You are on page 1of 76

首页 发现 话题 搜索你感兴趣的内容… 提问 登录

关注者 被浏览
机器学习 深度学习(Deep Learning)
23158 936677

深度学习如何入门?
本人研究生,刚开始研究深度学习,课题组无任何前期基础。数学基础较差,现在发现网上各种资料
真是太多了。不知道从何下手。现在在看《Python基础教程》、…显示全部

10 条评论 分享 邀请回答 关注问题 写回答

118 个回答 默认排序 下载知乎客户端
与世界分享知识、经验和见解
jacky yang
深度学习,人脸识别,人工智能
相关问题
收录于 编辑推荐 · 4575 人赞同了该回答
关于深度学习,网上的资料很多,不过貌似大部分都不太适合初学者。 
机器学习有很多关于核函数的说法,核函
这里有几个原因:
数的定义和作用是什么? 45 个回答
1.深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲,有些读者就会有畏难的情绪,
BRETT 机器人算有「学习」的能力么?
因而容易过早地放弃。
16 个回答
2.中国人或美国人写的书籍或文章,普遍比较难一些。我不太清楚为什么,不过确实是这样子的。
如何用简单易懂的例子解释隐马尔可夫模
深度学习,确实需要一定的数学基础,但真的那么难么?这个,还真没有。不信?听我来给你侃 型? 31 个回答
侃。看完,你也会觉得没那么难了。
机器学习专家与统计学家观点上有哪些不
本文是针对初学者,高手可以无视,有不对的地方,还请多多批评指正。 同? 58 个回答

概率图模型(PGM)有必要系统地学习
这里,先推荐一篇非常不错的文章:
一下吗? 26 个回答
《1天搞懂深度学习》,300多页的ppt,台湾李宏毅教授写的,非常棒。
不夸张地说,是我看过最系统,也最通俗易懂的,关于深度学习的文章。
相关 Live 推荐
这是slideshare的链接:
slideshare.net/tw_dscon...
IBM 机器学习 CTO:解密机器学
没梯子的同学,可以从我的网盘下: 习核心商业价值
链接:pan.baidu.com/s/1nv54p9... 密码:3mty
机器学习入门之特征工程
要说先准备什么,私以为,其实只需要知道导数和相关的函数概念就可以了。高等数学也没学过?
很好,我就是想让文科生也能看懂,您只需要学过初中数学就可以了。 和吴军、刘长明在 RSA 谈创业

其实不必有畏难的情绪,个人很推崇李书福的精神,在一次电视采访中,李书福说:谁说中国人不
深层学习入门误区
能造汽车?造汽车有啥难的,不就是四个轮子加两排沙发嘛。当然,他这个结论有失偏颇,不过精
神可嘉。 如何快速攻克传统算法和数据结
构?
导数是什么,无非就是变化率呗,王小二今年卖了100头猪,去年卖了90头,前年卖了80头。。。
变化率或者增长率是什么?每年增长10头猪,多简单。这里需要注意有个时间变量­­­年。王小二卖
刘看山 · 知乎指南 · 知乎协议 · 应用 · 工作
猪的增长率是10头/年,也就是说,导数是10.
联系我们 © 2017 知乎
函数y=f(x)=10x+30,这里我们假设王小二第一年卖了30头,以后每年增长10头,x代表时间
(年),y代表猪的头数。
当然,这是增长率固定的情形,现实生活中,很多时候,变化量也不是固定的,也就是说增长率也
不是恒定的。比如,函数可能是这样: y=f(x)=5x²+30,这里x和y依然代表的是时间和头数,不过增
长率变了,怎么算这个增长率,我们回头再讲。或者你干脆记住几个求导的公式也可以。

深度学习还有一个重要的数学概念:偏导数,偏导数的偏怎么理解?偏头疼的偏,还是我不让你
导,你偏要导?都不是,我们还以王小二卖猪为例,刚才我们讲到,x变量是时间(年),可是卖
出去的猪,不光跟时间有关啊,随着业务的增长,王小二不仅扩大了养猪场,还雇了很多员工一起
养猪。所以方程式又变了:y=f(x)=5x₁²+8x₂ + 35x₃ +30
这里x₂代表面积,x₃代表员工数,当然x₁还是时间。
上面我们讲了,导数其实就是变化率,那么偏导数是什么?偏导数无非就是多个变量的时候,针对
某个变量的变化率呗。在上面的公式里,如果针对x₃求偏导数,也就是说,员工对于猪的增长率贡
献有多大,或者说,随着(每个)员工的增长,猪增加了多少,这里等于35­­­每增加一个员工,就
多卖出去35头猪. 计算偏导数的时候,其他变量都可以看成常量,这点很重要,常量的变化率为0,

所以导数为0,所以就剩对35x₃ 求导数,等于35. 对于x₂求偏导,也是类似的。
首页 发现 话题 搜索你感兴趣的内容… 提问 登录
求偏导我们用一个符号 表示:比如 y/ x₃ 就表示y对 x₃求偏导。

废话半天,这些跟深度学习到底有啥关系?有关系,我们知道,深度学习是采用神经网络,用于解
决线性不可分的问题。关于这一点,我们回头再讨论,大家也可以网上搜一下相关的文章。我这里
主要讲讲数学与深度学习的关系。先给大家看几张图:

  图1. 所谓深度学习,就是具有很多个隐层的神经网络。

图2.单输出的时候,怎么求偏导数

首页 发现 话题 搜索你感兴趣的内容… 提问 登录

图3.多输出的时候,怎么求偏导数。后面两张图是日语的,这是日本人写的关于深度学习的书。感
觉写的不错,把图盗来用一下。所谓入力层,出力层,中间层,分别对应于中文的:输入层,输出
层,和隐层。

大家不要被这几张图吓着,其实很简单的。干脆再举一个例子,就以撩妹为例。男女恋爱我们大致
可以分为三个阶段:
1.初恋期。相当于深度学习的输入层。别人吸引你,肯定是有很多因素,比如:身高,身材,脸
蛋,学历,性格等等,这些都是输入层的参数,对每个人来说权重可能都不一样。
2.热恋期。我们就让它对应于隐层吧。这个期间,双方各种磨合,柴米油盐酱醋茶。
3.稳定期。对应于输出层,是否合适,就看磨合得咋样了。

大家都知道,磨合很重要,怎么磨合呢?就是不断学习训练和修正的过程嘛!比如女朋友喜欢草莓
蛋糕,你买了蓝莓的,她的反馈是negative,你下次就别买了蓝莓,改草莓了。
­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
看完这个,有些小伙可能要开始对自己女友调参了。有点不放心,所以补充一下。
撩妹和深度学习一样,既要防止欠拟合,也要防止过拟合。所谓欠拟合,对深度学习而言,就是训
练得不够,数据不足,就好比,你撩妹经验不足,需要多学着点,送花当然是最基本的了,还需要
提高其他方面,比如,提高自身说话的幽默感等,因为本文重点并不是撩妹,所以就不展开讲了。
这里需要提一点,欠拟合固然不好,但过拟合就更不合适了。过拟合跟欠拟合相反,一方面,如果
过拟合,她会觉得你有陈冠希老师的潜质,更重要的是,每个人情况不一样,就像深度学习一样,
训练集效果很好,但测试集不行!就撩妹而言,她会觉得你受前任(训练集)影响很大,这是大忌!
如果给她这个映象,你以后有的烦了,切记切记!
­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

深度学习也是一个不断磨合的过程,刚开始定义一个标准参数(这些是经验值。就好比情人节和生
日必须送花一样),然后不断地修正,得出图1每个节点间的权重。为什么要这样磨合?试想一
下,我们假设深度学习是一个小孩,我们怎么教他看图识字?肯定得先把图片给他看,并且告诉他
正确的答案,需要很多图片,不断地教他,训练他,这个训练的过程,其实就类似于求解神经网络
权重的过程。以后测试的时候,你只要给他图片,他就知道图里面有什么了。

所以训练集,其实就是给小孩看的,带有正确答案的图片,对于深度学习而言,训练集就是用来求
解神经网络的权重的,最后形成模型;而测试集,就是用来验证模型的准确度的。

对于已经训练好的模型,如下图所示,权重(w1,w2...)都已知。

.我们已知正确答案,比如图2和3里的r,训练的时候,是从左至右计算,得出的结果为y,r与y一 般来说是不一样的。那么他们之间的差距,就是图2和3里的E。这个差距怎么算?当然,直接相减 是一个办法,尤其是对于只有一个输出的情况,比如图2; 但很多时候,其实像图3里的那样,那么 这个差距,一般可以这样算,当然,还可以有其他的评估办法,只是函数不同而已,作用是类似 的: 不得不说,理想跟现实还是有差距的,我们当然是希望差距越小越好,怎么才能让差距越来越小 呢?得调整参数呗,因为输入(图像)确定的情况下,只有调整参数才能改变输出的值。怎么调 整,怎么磨合?刚才我们讲到,每个参数都有一个默认值,我们就对每个参数加上一定的数值∆, 然后看看结果如何?如果参数调大,差距也变大,你懂的,那就得减小∆,因为我们的目标是要让 差距变小;反之亦然。所以为了把参数调整到最佳,我们需要了解误差对每个参数的变化率,这不 就是求误差对于该参数的偏导数嘛。 关键是怎么求偏导。图2和图3分别给了推导的方法,其实很简单,从右至左挨个求偏导就可以。相 邻层的求偏导其实很简单,因为是线性的,所以偏导数其实就是参数本身嘛,就跟求解x₃的偏导类 似。然后把各个偏导相乘就可以了。 这里有两个点: 一个是激活函数,其实激活函数也没啥,就是为了让每个节点的输出都在0到1的区间,这样好算账 ...我们假定一个神经网络已经定义好,比如有多少层,每层有多少个节点,也有默认的权重和激活 函数(后面讲)等。这个没办法,刚开始得有一个初始值。你喜欢一个美女,她也不是刚从娘胎里 出来的,也是带有各种默认参数的。至于怎么调教,那就得求偏导。 2..,怎么办? 绕了半天,终于该求偏导出场了。目前的情况是: 1. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录                                 图4                              图5 我们知道,像上面这样,从左至右容易算出来。但反过来呢,我们上面讲到,测试集有图片,也有 预期的正确答案,要反过来求w1,w2..

嘛,所以在结果上面再做了一层映射,反正都是一对一的。由于激活函数的存在,所以在求偏导的 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 时候,也要把它算进去,激活函数,一般用sigmoid,也可以用Relu等。激活函数的求导其实也非常 简单: 求导: f'(x)=f(x)*[1­f(x)] 这个方面,有时间可以翻看一下高数,没时间,直接记住就行了。 至于Relu,那就更简单了,就是f(x) 当x<0的时候y等于0,其他时候,y等于x。 当然,你也可以定义你自己的Relu函数,比如x大于等于0的时候,y等于0.01x,也可以。 另一个是学习系数,为什么叫学习系数?刚才我们上面讲到∆增量,到底每次增加多少合适?是不 是等同于偏导数(变化率)?经验告诉我们,需要乘以一个百分比,这个就是学习系数,而且,随 着训练的深入,这个系数是可以变的。 当然,还有一些很重要的基本知识,比如SGD(随机梯度下降),mini batch 和 epoch(用于训练 集的选择),限于篇幅,以后再侃吧。其实参考李宏毅的那篇文章就可以了。 这篇拙文,算是对我另一个回答的补充吧: 深度学习入门必看的书和论文?有哪些必备的技能需学习? ­ jacky yang 的回答 其实上面描述的,主要是关于怎么调整参数,属于初级阶段。上面其实也提到,在调参之前,都有 默认的网络模型和参数,如何定义最初始的模型和参数?就需要进一步深入了解。 不过对于一般做工程而言,只需要在默认的网络上调参就可以了,相当于用算法; 对于学者和科学家而言,他们会发明算法,难度还是不小的。向他们致敬! 写得很辛苦,觉得好就给我点个赞吧:) ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ 关于求偏导的推导过程,我尽快抽时间,把数学公式用通俗易懂的语言详细描述一下,前一段时间 比较忙,抱歉:) ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ 编辑于 2017­02­03 4575 139 条评论 分享 收藏 感谢 收起 立党 个人公众号:立党说 392 人赞同了该回答 任何列书单和在线视频超过10条的,基本都是混子。 列了几十本书和几百小时在线视频的人,大部分自己连1/10都没读完过。 这种人统称为“书单教育家”,代表人物就是罗文益。 要我说,读一本deep learning和PRML,读python和numpy的官方文档,看一个Andrew Ng和Hinton 的coursera,剩下的读一读经典paper和github开源代码,动手造造轮子,就完全足够入门了。 入门个Python就给你介绍10本入门教材,一个Bayesian介绍5个online course,你觉得这些罗文益 们是在帮你还是在害你? 编辑于 2017­04­13 392 36 条评论 分享 收藏 感谢 袁哲 真实,安静,从容 3583 人赞同了该回答 .

