菜单

生物科技机上及深度上资料

2018年11月14日 - 生物科技

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

介绍:这是瑞士人工智能实验室Jurgen
Schmidhuber写的新式版本《神经网络与深上综述》本综述的风味是盖日排序,从1940年起来讲话起,到60-80年间,80-90年间,一直讲到2000年晚与近年来几乎年的进行。涵盖了deep
learning里各种tricks,引用非常全面.

介绍:这是如出一辙份python机器上库,如果您是均等各项python工程师而且想深入的学习机器学习.那么这篇文章或会协助到你.

介绍:这无异于篇介绍如果规划与管制属于你协调的机上型之稿子,里面提供了保管模版、数据管理及执行方法.

介绍:如果您还非清楚什么是机器上,或则是刚上感觉到非常枯燥乏味。那么推荐一朗诵。这篇稿子都给翻译成汉语,如果发生趣味可以运动http://blog.jobbole.com/67616/

介绍:R语言是机械上的要语言,有很多之心上人想深造R语言,但是接连忘记一些函数和根本字之义。那么就首文章或能够拉及你

介绍:我该如何选机器上算法,这首文章于直观的较了Naive
Bayes,Logistic
Regression,SVM,决策树等艺术的三六九等,另外讨论了范本大小、Feature与Model权衡等题材。此外还有已翻了底本:http://www.52ml.net/15063.html

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

介绍:<机器上与优化>这是平等如约机器上的小册子,
短短300基本上页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有一样垛坨公式的烦恼. 适合新手入门打基础, 也顺应老手温故而知新.
比由MLAPP/PRML等大部头,
也许就按照你又需!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

介绍:作者是源于百度,不过他自就于2014年4月份申请离职了。但是就首稿子非常不利如果您不清楚深度上与支持于量机/统计上理论有啊关联?那么应该马上看看这篇文章.

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

介绍:信息时代的处理器科学理论,目前国内发生纸质书购买,iTunes购买

介绍:这是同随由雪城大学新编的第二版本《数据对入门》教材:偏实用型,浅显易懂,适合想学R语言的同校选读。

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

介绍:不会见统计怎么收拾?不明白如何挑选合适的统计模型怎么惩罚?那就首文章你的漂亮读一朗诵了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了相同首有关automatic
statistician的章。可以活动选择回归模型类别,还会活动写报告…

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

介绍:这是同一按信息搜索相关的书,是由斯坦福Manning暨谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最被欢迎之音讯搜索教材之一。最近作者多了该课程的幻灯片和学业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

介绍:Deniz Yuret用10摆设好的希冀来说明机器上要概念:1. Bias/Variance
Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature
combination 5. Irrelevant feature 6. Basis function 7. Discriminative /
Generative 8. Loss function 9. Least squares 10. Sparsity.很鲜明

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

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

介绍:机器上最佳入门学习资料汇集是总揽为机械上新大家推荐的上品学习资源,帮助新家快速入门。而且这首文章的介绍都为翻成中文版。如果你小熟悉,那么我提议乃先押无异扣中文的介绍。

介绍:主要是本着Bengio的PAMI
review的章找出来的。包括几据综述文章,将近100篇论文,各位山头们的Presentation。全部还可以于google上找到。

介绍:这是同一按照图书,主要介绍的凡跨语言信息寻找方面的知。理论很多

介绍:本文共有三独密密麻麻,作者是根源IBM的工程师。它至关重要介绍了推介引擎相关算法,并帮助读者很快之兑现这些算法。
探讨推荐引擎内部的秘闻,第 2 组成部分: 深度推荐引擎相关算法 –
协同过滤,追推荐引擎内部的绝密,第
3 部分: 深度推荐引擎相关算法 –
聚类

介绍:康奈尔大学信息科学有关助手教授David
Mimno写的《对机械上新大家的少数建议》,
写的不得了实在,强调实行与理论做,最后还引述了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

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

介绍:【“机器上”是什么?】John
Platt是微软研究院独立科学家,17年来他径直于机械上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定举办博客,向群众介绍机器上的研究进展。机器上是啊,被采取在乌?来拘禁Platt的立刻首博文

介绍:2014年国际机器上大会(ICML)已经被6月21-26日以国会着力繁华举办。本次大会由微软亚洲研究院和清华大学一道主办,是这富有30基本上年历史并著名世界的机上世界的盛会首赖到华,已成功吸引世界1200多各类学者的报名参与。干货很多,值得深刻上下

