with TensorFlow

• 《Leaf - Machine Learning for Hackers》

介紹: Leaf是一款機(jī)器學(xué)習(xí)的開源框架，專為黑客打造，而非為科學(xué)家而作。它用Rust開發(fā)，傳統(tǒng)的機(jī)器學(xué)習(xí)，現(xiàn)今的深度學(xué)習(xí)通吃。Leaf

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

介紹:?GTC 2016視頻，MXnet的手把手深度學(xué)習(xí)tutorial,相關(guān)參考資料MXNet Tutorial for NVidia GTC 2016.

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

介紹: OpenAI Gym：開發(fā)、比較強(qiáng)化學(xué)習(xí)算法工具箱

• 《conference-iclr-2016 Papers and Code》

介紹: 機(jī)器學(xué)習(xí)會(huì)議ICLR 2016 論文的代碼集合

• 《probabilistic graphical models principles and techniques》

介紹: 此書是斯坦福大學(xué)概率圖模型大牛Daphne Koller所寫，主要涉及的是貝葉斯網(wǎng)絡(luò)和馬爾科夫邏輯網(wǎng)絡(luò)的learning和inference問題，同時(shí)又對PGM有深刻的理論解釋，是學(xué)習(xí)概率圖模型必看的書籍。難度中上，適合有一些ML基礎(chǔ)的研究生.[備份地址](https://vk.com/doc168073_304660839?hash=39a33dd8aa6b141d8a&dl=b6674

• 《BigDL: Distributed Deep learning on Apache Spark》

介紹: Spark分布式深度學(xué)習(xí)庫BigDL

• 《Machine Learning and Cyber Security Resources》

介紹: 這是一份關(guān)于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘在網(wǎng)絡(luò)安全方面應(yīng)用的資源帖，包含了一些重要的站點(diǎn)，論文，書籍,斯坦福課程以及一些有用的教程.

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

介紹: 麻省理工學(xué)院（MIT）開設(shè)課程.S094：自主駕駛汽車的深度學(xué)習(xí)

• 《ICML 2016 Conference and Workshops Video》

介紹: ICML 2016視頻集錦

• 《機(jī)器學(xué)習(xí)Machine-Learning》

介紹: 機(jī)器學(xué)習(xí)推薦學(xué)習(xí)路線及參考資料

• 《TensorFlow and deep learning, without a PhD》

介紹:新手入門，通過TensorFlow入門深度學(xué)習(xí)

• 《How To Get Into Natural Language Processing》

介紹: 自然語言處理(NLP)入門指南

• 《Deep learning and the Schr?dinger equation》

介紹:通過神經(jīng)網(wǎng)絡(luò)跳過數(shù)值方法求解薛定諤方程。

• 《Recent Advances in Distributed Machine Learning》

介紹:微軟亞洲研究院的劉鐵巖等人近日在AAAI 2017上做的有關(guān)優(yōu)化以及大規(guī)模機(jī)器學(xué)習(xí)的Tutorial。很值得一看。里面對傳統(tǒng)的優(yōu)化算法，特別是一些理論特性以及分布式算法的相應(yīng)理論特性都有一個(gè)比較詳盡的總結(jié)。非常適合想快速了解這些領(lǐng)域的學(xué)者和工程師。另外，這個(gè)Tutorial還介紹了DMTK的一些情況，作為一個(gè)分布式計(jì)算平臺的優(yōu)缺點(diǎn)，還順帶比較了Spark和TensorFlow等流行框架。

• 《Deep Learning Implementations and Frameworks (DLIF)》

介紹:AAAI 2017的Tutorial，專門講述了深度學(xué)習(xí)框架的設(shè)計(jì)思想和實(shí)現(xiàn)，比較若干種流行框架（Caffe、MXNet、TensorFlow、Chainer等）的性能和異同。

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

介紹:雅虎開源基于spark與TensorFlow的分布式數(shù)據(jù)深度學(xué)習(xí)框架,博文介紹

• 《Deconstruction with Discrete Embeddings》

介紹:用離散嵌入解構(gòu)模糊數(shù)據(jù)

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

介紹:視頻發(fā)布：自然場景可靠機(jī)器學(xué)習(xí)(NIPS 2016 Workshop)

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

介紹:Google發(fā)布大規(guī)模音頻數(shù)據(jù)集

• 《5 algorithms to train a neural network》

介紹:訓(xùn)練神經(jīng)網(wǎng)絡(luò)的5種算法

• 《Course notes for CS224N Winter17》

介紹:筆記：斯坦福CS224n深度學(xué)習(xí)NLP課程(2017)

• 《Persontyle Workshop for Applied Deep Learning》

介紹:倫敦深度學(xué)習(xí)研討會(huì)資料

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

介紹:論文導(dǎo)讀：深度神經(jīng)網(wǎng)絡(luò)理解、泛化與遷移學(xué)習(xí),acolyer blog上還有很多經(jīng)典推薦可以閱讀

• 《An Introduction to MCMC for Machine Learning》

介紹:面向機(jī)器學(xué)習(xí)的馬爾科夫鏈蒙特卡洛(MCMC)

• 《Awesome Deep learning papers and other resources》

介紹:深度學(xué)習(xí)論文與資源大列表(論文、預(yù)訓(xùn)練模型、課程、圖書、軟件、應(yīng)用、相關(guān)列表等)

• 《Datasets for Natural Language Processing》

介紹:自然語言處理NLP數(shù)據(jù)集列表

• 《Machine Learning for Software Engineers》

介紹:軟件工程師的機(jī)器學(xué)習(xí)

• 《Quantitative Finance resources》

介紹:量化金融(Quants)資源列表

• 《What Computers Still Can't Do.》

介紹:《計(jì)算機(jī)仍然不能做什么——人工理性批判》MIT版導(dǎo)言

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

介紹:谷歌發(fā)論文詳解TPU

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

介紹:2017年ICWSM會(huì)議論文合集，業(yè)內(nèi)對它的評價(jià)是:"算是最頂級也是最早的有關(guān)社會(huì)計(jì)算的會(huì)議"。里面的論文大部分是研究社交網(wǎng)絡(luò)的，例如twitter，emoji，游戲。對于社交媒體來說內(nèi)容還是挺前沿的。如果你是做社會(huì)計(jì)算的還是可以看看。畢竟是行業(yè)內(nèi)數(shù)一數(shù)二的會(huì)議。對了，只要是你知道名字的有名社交媒體都有投稿.[陌陌不算]

• 《NTUEE ML 2017》

介紹:臺大李宏毅中文機(jī)器學(xué)習(xí)課程(2017)

• 《TensorFlow Dev Summit 2017》

介紹:2017 TensorFlow 開發(fā)者峰會(huì)(中文字幕)

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

介紹:斯坦福2017季CS231n深度視覺識別課程視頻

?

?

轉(zhuǎn)自?https://github.com/ty4z2008/Qix/blob/master/dl.md

轉(zhuǎn)載于:https://www.cnblogs.com/WCFGROUP/p/7490592.html

總結(jié)

以上是生活随笔為你收集整理的机器学习(Machine Learning)深度学习(Deep Learning)资料的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。