 短短300多页道尽机器学习的方方面面.md at master ·  ty4z2008/Qix · GitHub注:机器学习资料篇目一共500条.Github 上有同学总结了一份 机器学习和深度学习资料列表 .共两篇,总计接近 1000 条。 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 原文第一篇如下: Qix/dl.那么这 篇文章或许能够帮助到你.md at master · ty4z2008/Qix · GitHub 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)Qix/dl.net/15063.html 《An Introduction to Deep Learning: From Perceptrons to Deep Networks》 介绍:深度学习概述:从感知机到深度网络,作者对于例子的选择、理论的介绍都很到位,由浅 入深。翻译版本:深度学习概述:从感知机到深度网络 《The LION Way: Machine Learning plus Intelligent Optimization》 介绍:<机器学习与优化>这是一本机器学习的小册子.译文part1 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深度学习综述》 本综述的特点是以时间排序,从1940年开始讲起,到60­80年代,80­90年代,一直讲到2000年后 及最近几年的进展。涵盖了deep learning里各种tricks,引用非常全面. 适合新手入门打基础.md at master ·  ty4z2008/Qix · GitHub希望转载的朋友,你可以不用联系我.但是一定要保留原文链接,因为这 个项目还在继续也在不定期更新.希望看到文章的朋友能够学到更多.此外:某些资料在中国访 问需要梯子. 《计算机科学中的数学》 . 也适合老手温故而知新. 《Machine Learning is Fun!》 介绍:如果你还不知道什么是机器学习,或则是刚刚学习感觉到很枯燥乏味。那么推荐一读。这 篇文章已经被翻译成中文. 《How to Layout and Manage Your Machine Learning Project》 介绍:这一篇介绍如果设计和管理属于你自己的机器学习项目的文章,里面提供了管理模版、数 据管理与实践方法.如果您是一位python工程师而且想深入的学习机器学习.  比起MLAPP/PRML等大部头.如果有兴趣可以移步有趣的机器学习:最简明入门指南 《R语言参考卡片》 介绍:R语言是机器学习的主要语言.有很多的朋友想学习R语言,但是总是忘记一些函数与关键字 的含义。那么这篇文章或许能够帮助到你 《Choosing a Machine Learning Classifier》 介绍:我该如何选择机器学习算法,这篇文章比较直观的比较了Naive Bayes,Logistic  Regression,SVM,决策树等方法的优劣,另外讨论了样本大小、Feature与Model权衡等问题。 此外还有已经翻译了的版本:52ml.篇目二开始更新Qix/dl. 生动易懂. 《A Gentle Introduction to Scikit­Learn: A Python Machine Learning Library》 介绍:这是一份python机器学习库.org for prescriptive analytics 《深度学习与统计学习理论》 介绍:作者是来自百度,不过他本人已经在2014年4月份申请离职了。但是这篇文章很不错如果你 不知道深度学习与支持向量机/统计学习理论有什么联系?那么应该立即看看这篇文章. 也许这本你更需要!具体内容推荐阅读:LIONbook ­ intelligent­ optimization. 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、 Adaboost到随机森林、Deep Learning.  图文并茂. 没有一坨坨公式的烦恼.

 Least squares 10. Loss function 9. Jon Bentley等大神向Knuth提出了20个问题,内容包括TAOCP,P/NP问题, 图灵机,逻辑,以及为什么大神不用电邮等等。 《Automatic Construction and Natural­Language Description of Nonparametric Regression  Models》 介绍:不会统计怎么办?不知道如何选择合适的统计模型怎么办?那这篇文章你的好好读一读了 麻省理工Joshua B.  Overfitting 3. Al Aho. Bayesian / Occam's razor 4.介绍:这本书是由谷歌公司和MIT共同出品的计算机科学中的数学:Mathematics for Computer  首页 发现 话题 搜索你感兴趣的内容… 提问 登录 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,求和,生成函数。4)概率,随机行走。5)递归。等等 《信息时代的计算机科学理论(Foundations of Data Science)》 介绍:信息时代的计算机科学理论. Discriminative / Generative 8. Feature combination 5... Bias/Variance Tradeoff 2.很清晰 《雅虎研究院的数据集汇总》 介绍:雅虎研究院的数据集汇总: 包括语言类数据,图与社交类数据,评分与分类数据,计算 广告学数据,图像数据,竞赛数据,以及系统类的数据。 《An Introduction to Statistical Learning with Applications in R》 介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的新书,并且在2014年 一月已经开课:Statistical Learning Best Machine Learning Resources for Getting Started 介绍:机器学习最佳入门学习资料汇总是专为机器学习初学者推荐的优质学习资源,帮助初学者 快速入门。而且这篇文章的介绍已经被翻译成中文版。如果你不怎么熟悉,那么我建议你先看一 看中文的介绍。 My deep learning reading list 介绍:主要是顺着Bengio的PAMI review的文章找出来的。包括几本综述文章,将近100篇论文, 各位山头们的Presentation。全部都可以在google上找到。 Cross­Language Information Retrieval 介绍:这是一本书籍,主要介绍的是跨语言信息检索方面的知识。理论很多 探索推荐引擎内部的秘密,第 1 部分: 推荐引擎初探 . Sparsity. Basis  function 7. Tenenbaum和剑桥Zoubin Ghahramani合作,写了一篇关于automatic  statistician的文章。可以自动选择回归模型类别,还能自动写报告. Irrelevant feature 6.目前国内有纸质书购买,iTunes购买 《Data Science with R》 介绍:这是一本由雪城大学新编的第二版《数据科学入门》教材:偏实用型,浅显易懂,适合想 学习R语言的同学选读。 《Twenty Questions for Donald Knuth》 介绍:这并不是一篇文档或书籍。这是篇向图灵奖得主Donald Knuth提问记录稿: 近日, Charles  Leiserson. 《ICLR 2014论文集》 介绍:对深度学习和representation learning最新进展有兴趣的同学可以了解一下 《Introduction to Information Retrieval》 介绍:这是一本信息检索相关的书籍,是由斯坦福Manning与谷歌副总裁Raghavan等合著的 Introduction to Information Retrieval一直是北美最受欢迎的信息检索教材之一。最近作者增加了 该课程的幻灯片和作业。IR相关资源:Information Retrieval Resources 《Machine learning in 10 pictures》 介绍:Deniz Yuret用10张漂亮的图来解释机器学习重要概念:1.

com/user/smolix (需翻墙) 《Awesome Machine Learning》 .毛塞顿开。 Understanding Convolutions 介绍:这是一篇介绍图像卷积运算的文章,讲的已经算比较详细的了 《Machine Learning Summer School》 介绍:每天请一个大牛来讲座,主要涉及机器学习,大数据分析,并行计算以及人脑研 究。youtube. Programs. McClelland。着重介 绍了各种神级网络算法的分布式实现.精髓很多。如果需要完全理解,需要一定的机器学习基础。不过 有些地方会让人眼前一亮.做Distributed Deep Learning 的童鞋可以参考下 《“机器学习”是什么?》 介绍:【“机器学习”是什么?】John Platt是微软研究院杰出科学家,17年来他一直在机器学习领 域耕耘。近年来机器学习变得炙手可热,Platt和同事们遂决定开设博客,向公众介绍机器学习的 研究进展。机器学习是什么,被应用在哪里?来看Platt的这篇博文 《2014年国际机器学习大会ICML 2014 论文》 介绍:2014年国际机器学习大会(ICML)已经于6月21­26日在国家会议中心隆重举办。本次大 会由微软亚洲研究院和清华大学联手主办,是这个有着30多年历史并享誉世界的机器学习领域的 盛会首次来到中国,已成功吸引海内外1200多位学者的报名参与。干货很多,值得深入学习下 《Machine Learning for Industry: A Case Study》 介绍:这篇文章主要是以Learning to Rank为例说明企业界机器学习的具体应用,RankNet对 NDCG之类不敏感,加入NDCG因素后变成了LambdaRank,同样的思想从神经网络改为应用到 Boosted Tree模型就成就了LambdaMART。Chirs Burges,微软的机器学习大神,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最为突出,代表论文为: From RankNet to LambdaRank  to LambdaMART: An Overview 此外,Burges还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 介绍:100 Best GitHub: Deep Learning 《UFLDL­斯坦福大学Andrew Ng教授“Deep Learning”教程》 介绍:本教程将阐述无监督特征学习和深度学习的主要观点。通过学习,你也将实现多个功能学 习/深度学习算法,能看到它们为你工作,并学习如何应用/适应这些想法到新问题上。本教程假 定机器学习的基本知识(特别是熟悉的监督学习,逻辑回归,梯度下降的想法),如果你不熟悉 这些想法,我们建议你去这里机器学习课程,并先完成第II,III,IV章(到逻辑回归)。此外这 关于这套教程的源代码在github上面已经有python版本了 UFLDL Tutorial Code *《Deep Learning for Natural Language Processing and Related Applications》 介绍:这份文档来自微软研究院.作者是斯坦福的James L." 分布式并行处理的数据 介绍:这是一本关于分布式并行处理的数据《Explorations in Parallel Distributed Processing: A  Handbook of Models. and Exercises》.探索推荐引擎内部的秘密,第 3 部分: 深度推荐引擎相关算法 ­ 聚类 《Advice for students of machine learning》 介绍:康奈尔大学信息科学系助理教授David Mimno写的《对机器学习初学者的一点建议》, 写 的挺实际,强调实践与理论结合,最后还引用了冯 • 诺依曼的名言: "Young man. You just get used to them. in mathematics  you don't understand things.介绍:本文共有三个系列,作者是来自IBM的工程师。它主要介绍了推荐引擎相关算法,并帮助读 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 者高效的实现这些算法。 探索推荐引擎内部的秘密,第 2 部分: 深度推荐引擎相关算法 ­ 协同过 滤.

没错。里面有很多经典的机器学习论文值得仔细与反复 的阅读。 《机器学习视频库》 介绍:视频由加州理工学院(Caltech)出品。需要英语底子。 《机器学习经典书籍》 介绍:总结了机器学习的经典书籍,包括数学基础和算法理论的书籍,可做为入门参考书单。 《16 Free eBooks On Machine Learning》 介绍:16本机器学习的电子书,可以下载下来在pad,手机上面任意时刻去阅读。不多我建议你看 完一本再下载一本。 《A Large set of Machine Learning Resources for Beginners to Mavens》 介绍:标题很大,从新手到专家。不过看完上面所有资料。肯定是专家了 《机器学习最佳入门学习资料汇总》 介绍:入门的书真的很多,而且我已经帮你找齐了。 《Sibyl》 .介绍:一个超级完整的机器学习开源库总结,如果你认为这个碉堡了,那后面这个列表会更让你 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 惊讶:【Awesome Awesomeness】.国内已经有热心的朋友进行了翻译中文介绍,机器学习数 据挖掘免费电子书 斯坦福《自然语言处理》课程视频 介绍:ACL候任主席、斯坦福大学计算机系Chris Manning教授的《自然语言处理》课程所有视频 已经可以在斯坦福公开课网站上观看了(如Chrome不行,可用IE观看) 作业与测验也可以下 载。 《Deep Learning and Shallow Learning》 介绍:对比 Deep Learning 和 Shallow Learning 的好文,来着浙大毕业、MIT 读博的 Chiyuan  Zhang 的博客。 《Recommending music on Spotify with deep learning》 介绍:利用卷积神经网络做音乐推荐。 《Neural Networks and Deep Learning》 介绍:神经网络的免费在线书,已经写了三章了,还有对应的开源代码:GitHub ­  mnielsen/neural­networks­and­deep­learning: Code samples for my book "Neural Networks and  Deep Learning" 爱好者的福音。 《Java Machine Learning》 介绍:Java机器学习相关平台和开源的机器学习库,按照大数据、NLP、计算机视觉和Deep  Learning分类进行了整理。看起来挺全的,Java爱好者值得收藏。 《Machine Learning Theory: An Introductory Primer》 介绍:机器学习最基本的入门文章,适合零基础者 《机器学习常见算法分类汇总》 介绍:机器学习的算法很多。很多时候困惑人们都是,很多算法是一类算法,而有些算法又是从 其他算法中延伸出来的。这里,我们从两个方面来给大家介绍,第一个方面是学习的方式,第二 个方面是算法的类似性。 《机器学习经典论文/survey合集》 介绍:看题目你已经知道了是什么内容.