介绍:这篇文章主要是坐Learning to
Rank为条例说明企业界机器上之具体用,RankNet对NDCG之类不灵敏,加入NDCG因素后化作了LambdaRank,同样的合计从神经网络改吧使用及Boosted
Tree模型就成功了LambdaMART。Chirs
Burges,微软的机械上大神,Yahoo
2010 Learning to Rank
Challenge第一称为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
除此以外,Burges还有许多名的代表作,比如:A Tutorial on Support Vector
Machines for Pattern
Recognition
Some Notes on Applied Mathematics for Machine
Learning

介绍:100 Best GitHub: Deep Learning

介绍:本学科将阐述无监控特征上与深上的最主要意见。通过学习,你啊将促成多个作用学/深度上算法,能看到她也公工作,并学习怎么样使用/适应这些想法及新题材及。本学科假定机器上的基本知识(特别是熟悉的督查上,逻辑回归,梯度下降的想法),如果您莫熟识这些想法,我们建议你失去这里机上课程,并先成功第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已起python版本了UFLDL
Tutorial
Code

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

介绍:这卖文档来自微软研究院,精髓多。如果欲了掌握,需要肯定的机上基础。不过小地方会为人口前相同亮,毛塞顿开。

介绍:这是如出一辙首介绍图像卷积运算的稿子,讲的都算是比较详细的了

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

介绍:一个顶尖级完整的机械上开源库总结,如果你认为这个碉堡了,那后面是列表会又叫你好奇:【Awesome
Awesomeness】,国内都起热心的爱人进行了翻华语介绍,机上数据挖掘免费电子书

介绍:ACL候任主席、斯坦福大学处理器系Chris
Manning教授的《自然语言处理》课程有视频都足以当斯坦福公然课网站上看到了(如Chrome不行,可用IE观看)
作业和考试呢可以下载。

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

介绍:利用卷积神经网络做音乐推荐。

介绍:神经网络的免费于线书,已经勾勒了三节了,还有相应的开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的佛法。

介绍:Java机器上相关平台与开源之机上库,按照大数额、NLP、计算机视觉及Deep
Learning分类开展了整理。看起很全的,Java爱好者值得珍藏。

介绍:机器上太中心的入门文章,适合零基础者

介绍:机器上之算法很多。很多时刻困惑人们都是,很多算法是一样看似算法,而聊算法又是于旁算法中拉开出的。这里,我们从简单只地方来叫大家介绍,第一独面是读书的计,第二个点是算法的类似性。

介绍:看问题你曾知晓了凡什么内容,没错。里面来许多经典的机上论文值得仔细跟数的看。

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

介绍:总结了机器上之经典书籍,包括数学基础与算法理论的图书,可做也入门参考书单。

介绍:16按机器上的电子书,可以下载下来当pad,手机方面任意时刻去阅读。不多己提议乃看了一随再下充斥同随。

介绍:标题非常十分,从新手到学者。不过看罢上面有材料。肯定是师了

介绍:入门的书真的坏多,而且自既帮助您摸手拉手了。

介绍:Sibyl 是一个监督式机器上系统,用来解决预测方面的题目,比如
YouTube 的视频推荐。

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

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

介绍:计算机视觉入门的前景目标检测1(总结)

介绍:计算机视觉入门的行人检测

介绍:Important resources for learning and understanding . Is awesome

介绍:这还要是均等篇机器上新专家的入门文章。值得一朗诵

介绍:在线Neural Networks and Deep Learning电子书

介绍:python的17独关于机器上之家伙

介绍:下集在这边神乎其神之伽玛函数(下)

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后每当google任研究。这篇稿子王益博士7年来打谷歌到腾讯对于分布机器上之见闻。值得细读

介绍:把机器上提升的级别分为0~4层,每级需要上学之读本以及控制的知。这样,给机器学习者提供一个更上一层楼的路径图,以免走弯路。另外,整个网站都是有关机器上的,资源非常丰富。

介绍:机器上各个方向概括的网站

介绍:深度上经验资源列表

介绍:这是一律遵循来自小的研究员 li Peng和Dong
Yu所展示的有关深度上的点子及以的电子书

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

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

介绍:谷歌研究院的Christian
Szegedy在谷歌研究院的博客上大概地介绍了她们当年列席ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。

介绍:贝叶斯学习。如果不是十分绝望可省概率编程语言和贝叶斯方法执行

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

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

介绍:Videolectures上无限受欢迎之25单文本及数量挖掘视频汇总

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

介绍:对话机器上大神Michael Jordan

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

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机械上爱好者非常热情的将这个课程翻译成了中文。如果你英语不好,可以看看是

介绍:因为近两年来,深度上以媒体界被炒作特别厉害(就如那个数量)。其实过多总人口都还非亮堂什么是深度上。这篇稿子由浅入深。告诉你深度学究竟是呀!