(1080P高清 哟) 《Sibyl: 来自Google的大规模机器学习系统》 . Aaron Courville著 《Neural Network & Text Mining》 介绍:关于(Deep) Neural Networks在 NLP 和 Text Mining 方面一些paper的总结 《前景目标检测1(总结)》 介绍:计算机视觉入门之前景目标检测1(总结) 《行人检测》 介绍:计算机视觉入门之行人检测 《Deep Learning – important resources for learning and understanding》 介绍:Important resources for learning and understanding . Ian Goodfellow.介绍:Sibyl 是一个监督式机器学习系统,用来解决预测方面的问题,比如 YouTube 的视频推 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 荐。 《Deep Learning》 介绍:Yoshua Bengio. Is awesome 《Machine Learning Theory: An Introductory Primer》 介绍:这又是一篇机器学习初学者的入门文章。值得一读 《Neural Networks and Deep Learning》 介绍:在线Neural Networks and Deep Learning电子书 《Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱》 介绍:python的17个关于机器学习的工具 《神奇的伽玛函数(上)》 介绍:下集在这里神奇的伽玛函数(下) 《分布式机器学习的故事》 介绍:作者王益目前是腾讯广告算法总监,王益博士毕业后在google任研究。这篇文章王益博士7 年来从谷歌到腾讯对于分布机器学习的所见所闻。值得细读 《机器学习提升之道(Level­Up Your Machine Learning)》 介绍:把机器学习提升的级别分为0~4级,每级需要学习的教材和掌握的知识。这样,给机器学习 者提供一个上进的路线图,以免走弯路。另外,整个网站都是关于机器学习的,资源很丰富。 《Machine Learning Surveys》 介绍:机器学习各个方向综述的网站 《Deep Learning Reading list》 介绍:深度学习阅资源列表 《Deep Learning: Methods and Applications》 介绍:这是一本来自微的研究员 li Peng和Dong Yu所著的关于深度学习的方法和应用的电子书 《Machine Learning Summer School 2014》 介绍:2014年七月CMU举办的机器学习夏季课刚刚结束 有近50小时的视频、十多个PDF版幻灯 片,覆盖 深度学习,贝叶斯,分布式机器学习,伸缩性 等热点话题。所有13名讲师都是牛人: 包括大牛Tom Mitchell (他的[机器学习]是名校的常用教材),还有CMU李沐 .

 Jordan:"如果你有10亿美金,你怎么 花?Jordan: "我会用这10亿美金建造一个NASA级别的自然语言处理研究项目。" 《机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理)》 介绍:常见面试之机器学习算法思想简单梳理.每个任务又各自分类列举若干常用相关工具包) 例如: 机 器学习,自然语言处理,时间序列分析,空间信息分析,多重变量分析,计量经济学,心理统计 学,社会学统计,化学计量学,环境科学,药物代谢动力学 等 .此外作者还有一些其他的机器学习与数据挖掘文章 和深度学习文章.3】 《Deep Learning 教程翻译》 介绍:是Stanford 教授 Andrew Ng 的 Deep Learning 教程,国内的机器学习爱好者很热心的把这 个教程翻译成了中文。如果你英语不好,可以看看这个 《Deep Learning 101》 介绍:因为近两年来,深度学习在媒体界被炒作很厉害(就像大数据)。其实很多人都还不知道 什么是深度学习。这篇文章由浅入深。告诉你深度学究竟是什么! 《UFLDL Tutorial》 介绍:这是斯坦福大学做的一免费课程(很勉强),这个可以给你在深度学习的路上给你一个学 习的思路。里面提到了一些基本的算法。而且告诉你如何去应用到实际环境中。中文版 《Toronto Deep Learning Demos》 介绍:这是多伦多大学做的一个深度学习用来识别图片标签/图转文字的demo。是一个实际应用 案例。有源码 《Deep learning from the bottom up》 介绍:机器学习模型,阅读这个内容需要有一定的基础。 《R工具包的分类汇总》 介绍: (CRAN Task Views.不仅是理论还有源码。 《文本与数据挖掘视频汇总》 介绍:Videolectures上最受欢迎的25个文本与数据挖掘视频汇总 《怎么选择深度学习的GPUs》 介绍:在Kaggle上经常取得不错成绩的Tim Dettmers介绍了他自己是怎么选择深度学习的GPUs.cn/RhpuD1G 《对话机器学习大神Michael Jordan:深度模型》 介绍:对话机器学习大神Michael Jordan 《Deep Learning 和 Knowledge Graph 引爆大数据革命》 介绍:还有2,3部分。Deep Learning 【2.是关于图像处理的。 《Bayesian network 与python概率编程实战入门》 介绍:贝叶斯学习。如果不是很清可看看概率编程语言与贝叶斯方法实践 《AMA: Michael I Jordan》 介绍:网友问伯克利机器学习大牛、美国双料院士Michael I. 34种常见任务.介绍:在今年的IEEE/IFIP可靠系统和网络(DSN)国际会议上,Google软件工程师Tushar  首页 发现 话题 搜索你感兴趣的内容… 提问 登录 Chandra做了一个关于Sibyl系统的主题演讲。 Sibyl是一个监督式机器学习系统,用来解决预测 方面的问题,比如YouTube的视频推荐。详情请阅读google sibyl 《Building a deeper understanding of images》 介绍:谷歌研究院的Christian Szegedy在谷歌研究院的博客上简要地介绍了他们今年参加 ImageNet取得好成绩的GoogLeNet系统.  以及个人如何构建深度学习的GPU集群: t.

《机器学习常见算法分类汇总》 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 介绍: 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会 用到机器学习的算法。本文为您总结一下常见的机器学习算法,以供您在工作和学习中参考. Hadoop cluster,和 Spark cluster 重点是 logistic regression 算法 《机器学习周刊》 介绍:对于英语不好,但又很想学习机器学习的朋友。是一个大的福利。机器学习周刊目前主要 提供中文版,还是面向广大国内爱好者,内容涉及机器学习、数据挖掘、并行系统、图像识别、 人工智能、机器人等等。谢谢作者 《线性代数》 介绍:《线性代数》是《机器学习》的重要数学先导课程。其实《线代》这门课讲得浅显易懂特 别不容易,如果一上来就讲逆序数及罗列行列式性质,很容易让学生失去学习的兴趣。我个人推 荐的最佳《线性代数》课程是麻省理工Gilbert Strang教授的课程。 课程主页 《Big­data》 介绍:大数据数据处理资源、工具不完备列表,从框架、分布式编程、分布式文件系统、键值数 据模型、图数据模型、数据可视化、列存储、机器学习等。很赞的资源汇总。 《machine learning for smart dummies》 介绍:雅虎邀请了一名来自本古里安大学的访问学者,制作了一套关于机器学习的系列视频课 程。本课程共分为7期,详细讲解了有关SVM.支持单机. decision trees 等常规 机器学习算法的理论基础知识。 《Entanglement­Based Quantum Machine Learning》 介绍:应对大数据时代,量子机器学习的第一个实验 paper 下载 《How a Math Genius Hacked OkCupid to Find True Love》 . mp3.非常的感谢作者 总结。 Deep Learning(深度学习)学习笔记整理系列之(二) Deep Learning(深度学习)学习笔记整理系列之(三) Deep Learning(深度学习)学习笔记整理系列之(四) Deep Learning(深度学习)学习笔记整理系列之(五) Deep Learning(深度学习)学习笔记整理系列之(六) Deep Learning(深度学习)学习笔记整理系列之(七) DeepLearning(深度学习)学习笔记整理系列之(八) 《Tutorials Session A ­ Deep Learning for Computer Vision》 介绍:传送理由:Rob Fergus的用深度学习做计算机是觉的NIPS 2013教程。有mp4. pdf各 种下载 他是纽约大学教授,目前也在Facebook工作,他2014年的8篇论文 《FudanNLP》 介绍:FudanNLP,这是一个复旦大学计算机学院开发的开源中文自然语言处理(NLP)工具包  Fudan NLP里包含中文分词、关键词抽取、命名实体识别、词性标注、时间词抽取、语法分析等 功能,对搜索引擎 文本分析等极为有价值。 《Open Sourcing ml­ease》 介绍:LinkedIn 开源的机器学习工具包. nearest neighbors. boosting. 《Deep Learning(深度学习)学习笔记整理系列》 介绍: 很多干货,而且作者还总结了好几个系列。另外还作者还了一个文章导航.

大实话 《Deep Learning Sentiment Analysis for Movie Reviews using Neo4j》 介绍:使用Neo4j 做电影评论的情感分析。 《DeepLearning.通过Python脚本控制着12个账号,下载了婚恋网站2万女用 户的600万问题答案,对他们进行了统计抽样及聚类分析(图2,3),最后终于收获了真爱。科 技改变命运! 《Underactuated Robotics》 介绍:MIT的Underactuated Robotics于 2014年10月1日开课,该课属于MIT研究生级别的课程,对 机器人和非线性动力系统感兴趣的朋友不妨可以挑战一下这门课程! 《mllib实践经验(1)》 介绍:mllib实践经验分享 《Google Turns To Deep Learning Classification To Fight Web Spam》 介绍:Google用Deep Learning做的antispam(反垃圾邮件) 《NLP常用信息资源》 介绍:NLP常用信息资源* 《NLP常用信息资源》 《机器学习速查表》 介绍:机器学习速查表 《Best Papers vs.University – An Annotated Deep Learning Bibliography》 介绍:不仅是资料,而且还对有些资料做了注释。 《A primer on deeping learning》 介绍:深度学习入门的初级读本 《Machine learning is teaching us the secret to teaching 》 介绍:机器学习教会了我们什么? 《scikit­learn:用于机器学习的Python模块》 介绍:scikit­learn是在SciPy基础上构建的用于机器学习的Python模块。 《对话机器学习大神Michael Jordan:解析领域中各类模型》 介绍:乔丹教授(Michael I.介绍:Wired杂志报道了UCLA数学博士Chris McKinlay (图1)通过大数据手段+机器学习方法破 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 解婚恋网站配对算法找到真爱的故事. Top Cited Papers in Computer Science》 介绍:从1996年开始在计算机科学的论文中被引用次数最多的论文 《InfiniTAM: 基于深度图像的体数据集成框架》 介绍:把今年的一个ACM Trans. Jordan)教授是机器学习领域神经网络的大牛,他对深度学习、神 经网络有着很浓厚的兴趣。因此,很多提问的问题中包含了机器学习领域的各类模型,乔丹教授 . on Graphics (TOG)论文中的代码整理为一个开源的算法框架, 共享出来了。欢迎大家使用。可以实时的采集3D数据、重建出三维模型。Online learning,GPU  Random forest,GPU CRF也会后续公开。 《Hacker's guide to Neural Networks》 介绍:【神经网络黑客指南】现在,最火莫过于深度学习(Deep Learning),怎样更好学习 它?可以让你在浏览器中,跑起深度学习效果的超酷开源项目ConvNetJS作者karpathy告诉你, 最佳技巧是,当你开始写代码,一切将变得清晰。他刚发布了一本图书,不断在线更新 《Building a Production Machine Learning Infrastructure》 介绍:前Google广告系统工程师Josh Wills 讲述工业界和学术界机器学习的异同.