介绍:这是斯坦福大学举行的相同免费课程(很勉强),这个得让你当深度上之旅途被您一个学学的思绪。里面涉及了一部分为主的算法。而且告诉你哪些去下至实际条件受到。中文版

介绍:这是多伦多大学开的一个深上用来鉴别图片标签/图转文字的demo。是一个实在用案例。有源码

介绍:机器上型,阅读是情节需发得的功底。

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

介绍:
机器学习的是眼前数解析世界的一个热内容。很多总人口以平常底干活中还或多或遗失会用到机械上的算法。本文为汝总结一下大的机上算法,以供而当干活以及上中参考.

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

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列的(四)

Deep
Learning(深度上)学习笔记整理系列的(五)

Deep
Learning(深度上)学习笔记整理系列的(六)

Deep
Learning(深度上)学习笔记整理系列之(七)

DeepLearning(深度上)学习笔记整理系列之(八)

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

介绍:FudanNLP,这是一个复旦大学计算机学院开发的开源中文自然语言处理(NLP)工具保管
Fudan
NLP里含有中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功用,对寻找引擎
文本分析等多有价。

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

介绍:对于英语不好,但以杀怀念学机器上之对象。是一个生的福利。机器上周刊目前关键提供中文版,还是面向广大国内爱好者,内容涉及机械上、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

介绍:《线性代数》是《机器上》的要数学先导课程。其实《线代》这宗课称得浅显易懂特别非爱,如果同样高达来即摆逆序数及陈行列式性质,很轻吃生去学习的兴趣。我个人推举的顶尖《线性代数》课程是麻省理工Gilbert
Strang教授的课程。
课主页

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

介绍:雅虎邀请了同等称来自本古里什么大学之访问学者,制作了平学关于机器上之层层视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正常机器上算法的争鸣基础知识。

介绍:应本着那个数据时,量子机器上的率先单试验 paper
下载

介绍:Wired杂志报导了UCLA数学博士Chris McKinlay
(图1)通过大数额手段+机器上方式破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定在12只账号,下载了谈情说爱网站2万阴用户之600万题材答案,对她们进行了统计抽样及聚类分析(图2,3),最后竟落了真爱。科技改变命运!

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

介绍:mllib实践经验分享

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

介绍:NLP常用信息资源*
《NLP常用信息资源》

介绍:机器上速查表

介绍:从1996年上马在计算机对的舆论中叫引述次数最多的论文

介绍:把今年底一个ACM Trans. on Graphics
(TOG)论文中之代码整理也一个开源的算法框架,共享出来了。欢迎大家使用。可以实时的募集3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF为会见延续公开。

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好读书她?可以被您于浏览器被,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉你,最佳技巧是,当您起来勾画代码,一切以变得一清二楚。他正好颁布了同一比照图书,不断在线更新

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

介绍:使用Neo4j
做电影评论的情愫分析。

介绍:不仅是材料,而且还针对性小材料做了诠释。

介绍:深度上入门的初级读本

介绍:机器上教会了俺们什么?

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

介绍:乔丹教授(Michael I.
Jordan)教授是机器上园地神经网络的大牛,他针对纵深上、神经网络有着不行深切的兴趣。因此,很多咨询的题目受到含了机械上园地的号模型,乔丹教授对是一一做了诠释及展望。

介绍:A*找是人为智能基本算法,用于高效地找图被简单触及的最佳路径,
核心是 g(n)+h(n):
g(n)是打起点到顶点n的其实代价,h(n)大凡顶点n到目标顶点的估算代价。合集

介绍:本档应用了Microsoft Azure,可以在几划分种内得NLP on Azure
Website的配备,立即开始针对FNLP各种风味的试用,或者以REST
API的花样调用FNLP的语言分析功能

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

介绍:好东西的干货真的多

介绍:从硬件、图像及正常、生物、大数据、生物信息重新届量子计算等,Amund
Tveit等保障了一个DeepLearning.University小项目:收集从2014年初始深度上文献,相信可以看做深度上的起点,github

介绍:EMNLP上有数首关于stock
trend
用到了deep model组织特征;Exploiting Social Relations and Sentiment for
Stock
Prediction用到了stock
network。