内部课程 《机器学习入门资源不完全汇总》 介绍:好东西的干货真的很多 《收集从2014年开始深度学习文献》 介绍:从硬件、图像到健康、生物、大数据、生物信息再到量子计算等,Amund Tveit等维护了 一个DeepLearning.此外还有两个。一个是识别垃圾与虚假信息的 paper.github 《EMNLP上两篇关于股票趋势的应用论文 》 介绍:EMNLP上两篇关于stock trend 用到了deep model组织特征; Exploiting Social Relations  and Sentiment for Stock Prediction用到了stock network。 《Bengio组(蒙特利尔大学LISA组)深度学习教程 》 介绍:作者是深度学习一线大牛Bengio组写的教程,算法深入显出,还有实现代码,一步步展 开。 《学习算法的Neural Turing Machine 》 介绍:许多传统的机器学习任务都是在学习function,不过谷歌目前有开始学习算法的趋势。谷 歌另外的这篇学习Python程序的Learning to Execute也有相似之处 《Learning to Rank for Information Retrieval and Natural Language Processing》 介绍:作者是华为技术有限公司,诺亚方舟实验室,首席科学家的李航博士写的关于信息检索与 自然语言处理的文章 《Rumor has it: Identifying Misinformation in Microblogs》 介绍:利用机用器学习在谣言的判别上的应用.还有一个是网络舆情及其分析技术 《R机器学习实践》 介绍:该课程是网易公开课的收费课程,不贵,超级便宜。主要适合于对利用R语言进行机器学 习,数据挖掘感兴趣的人。 《大数据分析:机器学习算法实现的演化》 介绍:本章中作者总结了三代机器学习算法实现的演化:第一代非分布式的, 第二代工具如 Mahout和Rapidminer实现基于Hadoop的扩展,第三代如Spark和Storm实现了实时和迭代数据处 理。BIG DATA ANALYTICS BEYOND HADOOP 《图像处理,分析与机器视觉》 介绍:讲计算机视觉的四部奇书(应该叫经典吧)之一,另外三本是Hartley的《多图几何》、 Gonzalez的《数字图像处理》、Rafael C.Woods 的《数字图像处理》 《LinkedIn最新的推荐系统文章Browsemaps》 .Gonzalez / Richard E.University小项目:收集从2014年开始深度学习文献,相信可以作为深度学习 的起点.对此一一做了解释和展望。 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《A*搜索算法的可视化短教程》 介绍:A*搜索是人工智能基本算法,用于高效地搜索图中两点的最佳路径. 核心是 g(n)+h(n): g(n) 是从起点到顶点n的实际代价,h(n)是顶点n到目标顶点的估算代价。合集 《基于云的自然语言处理开源项目FudanNLP》 介绍:本项目利用了Microsoft Azure,可以在几分种内完成NLP on Azure Website的部署,立即 开始对FNLP各种特性的试用,或者以REST API的形式调用FNLP的语言分析功能 《吴立德《概率主题模型&数据科学基础》 介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所副所长.

 Dictionary Learning. 《【语料库】语料库资源汇总》 介绍:【语料库】语料库资源汇总 《机器学习算法之旅》 介绍:本文会过一遍最流行的机器学习算法,大致了解哪些方法可用,很有帮助。 《Reproducible Research in Computational Science》 介绍:这个里面有很多关于机器学习、信号处理、计算机视觉、深入学习、神经网络等领域的大 量源代码(或可执行代码)及相关论文。科研写论文的好资源 《NYU 2014年的深度学习课程资料》 介绍:NYU 2014年的深度学习课程资料,有视频 《计算机视觉数据集不完全汇总》 介绍:计算机视觉数据集不完全汇总 《Machine Learning Open Source Software》 介绍:机器学习开源软件 《LIBSVM》 介绍:A Library for Support Vector Machines 《Support Vector Machines》 介绍:数据挖掘十大经典算法之一 《100 Best GitHub: Deep Learning》 介绍:github上面100个非常棒的项目 . Matrix Factorization等理论,以及在图 像和视觉上的应用,而且第一部分关于Why does the l1­norm induce sparsity的解释也很不错。 《Reproducing Kernel Hilbert Space》 介绍:RKHS是机器学习中重要的概念,其在large margin分类器上的应用也是广为熟知的。如果 没有较好的数学基础,直接理解RKHS可能会不易。本文从基本运算空间讲到Banach和Hilbert空 间,深入浅出,一共才12页。 《Hacker's guide to Neural Networks》 介绍:许多同学对于机器学习及深度学习的困惑在于,数学方面已经大致理解了,但是动起手来 却不知道如何下手写代码。斯坦福深度学习博士Andrej Karpathy写了一篇实战版本的深度学习及 机器学习教程,手把手教你用Javascript写神经网络和SVM.介绍:里面基本没涉及到具体算法,但作者介绍了CF在LinkedIn的很多应用,以及他们在做推荐 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 过程中获得的一些经验。最后一条经验是应该监控log数据的质量,因为推荐的质量很依赖数据 的质量! 《初学者如何查阅自然语言处理(NLP)领域学术资料》 介绍:初学者如何查阅自然语言处理(NLP)领域学术资料 《树莓派的人脸识别教程》 介绍:用树莓派和相机模块进行人脸识别 《利用深度学习与大数据构建对话系统 》 介绍:如何利用深度学习与大数据构建对话系统 《经典论文Leo Breiman:Statistical Modeling: The Two Cultures 》 介绍:Francis Bach合作的有关稀疏建模的新综述(书):Sparse Modeling for Image and Vision  Processing,内容涉及Sparsity. PCA.

《Andrej Karpathy的深度强化学习演示》 介绍:Andrej Karpathy的深度强化学习演示,论文在这里 《CIKM数据挖掘竞赛夺冠算法­陈运文》 介绍:CIKM Cup(或者称为CIKM Competition)是ACM CIKM举办的国际数据挖掘竞赛的名称。 《Geoffrey E. 《加州大学欧文分校(UCI)机器学习数据集仓库》 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 介绍:当前加州大学欧文分校为机器学习社区维护着306个数据集。查询数据集 《Andrej Karpathy个人主页》 介绍:Andrej Karpathy 是斯坦福大学Li Fei­Fei的博士生,使用机器学习在图像、视频语义分析 领域取得了科研和工程上的突破,发的文章不多,但每个都很扎实,在每一个问题上都做到了 state­of­art. Hinton》 介绍:杰弗里·埃弗里斯特·辛顿 FRS是一位英国出生的计算机学家和心理学家,以其在神经网络 方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一,也是深度学习的积极推动 者. 《关于机器学习的若干理论问题》 介绍:徐宗本 院士将于热爱机器学习的小伙伴一起探讨有关于机器学习的几个理论性问题,并 给出一些有意义的结论。最后通过一些实例来说明这些理论问题的物理意义和实际应用价值。 《深度学习在自然语言处理的应用》 介绍:作者还著有《这就是搜索引擎:核心技术详解》一书,主要是介绍应用层的东西 《Undergraduate machine learning at UBC》 介绍:机器学习课程 《人脸识别必读的N篇文章》 介绍:人脸识别必读文章推荐 《推荐系统经典论文文献及业界应用》 介绍:推荐系统经典论文文献 《人脸识别必读的N篇文章》 介绍:人脸识别必读文章推荐 《第十二届中国"机器学习及其应用"研讨会PPT》 介绍:第十二届中国"机器学习及其应用"研讨会PPT 《统计机器学习》 介绍:统计学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析的 一门科学,统计学习也成为统计机器学习。课程来自上海交通大学 《机器学习导论》 . 《自然语言处理的深度学习理论与实际》 介绍:微软研究院深度学习技术中心在CIKM2014 上关于《自然语言处理的深度学习理论与实 际》教学讲座的幻灯片 《用大数据和机器学习做股票价格预测》 介绍: 本文基于<支持向量机的高频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运动预测模型。(股票有风险,投资谨慎)GitHub源代 码托管地址.

作者还有其他很棒的文章推荐可以看看 《2014中国大数据技术大会33位核心专家演讲PDF》 . 图文并茂,还有伪代码。强烈推荐。 《简明深度学习方法概述(一)》 介绍:还有续集简明深度学习方法概述(二) 《R language for programmers》 介绍:R语言程序员私人定制版 《谷歌地图解密:大数据与机器学习的结合》 介绍:谷歌地图解密 《空间数据挖掘常用方法》 介绍:空间数据挖掘常用方法 《Use Google's Word2Vec for movie reviews》 介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka ”边学边用word2vec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,并在实际比赛 里面比调参数和清数据。 如果已装过gensim不要忘升级 《PyNLPIR》 介绍:PyNLPIR提供了NLPIR/ICTCLAS汉语分词的Python接口.介绍:机器学习的目标是对计算机编程,以便使用样本数据或以往的经验来解决给定的问题. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《CIKM 2014主题报告的幻灯片》 介绍:CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主题报告的幻灯片, Alex Smola、 Limsoon Wong、Tong Zhang、Chih­Jen Lin的Industry Track报告的幻灯片 《人工智能和机器学习领域有趣的开源项目》 介绍:部分中文列表 《机器学习经典算法详解及Python实现­­基于SMO的SVM分类器》 介绍:此外作者还有一篇元算法、AdaBoost  python实现文章 《Numerical Optimization: Understanding L­BFGS》 介绍:加州伯克利大学博士Aria Haghighi写了一篇超赞的数值优化博文,从牛顿法讲到拟牛顿法, 再讲到BFGS以及L­BFGS.他表示,根据这次实验的结 果,如果今年NIPS重新审稿的话,会有一半的论文被拒。 《2014年最佳的大数据,数据科学文章》 介绍:KDNuggets分别总结了2014年14个阅读最多以及分享最多的文章。我们从中可以看到多个 主题——深度学习,数据科学家职业,教育和薪酬,学习数据科学的工具比如R和Python以及大 众投票的最受欢迎的数据科学和数据挖掘语言 《机器学习经典算法详解及Python实现­­线性回归(Linear Regression)算法》 介绍:Python实现线性回归.此外Zhon提供了常用汉字常量, 如CJK字符和偏旁,中文标点,拼音,和汉字正则表达式(如找到文本中的繁体字) 《深度卷积神经网络下围棋》 介绍:这文章说把最近模型识别上的突破应用到围棋软件上,打16万张职业棋谱训练模型识别功 能。想法不错。训练后目前能做到不用计算,只看棋盘就给出下一步,大约10级棋力。但这篇文 章太过乐观,说什么人类的最后一块堡垒马上就要跨掉了。话说得太早。不过,如果与别的软件 结合应该还有潜力可挖。@万精油墨绿 《NIPS审稿实验》 介绍:UT Austin教授Eric Price关于今年NIPS审稿实验的详细分析.

 Bengio最新论文Ensemble of Generative and Discriminative  Techniques for Sentiment Analysis of Movie Reviews ,使用RNN和PV在情感分析效果不错, [项目代码](https://github. 首页 发现 话题 介绍:2014中国大数据技术大会33位核心专家演讲PDF下载 搜索你感兴趣的内容… 提问 登录 《使用RNN和Paragraph Vector做情感分析》 介绍:这是T. Mikolov & Y. 《LambdaNet,Haskell实现的开源人工神经网络库 》 介绍:LambdaNetLambdaNet是由Haskell实现的一个开源的人工神经网络库,它抽象了网络创 建、训练并使用了高阶函数。该库还提供了一组预定义函数,用户可以采取多种方式组合这些函 数来操作现实世界数据。 《百度余凯&张潼机器学习视频》 介绍:如果你从事互联网搜索,在线广告,用户行为分析,图像识别,自然语言理解,或者生物 信息学,智能机器人,金融预测,那么这门核心课程你必须深入了解。 《杨强在TEDxNanjing谈智能的起源》 介绍:"人工智能研究分许多流派。其中之一以IBM为代表,认为只要有高性能计算就可得到智 能,他们的‘深蓝’击败了世界象棋冠军;另一流派认为智能来自动物本能;还有个很强的流派认 为只要找来专家,把他们的思维用逻辑一条条写下,放到计算机里就行……" 杨强在 TEDxNanjing谈智能的起源 《深度RNN/LSTM用于结构化学习 0)序列标注Connectionist Temporal  ClassificationICML06》 介绍:1)机器翻译Sequence to Sequence NIPS14 2)成分句法GRAMMAR AS FOREIGN  LANGUAGE 《Deep Learning实战之word2vec》 .com/mesnilgr/iclr15)公布在github(目前是空的)。这意味着Paragraph  Vector终于揭开面纱了嘛。 《NLPIR/ICTCLAS2015分词系统大会上的技术演讲 》 介绍:NLPIR/ICTCLAS2015分词系统发布与用户交流大会上的演讲,请更多朋友检阅新版分词 吧。 我们实验室同学的演讲包括:孙梦姝­基于评论观点挖掘的商品搜索技术研究李然­主题模型 《Machine Learning is Fun!》 介绍:Convex Neural Networks 解决维数灾难 《CNN的反向求导及练习》 介绍:介绍CNN参数在使用bp算法时该怎么训练,毕竟CNN中有卷积层和下采样层,虽然和MLP 的bp算法本质上相同,但形式上还是有些区别的,很显然在完成CNN反向传播前了解bp算法是 必须的。此外作者也做了一个资源集:机器学习,深度学习,视觉,数学等 《正则表达式优化成Trie树 》 介绍:如果要在一篇文章中匹配十万个关键词怎么办?Aho­Corasick 算法利用添加了返回边的Trie 树,能够在线性时间内完成匹配。 但如果匹配十万个正则表达式呢 ? 这时候可以用到把多个正 则优化成Trie树的方法,如日本人写的 Regexp::Trie 《Deep learning Reading List》 介绍:深度学习阅读清单 《Caffe》 介绍:Caffe是一个开源的深度学习框架,作者目前在google工作,作者主页Yangqing Jia (贾扬清) 《GoogLeNet深度学习模型的Caffe复现 》 介绍:2014 ImageNet冠军GoogLeNet深度学习模型的Caffe复现模型.GoogleNet论文.

gov.二.  Data Mining ­ Fruitful and Fun.五 《An Introduction to Matrix Concentration Inequalities》 介绍: Tropp把数学家用高深装逼的数学语言写的矩阵概率不等式用初等的方法写出来,是非常好 的手册,领域内的paper各种证明都在用里面的结果。虽说是初等的,但还是非常的难 《The free big data sources you should know》 介绍: 不容错过的免费大数据集,有些已经是耳熟能详,有些可能还是第一次听说,内容跨越文 本、数据、多媒体等,让他们伴你开始数据科学之旅吧,具体包括:Data.  scikit­learn:Machine Learning in Python.  Weka 3: Data Mining Software in  Java.三.  LIBSVM ­­ A Library for Support Vector Machines.  MAchine  Learning for LanguagE Toolkit.这是一篇NLP在中文分词中的应用 《Using convolutional neural nets to detect facial keypoints tutorial》 介绍: 使用deep learning的人脸关键点检测,此外还有一篇AWS部署教程 《书籍推荐:Advanced Structured Prediction》 介绍: 由Sebastian Nowozin等人编纂MIT出版的新书《Advanced Structured  Prediction》t.  Natural Language Toolkit:NLTK.四.gov、US Census  Bureau、European Union Open Data Portal、Data.介绍:网易有道的三位工程师写的word2vec的解析文档,从基本的词向量/统计语言模型­>NNLM­ 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 >Log­Linear/Log­Bilinear­>层次化Log­Bilinear,到CBOW和Skip­gram模型,再到word2vec的各 种tricks,公式推导与代码,基本上是网上关于word2vec资料的大合集,对word2vec感兴趣的朋 友可以看看 《Machine learning open source software》 介绍:机器学习开源软件.uk等 《A Brief Overview of Deep Learning》 介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的深度学习综述及实际建议 《A Deep Dive into Recurrent Neural Nets》 .  Open Source Computer Vision  Library 《机器学习入门者学习指南》 介绍:作者是计算机研二(写文章的时候,现在是2015年了应该快要毕业了),专业方向自然语言处 理.这是一点他的经验之谈.对于入门的朋友或许会有帮助 《A Tour of Machine Learning Algorithms》 介绍:这是一篇关于机器学习算法分类的文章,非常好 《2014年的《机器学习日报》大合集》 介绍:机器学习日报里面推荐很多内容,在这里有一部分的优秀内容就是来自机器学习日报. 《 Image classification with deep learning常用模型》 介绍:这是一篇关于图像分类在深度学习中的文章 《自动语音识别:深度学习方法》 介绍:作者与Bengio的兄弟Samy 09年合编《自动语音识别:核方法》 3)李开复1989年《自动语 音识别》专著,其博导、94年图灵奖得主Raj Reddy作序 《NLP中的中文分词技术》 介绍: 作者是360电商技术组成员.cn/RZxipKG ,汇集了结构化预测领域诸多牛文,涉及CV、NLP等领域,值得一 读。网上公开的几章草稿:一.收录了各种机器学习的各种编程语言学术与商业的开源软件.与此类似 的还有很多例如:DMOZ ­ Computers: Artificial Intelligence: Machine Learning:  Software.

 Control四点要求,以及需要注意的社会问题。毕竟 当前AI在经济领域,法律,以及道德领域相关研究较少。其实还有一部美剧《疑犯追踪》.这封信的背景是最近霍金和Elon Musk提醒人们注意AI的潜 在威胁。公开信的内容是AI科学家们站在造福社会的角度,展望人工智能的未来发展方向,提出 开发AI系统的Verification,Validity. 作者的其他的关于神经网络文章也很棒 《Introduction to Deep Learning Algorithms》 介绍:Deep Learning算法介绍,里面介绍了06年3篇让deep learning崛起的论文 《Learning Deep Architectures for AI》 介绍:一本学习人工智能的书籍,作者是Yoshua Bengio,相关国内报道 《Geoffrey E. Eric Horvitz.介绍了 AI的演进从一开始的自我学习,过滤,图像识别,语音识别等判断危险,到第四季的时候出现了 机器通过学习成长之后想控制世界的状态。说到这里推荐收看。 《metacademy》 介绍:里面根据词条提供了许多资源,还有相关知识结构,路线图,用时长短等。号称是”机器学 习“搜索引擎 《FAIR open sources deep­learning modules for Torch》 介绍:Facebook人工智能研究院(FAIR)开源了一系列软件库,以帮助开发者建立更大、更快的 深度学习模型。开放的软件库在 Facebook 被称作模块。用它们替代机器学习领域常用的开发环 境 Torch 中的默认模块,可以在更短的时间内训练更大规模的神经网络模型。 《浅析人脸检测之Haar分类器方法》 介绍:本文虽然是写于2012年,但是这篇文章完全是作者的经验之作。 《如何成为一位数据科学家》 介绍:本文是对《机器学习实战》作者Peter Harrington做的一个访谈。包含了书中部分的疑问解 答和一点个人学习建议 《Deep learning from the bottom up》 介绍:非常好的深度学习概述,对几种流行的深度学习模型都进行了介绍和讨论 《Hands­On Data Science with R Text Mining》 介绍:主要是讲述了利用R语言进行数据挖掘 《Understanding Convolutions》 介绍:帮你理解卷积神经网络,讲解很清晰,此外还有两篇Conv Nets: A Modular  Perspective,Groups & Group Convolutions. Yann LeCun. Peter Norvig. Hinton个人主页》 . Security. Geoffrey Hinton. Tom  Dietterich.介绍: 非常好的讨论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 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 容,强烈推荐!本文作者Nikhil Buduma还有一篇Deep Learning in a Nutshell值得推荐 《机器学习:学习资源》 介绍:里面融合了很多的资源,例如竞赛,在线课程,demo,数据整合等。有分类 《Statistical foundations of machine learning》 介绍:《机器学习的统计基础》在线版,该手册希望在理论与实践之间找到平衡点,各主要内容 都伴有实际例子及数据,书中的例子程序都是用R语言编写的。 《A Deep Learning Tutorial: From Perceptrons to Deep Networks》 介绍:IVAN VASILEV写的深度学习导引:从浅层感知机到深度网络。高可读 《Research priorities for robust and beneficial artificial intelligence》 介绍:鲁棒及有益的人工智能优先研究计划:一封公开信. Tom Mitchell. Elon Musk等人 签署The Future of Life Institute (FLI).目前已经有Stuart Russell.

NeuralTalk是一个Python的从图像生成自然语言描述的工 具。它实现了Google (Vinyals等,卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy  and Fei­Fei, CNN + 递归神经网络RNN)的算法。NeuralTalk自带了一个训练好的动物模型,你 可以拿狮子大象的照片来试试看 《Deep Learning on Hadoop 2.文章来自paypal 《Practical recommendations for gradient­based training of deep architectures》 介绍:用基于梯度下降的方法训练深度框架的实践推荐指导.作者是Yoshua Bengio .0上使用深度学习.感谢 @xuewei4d 推荐 《Machine Learning With Statistical And Causal Methods》 介绍: 用统计和因果方法做机器学习(视频报告) 《Machine Learning Course 180’》 介绍: 一个讲机器学习的Youtube视频教程。160集。系统程度跟书可比拟。 《回归(regression)、梯度下降(gradient descent)》 介绍: 机器学习中的数学,作者的研究方向是机器学习,并行计算如果你还想了解一点其他的可 以看看他博客的其他文章 《美团推荐算法实践》 介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析 《Deep Learning for Answer Sentence Selection》 .介绍:Geoffrey Hinton是Deep Learning的大牛,他的主页放了一些介绍性文章和课件值得学习 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《PROBABILITY THEORY: THE LOGIC OF SCIENCE》 介绍:概率论:数理逻辑书籍 《H2O》 介绍:一个用来快速的统计,机器学习并且对于数据量大的数学库 《ICLR 2015会议的arXiv稿件合集》 介绍:在这里你可以看到最近深度学习有什么新动向。 《Introduction to Information Retrieval》 介绍:此书在信息检索领域家喻户晓, 除提供该书的免费电子版外,还提供一个IR资源列表 ,收 录了信息检索、网络信息检索、搜索引擎实现等方面相关的图书、研究中心、相关课程、子领 域、会议、期刊等等,堪称全集,值得收藏 《Information Geometry and its Applications to Machine Learning》 介绍:信息几何学及其在机器学习中的应用 《Legal Analytics – Introduction to the Course》 介绍:课程《法律分析》介绍幻灯片。用机器学习解决法律相关分析和预测问题,相关的法律应 用包括预测编码、早期案例评估、案件整体情况的预测,定价和工作人员预测,司法行为预测 等。法律领域大家可能都比较陌生,不妨了解下。 《文本上的算法》 介绍: 文中提到了最优,模型,最大熵等等理论,此外还有应用篇。推荐系统可以说是一本不错 的阅读稿,关于模型还推荐一篇Generative Model 与 Discriminative Model 《NeuralTalk》 介绍: NeuralTalk is a Python+numpy project for learning Multimodal Recurrent Neural Networks  that describe images with sentences.0》 介绍:本文主要介绍了在Hadoop2.

cz ­ Radim Řehůřek ­ Word2vec & friends (7.国内网盘 《Introducing streaming k­means in Spark 1.Roboot,此外还推荐一个深度学习入门与综述资 料 《Learning more like a human: 18 free eBooks on Machine Learning》 介绍: 18 free eBooks on Machine Learning 《Recommend :Hang Li Home》 介绍:Chief scientist of Noah's Ark Lab of Huawei Technologies.Paper 《DEEPLEARNING.标注了关键点 《Move Evaluation in Go Using Deep Convolutional Neural Networks》 介绍: 多伦多大学与Google合作的新论文,深度学习也可以用来下围棋,据说能达到六段水平 《机器学习周刊第二期》 介绍: 新闻,paper.上面的这份ppt是来自Fields举办的活动中Russ Salakhutdinov带来 的《大规模机器学习》分享 《Topic modeling 的经典论文》 介绍: Topic modeling 的经典论文.2里面的Streaming K­means,由斑马鱼脑神经研究的Jeremy Freeman脑神 经科学家编写,最初是为了实时处理他们每半小时1TB的研究数据,现在发布给大家用了。 《LDA入门与Java实现》 介绍: 这是一篇面向工程师的LDA入门笔记,并且提供一份开箱即用Java实现。本文只记录基本 概念与原理,并不涉及公式推导。文中的LDA实现核心部分采用了arbylon的LdaGibbsSampler并 .课程,book,system.2》 介绍:很多公司都用机器学习来解决问题,提高用户体验。那么怎么可以让机器学习更实时和有 效呢?Spark MLlib 1.UNIVERSITY的论文库已经收录了963篇经过分类的深度学习论文了, 很多经典论文都已经收录 《MLMU. 首页 发现 介绍: 深度学习用于问答系统答案句的选取 话题 搜索你感兴趣的内容… 提问 登录 《Learning Semantic Representations Using Convolutional Neural Networks for Web Search  》 介绍: CNN用于WEB搜索,深度学习在文本计算中的应用 《Awesome Public Datasets》 介绍: Awesome系列中的公开数据集 《Search Engine & Community》 介绍: 一个学术搜索引擎 《spaCy》 介绍: 用Python和Cython写的工业级自然语言处理库,号称是速度最快的NLP库,快的原因一是 用Cython写的,二是用了个很巧妙的hash技术,加速系统的瓶颈,NLP中稀松特征的存取 《Collaborative Filtering with Spark》 介绍: Fields是个数学研究中心.UNIVERSITY – AN ANNOTATED DEEP LEARNING  BIBLIOGRAPHY》 介绍: DEEPLEARNING.CES.2015)》 介绍: Radim Řehůřek(Gensim开发者)在一次机器学习聚会上的报告,关于word2vec及其优化、 应用和扩展,很实用.He worked at the Research  Laboratories of NEC Corporation during 1990 and 2001 and Microsoft Research Asia during 2001  and 2012.1.