介绍:作者是深度上一线很牛Bengio组写的课程,算法深入显出,还有实现代码,一步步拓展。

介绍:许多传统的机上任务还是在求学function,不过谷歌目前时有发生开始学算法的趋势。谷歌另外的及时篇学习Python程序的Learning
to
Execute否闹相似之处

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

介绍:利用机用器学习以谣言的辨认上的下,此外还有点儿只。一个是甄别垃圾和虚假消息之paper.还生一个是纱舆论及其分析技术

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

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

介绍:讲计算机视觉的季部奇书(应该让经典吧)之一,另外三论是Hartley的《多图几哪里》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

介绍:里面基本没有干到现实算法,但作者介绍了CF在LinkedIn的众多行使,以及她们当开推荐过程中得到的有些历。最后一长达经验是应该监控log数据的品质,因为推荐的质不行倚重数据的质地!

介绍:初专家如何查阅自然语言处理(NLP)领域学术材料

介绍:用树莓派和照相机模块进行人脸识别

介绍:如何运用深度上及生数据构建对话系统

介绍:Francis Bach合作的关于稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容涉嫌Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及以图像以及视觉上的使,而且率先有些有关Why does
the l1-norm induce sparsity的讲为要命是。

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

介绍:许多同室对机械上和深度上的迷惑在于,数学方面已约知道了,但是动于手来却休亮哪入手写代码。斯坦福深度上博士Andrej
Karpathy写了扳平篇实战版本的吃水上和机上课程,手把手教您用Javascript写神经网络和SVM.

介绍:【语料库】语料库资源集中

介绍:本文会过相同遍最盛行的机器上算法,大致了解如何方法可用,很有扶持。

介绍:这个里面有那么些关于机器上、信号处理、计算机视觉、深入学、神经网络等领域的大量源代码(或可实行代码)及相关论文。科研写论文的好资源

介绍:NYU 2014年之深度上课程资料,有视频

介绍:计算机视觉数据集不完全集中

介绍:机器上起来源软件

介绍:A Library for Support Vector Machines

介绍:数码挖掘十生经典算法之一

介绍:github上面100单深强的路

介绍:当前加州大学欧文分校为机械上社区保护在306独数据集。询问数据集

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

介绍:Andrej
Karpathy的纵深加深学习演示,舆论在此

介绍:CIKM Cup(或者叫做CIKM Competition)是ACM
CIKM举办的国际数码挖掘竞赛的称谓。

介绍:杰弗里·埃弗里斯特·辛顿
FRS是如出一辙各类英国生的精打细算机学家和心理学家,以该以神经网络方面的献闻名。辛顿是倒转为传来算法和比散度算法的发明人之一,也是深上之积极向上促进者.

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

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

介绍:徐宗本
院士将给爱机器上之小伙伴联手探究有关于机器上的几乎单理论性问题,并于起片产生义的定论。最后经一些实例来说明这些理论问题的情理意义与实际行使价值。

介绍:作者还出示有《这虽是摸索引擎:核心技术详解》一书,主要是介绍应用层的东西

介绍:机器上课程

介绍:人脸识别必读文章援引

介绍:推荐系统经典论文文献

介绍:人脸识别必读文章援引

介绍:第十二届中国”机器上及其应用”研讨会PPT

介绍:统计上是有关电脑基于数构建的票房价值统计模型并使模型对数据开展预测与分析的一样家科学,统计上啊改成统计机器上。课程来自上海交通大学

介绍:机器上之对象是针对性计算机编程,以便使样本数要以往底更来解决给定的问题.

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

介绍:部分国语列表

介绍:此外作者还有一样首元算法、AdaBoost python实现文章

介绍:加州伯克利大学博士Aria
Haghighi写了一致首超赞的数值优化博文,从牛顿法讲到拟牛顿法,再称到BFGS以及L-BFGS,
图文并茂,还有伪代码。强烈推荐。

介绍:还有续集显然深度上方法概述(二)

介绍:R语言程序员私人定制版

介绍:谷歌地图解密

介绍:空间数据挖掘常用方法

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

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

介绍:这文章说管多年来型识别及之突破用及围棋软件及,打16万摆设业棋谱训练模型识别功能。想法是。训练后即亦可不负众望永不计算,只拘留棋盘就为出下一样步,大约10级棋力。但眼看首文章最过乐观,说啊人类的最后一片堡垒马上就要过掉了。话说得太早。不过,如果与别的软件成该还有潜力可开。@万精油墨绿

介绍:UT Austin教授Eric
Price关于今年NIPS审稿实验的详细分析,他代表,根据这次实验的结果,如果今年NIPS重新审稿的口舌,会生一半的舆论被拒。

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

介绍:Python实现线性回归,作者还发另大棒的稿子援引可看

介绍:2014神州那个数量技术大会33各中心专家发言PDF下载

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

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

介绍:Convex Neural Networks 解决维数灾难

介绍:介绍CNN参数在利用bp算法时欠怎么训练,毕竟CNN中发生卷积层和下采样层,虽然同MLP的bp算法本质上平等,但款式上要小区别的,很鲜明在成功CNN反往传来前询问bp算法是得的。此外作者吧做了一个资源集合:机器上,深度上,视觉,数学等

介绍:如果如在相同首文章被相当配十万只根本词怎么处置?Aho-Corasick
算法利用上加了回边的Trie树,能够当线性时间内到位匹配。
但如果配合十万个正则表达式呢 ?
这时刻可用到将多单刚则优化成Trie树的法,如日本人数写的
Regexp::Trie

介绍:深度上阅读清单

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

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

介绍:LambdaNetLambdaNet是出于Haskell实现的一个开源之人工神经网络库,它抽象了网创建、训练并使了高阶函数。该库还提供了相同组预定义函数,用户可应用多种办法组成这些函数来操作实际世界数据。

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

介绍:”人工智能研究分多派别。其中某为IBM为代表,认为要出高性能计算就可得智能,他们之‘深蓝’击败了世界象棋冠军;另一样派认为智能来自动物本能;还来只非常强的派系认为使找来大家,把他们的琢磨用逻辑一条条写下,放到计算机里即使尽……”
杨强于TEDxNanjing谈智能的来源

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

介绍:网易有道的老三各工程师写的word2vec底剖析文档,从中心的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再届word2vec的各种tricks,公式推导与代码,基本上是网上有关word2vec素材的大合集,对word2vec感谢兴趣之心上人可望

介绍:机器上起来源软件,收录了各种机械上之各种编程语言学术和买卖的开源软件.与是类似之还有多诸如:[DMOZ

介绍:作者是电脑研二(写稿子的下,现在凡是2015年了当将毕业了),专业方向自然语言处理.这是某些客的阅历的谈.对于入门的冤家或会生辅助

介绍:这是一律篇有关机器上算法分类的文章,非常好

介绍:机器上日报中推荐多内容,在此处来一对之好内容就是来机器上日报.

介绍:这是同一篇有关图像分类在深度上中的文章

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

介绍: 作者是360电商技术组成员,这是同样首NLP在华语分词中之采用

介绍: 使用deep
learning的总人口脸要点检测,此外还有同首AWS部署教程

介绍: 由Sebastian Nowozin等丁编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界多牛文,涉及CV、NLP等世界,值得一诵读。网上公开之几段草稿:一,二,三,四,五

介绍:
Tropp把数学家用强深装逼的数学语言形容的矩阵概率不等式用初等的方式勾勒出来,是大好的手册,领域内之paper各种证明都于于是其中的结果。虽说是初等的,但还是那个的不便

介绍:
不容错过之免费生数据集,有些已经是轻车熟路,有些可能要第一次听说,内容超文本、数据、多媒体等,让他俩随同您开始数据正确的一起吧,具体包括:Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

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

介绍:
非常好的座谈递归神经网络的文章,覆盖了RNN的概念、原理、训练及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还生相同首Deep Learning in a
Nutshell值得推荐

介绍:里面融合了无数之资源,例如角,在线课程,demo,数据做等。有分类

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

介绍:IVAN VASILEV写的深上导引:从浅层感知机到深度网络。高但读

介绍:鲁棒和福利的人工智能优先研究计划:一封公开信,目前既出Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人签约The Future of Life
Institute
(FLI).这封信的背景是近年霍金和Elon
Musk提醒人们注意AI的秘密威胁。公开信的情节是AI科学家们站在便民社会之角度,展望人工智能的前途进步大势,提出开发AI系统的Verification,Validity,
Security,
Control四点要求,以及用小心的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究比较少。其实还有一样管辖美剧《疑犯追踪》,介绍了AI的多变从平开始之自学习,过滤,图像识别,语音识别等判定危险,到第四季的当儿出现了机械通过上成才之后想操纵世界的状态。说及这边推荐收看。

介绍:里面冲词条提供了重重资源,还发生相关文化结构,路线图,用时长等。号称是”机器上“搜索引擎

介绍:Facebook人工智能研究院(FAIR)开源了一样多样软件库,以帮扶开发者建立更充分、更快的深度上型。开放之软件库在
Facebook 被叫做模块。用它替代机械上世界常用之开销环境 Torch
中的默认模块,可以以重复少的光阴内训练还特别范围的神经网络模型。