对比了统计和机器学 习的差异 《实例详解机器学习如何解决问题》 介绍:随着大数据时代的到来,机器学习成为解决问题的一种重要且关键的工具。不管是工业界 还是学术界,机器学习都是一个炙手可热的方向,但是学术界和工业界对机器学习的研究各有侧 重,学术界侧重于对机器学习理论的研究,工业界侧重于如何用机器学习来解决实际问题。这篇 文章是美团的实际环境中的实战篇 《Gaussian Processes for Machine Learning》 介绍:面向机器学习的高斯过程,章节概要:回归、分类、协方差函数、模型选择与超参优化、 高斯模型与其他模型关系、大数据集的逼近方法等.优点:速度快(OpenCV haar+adaboost的2­3倍). 准确度高 (FDDB非公开类评测排名第二),能 估计人脸角度。 《Inverting a Steady­State》 介绍:WSDM2015最佳论文 把马尔可夫链理论用在了图分析上面,比一般的propagation model更 加深刻一些。通过全局的平稳分布去求解每个节点影响系数模型。假设合理(转移受到相邻的影 响系数影响)。可以用来反求每个节点的影响系数 《机器学习入门书单》 介绍:机器学习入门书籍,具体介绍 《The Trouble with SVMs》 介绍: 非常棒的强调特征选择对分类器重要性的文章。情感分类中,根据互信息对复杂高维特征 降维再使用朴素贝叶斯分类器,取得了比SVM更理想的效果,训练和分类时间也大大降低——更 重要的是,不必花大量时间在学习和优化SVM上——特征也一样no free lunch 《Rise of the Machines》 介绍:CMU的统计系和计算机系知名教授Larry Wasserman 在《机器崛起》.微盘下载 《FuzzyWuzzy: Fuzzy String Matching in Python》 介绍:Python下的文本模糊匹配库,老库新推,可计算串间ratio(简单相似系数)、partial_ratio(局部 相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等 github 《Blocks》 .虽然里面的有些课程已经归档过了,但是还有个别的信息没有。感谢 课程图谱的小编 《A First Course in Linear Algebra》 介绍: 【A First Course in Linear Algebra】Robert Beezer 有答案 有移动版、打印版 使用GNU自 由文档协议 引用了杰弗逊1813年的信 《libfacedetection》 介绍:libfacedetection是深圳大学开源的一个人脸图像识别库。包含正面和多视角人脸检测两个算 法.力所能及地注解了,在搜狗分类语料库上测试良好,开源在GitHub上。 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《AMiner ­ Open Science Platform》 介绍: AMiner是一个学术搜索引擎,从学术网络中挖掘深度知识、面向科技大数据的挖掘。收集 近4000万作者信息、8000万论文信息、1亿多引用关系、链接近8百万知识点;支持专家搜索、 机构排名、科研成果评价、会议排名。 《What are some interesting Word2Vec results?》 介绍: Quora上的主题,讨论Word2Vec的有趣应用,Omer Levy提到了他在CoNLL2014最佳论文 里的分析结果和新方法,Daniel Hammack给出了找特异词的小应用并提供了(Python)代码 《机器学习公开课汇总》 介绍: 机器学习公开课汇总.

 2015》 介绍:15年旧金山深度学习峰会视频集萃.13年同主题报告 、讲义. San Francisco. 《人脸识别开发包》 介绍: 人脸识别二次开发包,免费,可商用,有演示、范例、说明书.国内云盘 《Introduction to Conditional Random Fields》 介绍:很好的条件随机场(CRF)介绍文章.ai Meet­Up上的报告,讲稀疏线性模型——面向“宽数 据”(特征维数超过样本数)的线性模型.4 Exponential  Families.介绍:Blocks是基于Theano的神经网络搭建框架,集成相关函数、管道和算法,帮你更快地创建 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 和管理NN模块. . 《Introducing practical and robust anomaly detection in a time series》 介绍:Twitter技术团队对前段时间开源的时间序列异常检测算法(S­H­ESD)R包的介绍,其中对异 常的定义和分析很值得参考,文中也提到——异常是强针对性的,某个领域开发的异常检测在其 他领域直接用可不行. 《Deep Learning Summit. 《Collaborative Feature Learning from Social Media》 介绍:用社交用户行为学习图片的协同特征,可更好地表达图片内容相似性。由于不依赖于人工 标签(标注),可用于大规模图片处理,难在用户行为数据的获取和清洗;利用社会化特征的思路 值得借鉴. 《Introduction to Machine Learning》 介绍:机器学习大神Alex Smola在CMU新一期的机器学习入门课程”Introduction to Machine  Learning“近期刚刚开课,课程4K高清视频同步到Youtube上,目前刚刚更新到 2. 《Empower Your Team to Deal with Data­Quality Issues》 介绍:聚焦数据质量问题的应对,数据质量对各种规模企业的性能和效率都至关重要,文中总结 出(不限于)22种典型数据质量问题显现的信号,以及典型的数据质量解决方案(清洗、去重、统 一、匹配、权限清理等) 《中文分词入门之资源》 介绍:中文分词入门之资源. 感兴趣的同学可以关注,非常适合入门. 《Awesome Computer Vision》 介绍: 分类整理的机器视觉相关资源列表,秉承Awesome系列风格,有质有量!作者的更新频率也 很频繁 《Adam Szeidl》 介绍: social networks course 《Building and deploying large­scale machine learning pipelines》 介绍: 大规模机器学习流程的构建与部署.课程视频playlist.作者的学习笔记 《A Fast and Accurate Dependency Parser using Neural Networks》 介绍: 来自Stanford,用神经网络实现快速准确的依存关系解析器 《Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in  Deep Learning》 介绍:做深度学习如何选择GPU的建议 《Sparse Linear Models》 介绍: Stanford的Trevor Hastie教授在H2O.

 曼德勃罗(Mandelbrot. 《学术种子网站:AcademicTorrents》 介绍: 成G上T的学术数据,HN近期热议话题.即二者成反比关系.此外推荐中文分词之HMM模型详解 《Zipf's and Heap's law》 介绍: 1)词频与其降序排序的关系.1902­1950)1949年提出的Zipf‘s  law.4­0.1924­ 2010)引入参数修正了对甚高频和甚低频词的 刻画 2)Heaps' law: 词汇表与语料规模的平方根(这是一个参数.6)成正比 《I am Jürgen Schmidhuber. 《Understanding Natural Language with Deep Neural Networks Using Torch》 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 介绍: 采用Torch用深度学习网络理解NLP,来自Facebook 人工智能的文章.作者用Shannon Entropy 来刻画NLP中各项任务的难度. 《Encoding Source Language with Convolutional Neural Network for Machine Translation》 介绍: 把来自target的attention signal加入source encoding CNN的输入,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》 介绍: 揭开印度菜的美味秘诀——通过对大量食谱原料关系的挖掘,发现印度菜美味的原因之一 是其中的味道互相冲突,很有趣的文本挖掘研究 《HMM相关文章索引》 介绍: HMM相关文章.最著名的是语言学家齐夫(Zipf. AMA》 介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me Anything)主题,有不少RNN和AI、ML的干 货内容,关于开源&思想&方法&建议……耐心阅读,相信你也会受益匪浅. 《The NLP Engine: A Universal Turing Machine for NLP》 介绍: 来自CMU的Ed Hovy和Stanford的Jiwei Li一篇有意思的Arxiv文章. 《TThe Probabilistic Relevance Framework: BM25 and Beyond》 介绍: 信息检索排序模型BM25(Besting Matching)。1)从经典概率模型演变而来 2)捕捉了向量 空间模型中三个影响索引项权重的因子:IDF逆文档频率;TF索引项频率;文档长度归一化。 3)并且含有集成学习的思想:组合了BM11和BM15两个模型。4)作者是BM25的提出者和Okapi 实现者Robertson.英语0.主题涉及机器学习、NLP、SNA等。下载最简单的 方法,通过BT软件,RSS订阅各集合即可 《机器学习交互速查表》 介绍: Scikit­Learn官网提供,在原有的Cheat Sheet基础上加上了Scikit­Learn相关文档的链接, 方便浏览 《A Full Hardware Guide to Deep Learning》 介绍: 深度学习的全面硬件指南,从GPU到RAM、CPU、SSD、PCIe 《行人检测(Pedestrian Detection)资源》 介绍:Pedestrian Detection paper & data 《A specialized face­processing network consistent with the representational geometry of  monkey face patches》 介绍: 【神经科学碰撞人工智能】在脸部识别上你我都是专家,即使细微的差别也能辨认。研究 已证明人类和灵长类动物在面部加工上不同于其他物种,人类使用梭状回面孔区(FFA)。 . 《Introduction to ARMA Time Series Models – simplified》 介绍: 自回归滑动平均(ARMA)时间序列的简单介绍,ARMA是研究时间序列的重要方法,由自回 归模型(AR模型)与滑动平均模型(MA模型)为基础“混合”构成.

提供了Python.63%准确率(新纪录),FaceNet embeddings可用于人脸识别、鉴别和聚类. 《FaceNet: A Unified Embedding for Face Recognition and Clustering》 介绍:Google对Facebook DeepFace的有力回击—— FaceNet,在LFW(Labeled Faces in the  Wild)上达到99. 2005]. C/C++. Go)》 介绍:一个深度学习项目.  2007]. Scala.中文版. Java.SENNA等重要变形,总结的特别好. Java. 《MLlib中的Random Forests和Boosting》 介绍:本文来自Databricks公司网站的一篇博客文章,由Joseph Bradley和Manish Amde撰写,文 章主要介绍了Random Forests和Gradient­Boosted Trees(GBTs)算法和他们在MLlib中的分布 式实现,以及展示一些简单的例子并建议该从何处上手. 《Sum­Product Networks(SPN) 》 介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文和实现代码.2003]、Hierarchical NNLM[Bengio. 《Neural Network Dependency Parser》 介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford CoreNLP),特点是超快、准 确,目前可处理中英文语料,基于《A Fast and Accurate Dependency Parser Using Neural  Networks》 思路实现. 《Classifying Spam Emails using Text and Readability Features》 介绍:经典问题的新研究:利用文本和可读性特征分类垃圾邮件。 《BCI Challenge @ NER 2015》 介绍:Kaggle脑控计算机交互(BCI)竞赛优胜方案源码及文档,包括完整的数据处理流程,是学习 Python数据处理和Kaggle经典参赛框架的绝佳实例 《IPOL Journal · Image Processing On Line》 介绍:IPOL(在线图像处理)是图像处理和图像分析的研究期刊,每篇文章都包含一个算法及相 应的代码、Demo和实验文档。文本和源码是经过了同行评审的。IPOL是开放的科学和可重复的 研究期刊。我一直想做点类似的工作,拉近产品和技术之间的距离.本文介绍了用可调节梯度下降和可调节动量法设计和编码经典BP神经网 络,网络经过训练可以做出惊人和美妙的东西出来。此外作者博客的其他文章也很不错。 《How to Choose a Neural Network》 介绍:deeplearning4j官网提供的实际应用场景NN选择参考表,列举了一些典型问题建议使用的神 经网络 《Deep Learning (Python. C/C++. Go多个版本的代码 《Deep Learning Tutorials》 介绍:深度学习教程. 《神经网络语言模型》 介绍:本文根据神经网络的发展历程,详细讲解神经网络语言模型在各个阶段的形式,其中的模 型包含NNLM[Bengio.github 《自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授》 介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授. 《Machine learning classification over encrypted data》 . Log­Bilinear[Hinton. Scala.Khaligh­Razavi等通过计算机模拟出人脸识别的FFA活动,堪称神经科学与人工智能的完美结 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 合。 《Neural Net in C++ Tutorial》 介绍: 神经网络C++教程.