介绍:本文虽然是描写给2012年,但是这篇文章完全是作者的更的作。

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

介绍:非常好的深浅上概述,对几栽流行的纵深上型都进展了介绍与讨论

介绍:主要是讲述了动R语言进行数量挖掘

介绍:帮您懂得卷积神经网络,讲解很清晰,此外还有少数篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的其余的关于神经网络文章也罢很过硬

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

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

介绍:Geoffrey Hinton是Deep
Learning的大牛,他的主页放了有些介绍性文章与课件值得学习

介绍:概率论:数理逻辑书籍

介绍:一个所以来飞的统计,机器上以于数据量大的数学库

介绍:在此地你可以视最近深度上有什么新势头。

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

介绍:信息几何法及其在机器上中之动

介绍:课程《法律分析》介绍幻灯片。用机器上解决法律相关分析及预测问题,相关的法采取包括预测编码、早期案例评估、案件完全状况的预计,定价与工作人员预测,司法行为预测等。法律领域大家兴许还比陌生,不妨了解下。

介绍:
文中涉嫌了最为出彩,模型,最大熵等等理论,此外还有用篇。推荐系统可说凡是同样按对的阅读稿,关于模型还推荐一首Generative
Model 与 Discriminative
Model

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

介绍:本文主要介绍了以Hadoop2.0达成采取深度上,文章来源paypal

介绍:用基于梯度下降的方式训练深度框架的实施推荐指导,作者是Yoshua
Bengio
.感谢@xuewei4d 推荐

介绍: 用统计以及报方法做机械上(视频告诉)

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

介绍:
机器学习着之数学,作者的钻方向是机器上,并行计算如果您还眷恋询问一些其他的足望外博客的其他文章

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

介绍: 深度上用于问答系统答案句的抉择

介绍: CNN用于WEB搜索,深度上在文件计算着之采用

介绍: Awesome系列被的公然数据集

介绍: 一个学问搜索引擎

介绍:
用Python和Cython写的工业级自然语言处理库,号称是速度最好抢之NLP库,快之来头同样凡是因此Cython写的,二凡故了只十分巧妙的hash技术,加速系统的瓶颈,NLP中松特征的存取

介绍:
Fields举凡独数学研究中心,上面的及时卖ppt是来源于Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

介绍: Topic modeling 的藏论文,标注了要点

介绍:
多伦多大学及Google合作之初论文,深度上也堪用来下围棋,据说会达成六段水平

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

介绍: 18 free eBooks on Machine Learning

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

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经用了963首经过分类的深度上论文了,很多经文论文还已用

介绍: Radim
Řehůřek(Gensim开发者)在同一破机器上聚会上的报告,关于word2vec及其优化、应用与扩充,很实用.国内网盘

介绍:很多局还为此机器上来解决问题,提高用户体验。那么怎么可以为机器上还实时和有效吗?Spark
MLlib 1.2中间的Streaming K-means,由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们各半小时1TB的钻研数据,现在通告于大家于是了。

介绍:
这是同等篇面向工程师的LDA入门笔记,并且提供相同份开箱即用Java实现。本文仅记录基本概念与原理,并无干公式推导。文中的LDA实现基本部分采用了arbylon的LdaGibbsSampler并力所能和地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

介绍:
AMiner是一个学问搜索引擎,从学术网络被发掘深度知识、面向科技大数目的挖掘。收集近4000万作者信息、8000万舆论信息、1亿多引用关系、链接近8百万知识点;支持专家搜索、机构排名、科研成果评价、会议排名。

介绍: Quora上的主题,讨论Word2Vec之诙谐应用,Omer
Levy提到了他当CoNLL2014极品论文里之解析结果及新方式,Daniel
Hammack给出了搜寻特异词的有些应用并提供了(Python)代码

介绍:
机器学习公开课汇总,虽然里的粗课程就归档过了,但是还有个别的音信没有。感谢课程图谱的小编

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

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

介绍:WSDM2015极致佳论文
把马尔可夫链理论用在了图分析者,比一般的propagation
model更加深刻一些。通过全局的安定团结分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之震慑系数影响)。可以用来反求每个节点的熏陶系数

介绍:机器上入门书籍,实际介绍

介绍:
非常深的强调特征选择针对性分类器重要性的篇章。情感分类中,根据互信息对复杂高维特征降维再以节能贝叶斯分类器,取得了比SVM更可以之效益,训练及分类时间吧大大降低——更主要之是,不必花费大量日子在就学与优化SVM上——特征也同样no
free lunch

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

介绍:随着大数量时代之至,机器上变成化解问题的平种植重点且要之家伙。不管是工业界还是学术界,机器上还是一个炙手可热的大方向,但是学术界和工业界对机器上的研讨各个起侧重,学术界侧重于对机器上理论的钻研,工业界侧重于安用机器上来缓解实际问题。这篇稿子是美团的骨子里条件面临的实战篇

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择与超参优化、高斯模型和另模型关系、大数据集的侵方法齐,微盘下载

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

介绍:Blocks是因Theano的神经网络搭建框架,集成相关函数、管道与算法,帮您再度快地开创和保管NN模块.

介绍:机器上大神Alex Smola在CMU新一冀的机上入门课程”Introduction to
Machine
Learning“近期正巧开拍,课程4K高清视频并到Youtube上,目前恰好更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣的同室可以关注,非常适合入门.

介绍:用社交用户作为上图片的一起特征,可更好地发挥图片内容相似性。由于未指让人工标签(标注),可用来大规模图片处理,难在用户作为数据的取和洗;利用社会化特征的思绪值得借鉴.

介绍:Twitter技术团队本着前段时间开源之时空序列非常检测算法(S-H-ESD)R包的介绍,其中对特别的概念跟分析深值得参考,文中也波及——异常是大针对性的,某个圈子支出的雅检测以其它世界直接用而不行.

介绍:聚焦数据质量问题的报,数据质量对各种层面企业之性及频率还至关重要,文中总结发生(不杀)22种典型数据质量问题显现的信号,以及卓越的数码质量解决方案(清洗、去再、统一、匹配、权限清理等)

介绍:中文分词入门的资源.

介绍:15年旧金山纵深上峰会视频采访,国内云盘

介绍:很好之规则仍机场(CRF)介绍文章,作者的读书笔记

介绍: 来自Stanford,用神经网络实现长足准确之依存关系解析器

介绍:做深上怎么选择GPU的提议

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

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

介绍: social networks course

介绍: 大规模机器上流程的构建和部署.

介绍: 人脸识别二次开发包,免费,可商用,有示范、范例、说明书.

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

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

介绍: 信息寻找排序模型BM25(Besting Matching)。1)从经概率模型演变而来
2)捕捉了向量空间模型中三只影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习的考虑:组合了BM11跟BM15星星独模型。4)作者是BM25之发起人和Okapi实现者Robertson.

介绍:
自回归滑动平均(ARMA)时间序列的略介绍,ARMA是研究时序列的要措施,由由回归模型(AR模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

介绍:
揭开印度菜之香秘诀——通过对大量菜系原料关系之开掘,发现印度菜肴香的因由有是里面的寓意互相冲突,很风趣的文本挖掘研究

介绍: HMM相关文章

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

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

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

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

介绍: 深度上之通盘硬件指南,从GPU到RAM、CPU、SSD、PCIe

介绍:Pedestrian Detection paper & data

介绍:
【神经科学碰撞人工智能】在面部识别达到而本人都是大家,即使细微的差别呢会辨别。研究已说明人类与灵长类动物在颜加工上不同为其它物种,人类用梭状回面孔区(FFA)。Khaligh-Razavi等经计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的无所不包结合。

介绍:
神经网络C++教程,本文介绍了所以而调试梯度下降和可调节动量法设计及编码经典BP神经网络,网络经过训练可以做出惊人和精美之东西出来。此外作者博客的别样文章为颇对。

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

介绍:一个深上型,提供了Python, C/C++, Java, Scala, Go多只版本的代码

介绍:深度上课程

介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.

介绍:Google对Facebook DeepFace的劲回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上达标99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别和聚类.

介绍:本文自Databricks公司网站的一致首博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和她们于MLlib中之分布式实现,以及展示一些简短的事例并提议该打何方达手.中文版.

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

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

介绍:本文根据神经网络的前行历程,详细讲解神经网络语言模型在逐一阶段的款式,其中的模型包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等要变形,总结的特别好.

介绍:经典问题的新研:利用文本和可读性特征分类垃圾邮件。

介绍:Kaggle脑控计算机交互(BCI)竞赛优越方案源码及文档,包括完全的多少处理流程,是上Python数据处理以及Kaggle经典参赛框架的绝佳实例

介绍:IPOL(在线图像处理)是图像处理和图像分析的钻研期刊,每篇文章还饱含一个算法和相应的代码、Demo和尝试文档。文本和源码是由此了同行评审的。IPOL是开之没错及可更的钻期刊。我一直惦记做点类似的劳作,拉近产品以及技能之间的距离.