如果你 是一位刚入门的朋友.js的JS神经网络库,可在客户端浏览器中运行,支持LSTM等 github地址 《Machine learning for package users with R (1): Decision Tree》 介绍: 决策树 《Deep Learning. and Autoencoders》 介绍: 讨论深度学习自动编码器如何有效应对维数灾难.此外还推荐一个R语言教程An Introduction to R. 《Fast unfolding of communities in large networks》 介绍:经典老文,复杂网络社区发现的高效算法,Gephi中的Community detection即基于此. Smola和S. 《PageRank Approach to Ranking National Football Teams》 介绍:通过分析1930年至今的比赛数据,用PageRank计算世界杯参赛球队排行榜.有突出部分. 《The Natural Language Processing Dictionary》 介绍:这是一本自然语言处理的词典. 《Hands­on with machine learning》 介绍:Chase Davis在NICAR15上的主题报告材料,用Scikit­Learn做监督学习的入门例子.可以借这本词典让自己成长更快. Sra主讲,优化理论是机器学习的基石,值 得深入学习 国内云(视频) 《CS231n: Convolutional Neural Networks for Visual Recognition》 介绍: "面向视觉识别的CNN"课程设计报告集锦.Js》 介绍: 支持node.近百篇,内容涉及图像识别应用的各个方面 《Topic modeling with LDA: MLlib meets GraphX》 介绍:用Spark的MLlib+GraphX做大规模LDA主题抽取. 《NUML》 介绍: 一个面向 . The Curse of Dimensionality.github地址 《synaptic. 《R Tutorial》 介绍:R语言教程.国内翻译 《Advanced Optimization and Randomized Methods》 介绍: CMU的优化与随机方法课程,由A. 《Deep Learning for Multi­label Classification》 介绍: 基于深度学习的多标签分类. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《purine2》 介绍:新加坡LV实验室的神经网络并行框架Purine: A bi­graph based deep learning framework.支 持构建各种并行的架构,在多机多卡,同步更新参数的情况下基本达到线性加速。12块Titan 20 小时可以完成Googlenet的训练。 《Machine Learning Resources》 介绍:这是一个机器学习资源库.虽然比较少.介绍:出自MIT,研究加密数据高效分类问题.此外还有一个由zheng  Rui整理的机器学习资源.从1998年开始到目前积累了成千上万的专业词语解释.但蚊子再小也是肉.net 的开源机器学习库.用基于RBM的DBN解决多标签分类(特征)问题 《Google DeepMind publications》 介绍: DeepMind论文集锦 .

《simplebayes》 介绍: Python下开源可持久化朴素贝叶斯分类库.还有资料. 《The Open­Source Data Science Masters》 介绍:好多数据科学家名人推荐. 《DEEP learning》 介绍: MIT的Yoshua Bengio等人讲深度学习的新书,还未定稿,线上提供Draft chapters收集反 馈,超赞!强烈推荐.Richard Socher主讲. 《HanLP:Han Language processing》 介绍: 开源汉语言处理包. 《Deep Learning libraries and first experiments with Theano》 介绍: 深度学习框架、库调研及Theano的初步测试体会报告. 国内有热心的朋友翻译了中文版. 《Text Understanding from Scratch》 介绍:实现项目已经开源在github上面Crepe 《 Improving Distributional Similarity with Lessons Learned from Word Embeddings》 介绍:作者发现,经过调参,传统的方法也能和word2vec取得差不多的效果。另外,无论作者怎 么试,GloVe都比不过word2vec.它目前托管在sourceforge上面 《Data Journalism Handbook》 介绍: 免费电子书《数据新闻手册》. 《kaldi》 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 介绍: 一个开源语音识别工具包. 《Hacker's guide to Neural Networks》 介绍:神经网络黑客入门. 《Paracel》 介绍:Paracel is a distributed computational framework designed for machine learning problems. 《CS224d: Deep Learning for Natural Language Processing》 介绍:Stanford深度学习与自然语言处理课程. 《Simple Neural Network implementation in Ruby》 介绍: 使用Ruby实现简单的神经网络例子. 《Text Analytics 2015》 介绍: 2015文本分析(商业)应用综述.深入浅出. 《pandas: powerful Python data analysis toolkit》 介绍: 非常强大的Python的数据分析工具包. 《Understanding Convolution in Deep Learning》 介绍: 深度学习卷积概念详解.  graph algorithms and scientific computing in C++.大家也可以在线阅读 《Data Mining Problems in Retail》 介绍: 零售领域的数据挖掘文章. 《Math Essentials in Machine Learning》 .

《AM207: Monte Carlo Methods. 《A Speed Comparison Between Flexible Linear Regression Alternatives in R》 介绍:R语言线性回归多方案速度比较具体方案包括lm()、nls()、glm()、bayesglm()、nls()、 mle2()、optim()和Stan’s optimizing()等. 《生物医学的SPARK大数据应用》 介绍:生物医学的SPARK大数据应用.胡乱假设. 《ACL Anthology》 介绍:对自然语言处理技术或者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,这个网址有这个领域几大顶会的论文列表.并且伯克利开源了他们的big data genomics系统ADAM,其 他的内容可以关注一下官方主页.github地址.NIPS是神经信息处理系统进展大会的英文简称. Stochastic Optimization》 介绍:《哈佛大学蒙特卡洛方法与随机优化课程》是哈佛应用数学研究生课程,由V Kaynig­ Fittkau、P Protopapas主讲,Python程序示例,对贝叶斯推理感兴趣的朋友一定要看看,提供授 课视频及课上IPN讲义. 《NIPS 2014 CIML workshop》 介绍:NIPS CiML 2014的PPT. 《Introduction to Data Analysis using Machine Learning》 . 《Statistical Machine Learning》 介绍:卡耐基梅隆Ryan Tibshirani和Larry Wasserman开设的机器学习课程,先修课程为机器学习 (10­715)和中级统计学(36­705),聚焦统计理论和方法在机器学习领域应用. 《CS231n: Convolutional Neural Networks for Visual Recognition》 介绍:斯坦福的深度学习课程的Projects 每个人都要写一个论文级别的报告 里面有一些很有意思 的应用 大家可以看看 . 《Twitter Sentiment Detection via Ensemble Classification Using Averaged Confidence  Scores》 介绍:论文+代码:基于集成方法的Twitter情感分类.实现代码. 发现 话题 搜索你感兴趣的内容… 提问 登录 《Improved Semantic Representations From Tree­Structured Long Short­Term Memory  Networks》 介绍:用于改进语义表示的树型LSTM递归神经网络.切不可断章取义. 《Back­to­Basics Weekend Reading ­ Machine Learning》 介绍:文中提到的三篇论文(机器学习那些事、无监督聚类综述、监督分类综述)都很经典, Domnigos的机器学习课也很精彩 《A Probabilistic Theory of Deep Learning》 介绍:莱斯大学(Rice University)的深度学习的概率理论. 《Deep Learning for Natural Language Processing (without Magic)》 介绍:视频+讲义:深度学习用于自然语言处理教程(NAACL13).实现 代码. 《Nonsensical beer reviews via Markov chains》 介绍:基于马尔可夫链自动生成啤酒评论的开源Twitter机器人.句子级相关性判断和情感分类效果很好. 首页 介绍:机器学习中的重要数学概念.

《An Inside Look at the Components of a Recommendation Engine》 介绍:基于Mahout和Elasticsearch的推荐系统.国内 《Beyond Short Snippets: Deep Networks for Video Classification》 介绍:基于CNN+LSTM的视频分类. Diebold的《(经济|商业|金融等领域)预测方法. Diebold的《时序计量经济学》. 《A comparison of open source tools for sentiment analysis》 介绍:基于Yelp数据集的开源情感分析工具比较.国内 云.介绍:用机器学习做数据分析.notebook 《Intro to machine learning with scikit­learn》 介绍:DataSchool的机器学习基本概念教学. Business.David Taylor最近在McGill University研讨会上的报告,还提供了一 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 系列讲机器学习方法的ipn,很有价值 GitHub. 《Time Series Econometrics ­ A Concise Course》 介绍:Francis X. 《How does Quora use machine learning in 2015?》 介绍:Quora怎么用机器学习. 《Machine learning in navigation devices: detect maneuvers using accelerometer and  gyroscope》 介绍:机器学习在导航上面的应用. 《Parallel Machine Learning with scikit­learn and IPython》 介绍:并行机器学习指南(基于scikit­learn和IPython). 《swirl + DataCamp 》 介绍:{swirl}数据训练营:R&数据科学在线交互教程. 《Pattern Recognition And Machine Learning》 介绍:国内Pattern Recognition And Machine Learning读书会资源汇总. Finance and Beyond》 介绍:Francis X. 《深度强化学习(Deep Reinforcement Learning)的资源》 .代码示例. 《Neural Networks Demystified 》 介绍:Neural Networks Demystified系列视频,Stephen Welch制作,纯手绘风格,浅显易懂. 《Amazon Machine Learning – Make Data­Driven Decisions at Scale》 介绍:亚马逊在机器学习上面的一些应用. 《Probabilistic Data Structures for Web Analytics and Data Mining 》 介绍:用于Web分析和数据挖掘的概率数据结构. 《DeepCLn》 介绍:一个基于OpenGL实现的卷积神经网络,支持Linux及Windows系.博客. 《Forecasting in Economics. 《Learning to Read with Recurrent Neural Networks 》 介绍:关于深度学习和RNN的讨论 Sequence to Sequence Learning with Neural Networks.评测覆盖Naive Bayes、SentiWordNet、CoreNLP 等 .google演示.各章pdf讲稿.

相关课程资料. 《Why GEMM is at the heart of deep learning》 介绍:一般矩阵乘法(GEMM)对深度学习的重要性. 《A Brief Overview of Deep Learning》 介绍:深度学习简明介绍. 《Distributed (Deep) Machine Learning Common》 介绍:A Community of awesome Distributed Machine Learning C++ projects.Parallel Machine Learning with scikit­learn and  IPython.内容覆盖流处理、MapReduce、图算法等.国 内镜像. 《A Deep Learning Tutorial: From Perceptrons to Deep Networks》 介绍:A Deep Learning Tutorial: From Perceptrons to Deep Networks.第一版(1998). 《Introduction to Machine Learning》 介绍:15年春季学期CMU的机器学习课程,由Alex Smola主讲,提供讲义及授课视频,很不错. 《PDNN》 介绍:PDNN: A Python Toolkit for Deep Learning.第二版(2015草稿). 《Picture: A Probabilistic Programming Language for Scene Perception》 介绍:以往上千行代码概率编程(语言)实现只需50行.此外还推荐《A new data processing workflow for R: dplyr.介绍:Deep Reinforcement Learning. 《Reinforcement Learning: An Introduction》 介绍:免费电子书<强化学习介绍>. tidyr.中文版. 《Wormhole》 . 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《Machine Learning with Scikit­Learn》 介绍:(PyCon2015)Scikit­Learn机器学习教程. 《Big Data Processing》 介绍:大数据处理课.另外一个.国内镜像. 《Machine Learning is Fun! ­ The world’s easiest introduction to Machine Learning》 介绍:有趣的机器学习:最简明入门指南.Reinforcement  Learning. 《Using Structured Events to Predict Stock Price Movement: An Empirical Investigation》 介绍:用结构化模型来预测实时股票行情.中文版.  magrittr. 《International Joint Conference on Artificial Intelligence Accepted paper》 介绍:国际人工智能联合会议录取论文列表. 《Free ebook: Microsoft Azure Essentials: Azure Machine Learning》 介绍:免费书:Azure ML使用精要. 《Spark MLlib: Making Practical Machine Learning Easy and Scalable》 介绍:用Spark MLlib实现易用可扩展的机器学习.大部分论文可使用Google找到. ggplot2》. 《Beautiful plotting in R: A ggplot2 cheatsheet》 介绍:ggplot2速查小册子.