介绍:出自MIT,研究加密数快速分类问题.

介绍:新加坡LV实验室的神经网络并行框架Purine: A bi-graph based deep
learning
framework,支持构建各种互动的架构,在多机多卡,同步更新参数的场面下中心达成线性加速。12片Titan
20时好就Googlenet的训练。

介绍:这是一个机械上资源库,虽然较少.但蚊子再聊为是肉.有突出部分.此外还有一个由于zheng
Rui整理的机上资源.

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

介绍:这是同样论自然语言处理的词典,从1998年初始到目前积淀了众的正经词语解释,如果您是一致各项刚刚入门的朋友.可以借这按照词典让自己成长更快.

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

介绍:R语言教程,此外还援引一个R语言教程An Introduction to
R.

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

介绍: 一个面向 .net
的开源机器上库,github地址

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

介绍: 决策树

介绍:
讨论深度上自动编码器如何有效应对维数灾难,国内翻译

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

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

介绍:用Spark的MLlib+GraphX做大规模LDA主题抽取.

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

介绍: DeepMind论文集锦

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

介绍: 免费电子书《数据新闻手册》,
国内来热情的情人翻译了中文版,大家吧可在线阅读

介绍: 零售领域的数据挖掘文章.

介绍: 深度上卷积概念详解,深入浅出.

介绍: 非常强的Python的数码解析工具包.

介绍: 2015文书分析(商业)应用综述.

介绍: 深度上框架、库调研和Theano的始测试体会报告.

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

介绍: Python下起源而持久化朴素贝叶斯分类库.

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

介绍: 开源汉语言处理包.

介绍: 使用Ruby实现简单的神经网络例子.

介绍:神经网络黑客入门.

介绍:好多数额科学家名人推荐,还有资料.

介绍:实现项目曾经开源在github上面Crepe

介绍:作者发现,经过调参,传统的计吗会同word2vec博多的职能。另外,无论作者怎么碰,GloVe都比较不过word2vec.

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

介绍:机器上中的机要数学概念.

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

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机上课程,先修课程为机上(10-715)和中统计学(36-705),聚焦统计理论及法在机上世界应用.

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

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

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

介绍:论文+代码:基于集成方法的Twitter情感分类,落实代码.

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

介绍:斯坦福的深浅上课程的Projects 每个人还如描绘一个舆论级别之报告
里面来一些大有趣的使 大家好看看 .

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

介绍:文中提到的老三篇论文(机器上那些事、无监控聚类综述、监督分类归纳)都死经典,Domnigos的机器上课也格外精美

介绍:莱斯大学(Rice University)的深上之几率理论.

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

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

介绍:用机器上做多少解析,David Taylor最近当McGill
University研讨会上之告诉,还提供了平名目繁多讲话机器上方法的ipn,很有价
GitHub.国内

介绍:基于CNN+LSTM的视频分类,google演示.

介绍:Quora怎么用机器学习.

介绍:亚马逊以机械上点的有些以,代码示例.

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

介绍:DataSchool的机器上基本概念教学.

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

介绍:基于Mahout和Elasticsearch的引进系统.

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

介绍:Francis X. Diebold的《时先后计量经济学》.

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

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

介绍:用于Web分析与数码挖掘的几率数据结构.

介绍:机器上以导航者的应用.

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

介绍:{swirl}数据训练营:R&数据正确在线交互教程.

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

介绍:Deep Reinforcement Learning.

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

介绍:PDNN: A Python Toolkit for Deep Learning.

介绍:15年青春学期CMU的机器上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.国内镜像.

介绍:大数据处理课.内容覆盖流处理、MapReduce、图算法等.

介绍:用Spark
MLlib实现好用而扩大的机上,境内镜像.

介绍:以往上千推行代码概率编程(语言)实现只需要50行.

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

介绍:用结构化模型来预测实时股票行情.

介绍:国际人工智能联合会议起用论文列表,大部分舆论而使Google找到.

介绍:一般矩阵乘法(GEMM)对纵深上之要性.

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

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

介绍:免费写:Azure ML使用精要.

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

介绍:有趣之机上:最明确入门指南,中文版.

介绍:深度上简明介绍,中文版.

介绍:Portable, scalable and reliable distributed machine learning.

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

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

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

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

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图