《Spark summit east 2015 agenda》 介绍:最新的Spark summit会议资料.他的新个人主页. 《国内机器学习算法及应用领域人物篇:杨强》 介绍:迁移学习的国际领军人物. Part 2b: Ranking and  . 《Advanced Analytics with Spark.介绍:Portable. Early Release Edition》 介绍:Ebook Advanced Analytics with Spark. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《convnet­benchmarks》 介绍:CNN开源实现横向评测. 《Cat Paper Collection》 介绍:喵星人相关论文集.How to Evaluate Machine Learning Models.包括大量的NLP开源软件工具包,基础 数据集,论文集,数据挖掘教程,机器学习资源.》 介绍:卡耐基梅隆大学计算机学院语言技术系的资源大全. 《国内机器学习算法及应用领域人物篇:周志华》 介绍:在半监督学习,multi­label学习和集成学习方面在国际上有一定的影响力. 《Machine Learning Repository @ Wash U》 介绍:华盛顿大学的Machine Learning Paper Repository. 《国内机器学习算法及应用领域人物篇:吴军》 介绍:吴军博士是当前Google中日韩文搜索算法的主要设计者。在Google其间,他领导了许多研 发项目,包括许多与中文相关的产品和自然语言处理的项目. 《Spark summit east 2015 agenda》 介绍:最新的Spark summit会议资料. Part 1: Orientation》 介绍:如何评价机器学习模型系列文章. 《This catalogue lists resources developed by faculty and students of the Language  Technologies Institute. 《Machine learning cheat sheet》 介绍:机器学习速查表. 《国内机器学习算法及应用领域人物篇:王海峰》 介绍:信息检索,自然语言处理,机器翻译方面的专家. 《How to Evaluate Machine Learning Models. 《国内机器学习算法及应用领域人物篇:唐杰》 介绍:清华大学副教授,是图挖掘方面的专家。他主持设计和实现的Arnetminer是国内领先的图挖 掘系统,该系统也是多个会议的支持商. scalable and reliable distributed machine learning. Part 2a:  Classification Metrics. Early Release Edition.视频+讲义. 《Sentiment Analysis on Twitter》 介绍:Twitter情感分析工具SentiTweet.How to Evaluate Machine Learning Models. 《Learning Spark》 介绍:Ebook Learning Spark.参评框架包括Caffe 、Torch­7、CuDNN 、cudaconvnet2 、fbfft、 Nervana Systems等,NervanaSys表现突出.

Regression Metrics. 《机器翻译学术论文写作方法和技巧》 介绍:机器翻译学术论文写作方法和技巧,Simon Peyton Jones的How to write a good research  paper同类视频How to Write a Great Research Paper.国内翻译版本. 《deep net highlights from 2014》 介绍:deep net highlights from 2014.06》 . 《The Computer Vision Industry 》 介绍:提供计算机视觉、机器视觉应用的公司信息汇总.在这里推荐的原因是大家可以在google通过搜索牛 人的名字来获取更多的资源.谢谢作者.这份资料很宝贵.推荐新入门的朋友阅读.应用领域包括:自动辅助驾驶和交通管 理、眼球和头部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和检 验、医药和生物、移动设备目标识别和AR、人群跟踪、摄像、安全监控、生物监控、三维建 模、web和云应用. 《Storm Blueprints: Patterns for Distributed Real­time Computation》 介绍:Storm手册,国内有中文翻译版本. 《Structured Learning for Taxonomy Induction with Belief Propagation》 介绍:用大型语料库学习概念的层次关系,如鸟是鹦鹉的上级,鹦鹉是虎皮鹦鹉的上级。创新性 在于模型构造,用因子图刻画概念之间依存关系,因引入兄弟关系,图有环,所以用有环扩散 (loopy propagation)迭代计算边际概率(marginal probability). 《Bayesian analysis》 介绍: 这是一款贝叶斯分析的商业软件.我们 熟悉的各个领域的大牛绝大多数都在榜上,包括1位诺贝尔奖得主,35位图灵奖得主,近百位美 国工程院/科学院院士,300多位ACM Fellow.虽然R语言 已经有 类似的项目. 《Fingerprinting Images for Near­Duplicate Detection》 介绍:图像指纹的重复识别. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《Building a new trends experience》 介绍:Twitter新trends的基本实现框架. 《Fast R­CNN》 介绍:This paper proposes Fast R­CNN. 《我和NLP的故事》 介绍:作者是NLP方向的硕士,短短几年内研究成果颇丰.官方写的贝叶斯分析的手册有250多页.how to paper talk.作者源码. 《Seaborn: statistical data visualization》 介绍:Python版可视化数据统计开源库.博主的其他博客也挺精彩的. 《神经网络训练中的Tricks之高效BP(反向传播算法)》 介绍:神经网络训练中的Tricks之高效BP.但毕竟可以增加一个可选项. 《The h Index for Computer Science 》 介绍:UCLA的Jens Palsberg根据Google Scholar建立了一个计算机领域的H­index牛人列表. a clean and fast framework for object detection. 《SmileMiner》 介绍:Java机器学习算法库SmileMiner. 《IPython lecture notes for OCW MIT 18.

 The Shorter We Tweet》 介绍:激情时分更惜字——MIT的最新Twitter研究结果.除此之外还有其他的免费编程书籍.Mathematics》 介绍:免费的机器学习与数学书籍. 《A Statistical View of Deep Learning (V): Generalisation and Regularisation》 介绍:深度学习的统计分析V:泛化和正则化. 《Data Scientists Thoughts that Inspired Me》 介绍:16位数据科学家语录精选. 《An Introduction to Recommendation Engines》 介绍:Coursera上的推荐系统导论(Introduction to Recommender Systems)公开课.操作系统等. 《Highway Networks》 介绍:用SGD能高效完成训练的大规模(多层)深度网络HN. 《Lightning fast Machine Learning with Spark》 介绍:基于Spark的高效机器学习.视频地址. 《Free book:Machine Learning. 《Object detection via a multi­region & semantic segmentation­aware CNN model》 介绍:一篇关于CNN模型对象识别Paper.github.设计. 《Canova: A Vectorization Lib for ML》 介绍:面向机器学习/深度学习的数据向量化工具Canova. 《Stanford Machine Learning》 介绍:Andrew Ng经典机器学习课程笔记. 《The More Excited We Are. 支持CSV文件、MNIST数据、TF­ IDF/Bag of Words/word2vec文本向量化. 《How we’re using machine learning to fight shell selling》 介绍:WePay用机器学习对抗信用卡"shell selling"诈骗. 《Deep learning applications and challenges in big data analytics》 介绍:深度学习在大数据分析领域的应用和挑战. 《Stanford Machine Learning》 介绍:推荐系统"个性化语义排序"模型.介绍:麻省理工Gilbert Strang线性代数课程笔记.编程语言. 《Learning scikit­learn: Machine Learning in Python》 介绍:基于scikit­learn讲解了一些机器学习技术,如SVM,NB,PCA,DT,以及特征工程、特征 选择和模型选择问题. 《DZone Refcardz: Distributed Machine Learning with Apache Mahout》 介绍:快速入门:基于Apache Mahout的分布式机器学习. 《What I Read For Deep­Learning》 介绍:深度学习解读文章. 《ICLR 2015》 介绍:ICLR 2015见闻录.博客的其他机器学习文章也不错. .Gilbert Strang《Linear Algebra》课程主页视频 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 +讲义.

《Computer Vision ­ CSE 559A. 《An Inside Look at the Components of a Recommendation Engine》 介绍:基于Mahout和Elasticsearch的推荐系统.此外推荐相关神经图灵机算法. 《Learning Deep Learning》 介绍:一个深度学习资源页.资料很丰富. 《Top 10 data mining algorithms in plain English》 介绍:白话数据挖掘十大算法. 《Mining of Massive Datasets》 介绍:"Mining of Massive Datasets"发布第二版. . Anand Rajaraman. 《10­minute tour of pandas》 介绍:Pandas十分钟速览.ipn. 《Data doesn't grow in tables: harvesting journalistic insight from documents》 介绍:面向数据新闻的文本挖掘.项目地址. 《Deep Learning vs Big Data: Who owns what?》 介绍:深度学习vs. Spring 2015》 介绍:华盛顿大学的机器视觉(2015). 首页 发现 《苏州大学人类语言技术研究论文主页》 话题 搜索你感兴趣的内容… 提问 登录 介绍:苏州大学人类语言技术研究相关论文.Jure Leskovec. Jeff Ullman 新 版增加Jure Leskovec作为合作作者,新增社交网络图数据挖掘、降维和大规模机器学习三章. 大数据:神经网 络权值的版权属于谁?­CSDN. 《The Curse of Dimensionality in classification》 介绍:分类系统的维数灾难.NET 《A Primer on Predictive Models》 介绍:预测模型入门. 《Tutorial: Machine Learning for Astronomy with Scikit­learn》 介绍:Machine Learning for Astronomy with scikit­learn. 《An Introduction to Random Forests for Beginners》 介绍:免费电子书"随机森林入门指南".[翻译版](深度学习 vs.电 子版依旧免费.参考资料Computer Vision: Algorithms and Applications. 《Neural Turing Machines implementation》 介绍:实现神经图灵机(NTM).大数据——从数据到知识:版权的思考. 《Learning Deep Learning》 介绍:免费电子书"Learning Deep Learning".国内译版. 《Time­lapse Mining from Internet Photos》 介绍:用网络图片合成延时视频(SIGGRAPH 2015). 《Advances in Extreme Learning Machines》 介绍:博士学位论文:ELM研究进展.

 SVM. 《Supervised learning superstitions cheat sheet》 介绍:IPN:监督学习方法示例/对比参考表.0%的top­5准确率。和同为dmlc项目的cxxnet 相比,采用动态数据流引擎,提供更多灵活性。未来将和cxxnet一起整合为mxnet项目,互取优 势. Naive Bayes等方 法. 《Kaggle R Tutorial on Machine Learing》 . 《Decoding Dimensionality Reduction. 《Demistifying LSTM Neural Networks》 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 介绍:深入浅出LSTM. 《VDiscover》 介绍:基于机器学习的漏洞检测工具VDiscover. 《DopeLearning: A Computational Approach to Rap Lyrics Generation》 介绍:基于RankSVM和DNN自动(重组)生成Rap歌词. 《Regret Analysis of Stochastic and Nonstochastic Multi­armed Bandit Problems》 介绍:免费电子书多臂老虎机. 《CVPR 2015 paper》 介绍:2015年国际计算机视觉与模式识别会议paper. 决策树. PCA and SVD》 介绍:解读数据降维/PCA/SVD.Reddit上flukeskywalker整理了各家技术相关论文. 《What are the advantages of different classification algorithms?》 介绍:Netflix工程总监眼中的分类算法:深度学习优先级最低. 《ICLR 2015》 介绍:2015年ICLR会议视频与讲义. 《On Visualizing Data Well》 介绍:Ben Jones的数据可视化建议.覆盖logistic回归.中文版. 《Model­Based Machine Learning (Early Access)》 介绍:新书预览:模型机器学习. 《Results for Microsoft COCO Image Captioning Challenge》 介绍:Codalab图像标注竞赛排行+各家论文.此外推荐Introduction to Bandits: Algorithms and Theory. 《Low precision storage for deep learning》 介绍:深度学习(模型)低精度(训练与)存储. 《An Introduction to Random Indexing》 介绍:随机索引RI词空间模型专题.7%的top­1以及89. 《Caffe con Troll: Shallow Ideas to Speed Up Deep Learning》 介绍:基于Caffe的加速深度学习系统CcT. KNN. 《Minerva》 介绍:深度学习系统minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上能 在4天内将GoogLeNet训练到68.

介绍:基于Kaggle's Titanic Competition的交互式R机器学习教程,介绍《Interactive R Tutorial: 
首页 发现 话题 搜索你感兴趣的内容… 提问 登录
Machine Learning for the Titanic Competition》.

《Deep Learning(深度学习)学习笔记整理系列》

介绍:Deep Learning(深度学习)学习笔记整理系列.

《Introduction to Neural Machine Translation with GPUs 》

介绍:神经(感知)机器翻译介绍.

《Andrew Ng: Deep Learning, Self­Taught Learning and Unsupervised Feature Learning》

介绍:Andrew Ng关于深度学习/自学习/无监督特征学习的报告,国内云.

《Recurrent Neural Network Training with Dark Knowledge Transfer》

介绍:论文:通过潜在知识迁移训练RNN.

《Show Me The Money》

介绍:面向金融数据的情感分析工具.

《pyLDAvis》

介绍:(Python)主题模型交互可视化库pyLDAvis.

《Logistic Regression and Gradient Descent》

介绍:Logistic回归与优化实例教程.

《贾扬清微信讲座记录》

介绍:贾扬清(谷歌大脑科学家、caffe缔造者)微信讲座记录.

《sketch》

介绍:Theano/Blocks实现RNN手写字符串生成sketch.

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

介绍:基于TopSig的海量(7亿+)网页聚类.

《NAACL 2015 Proceedings on ACL Anthology》

介绍:NAACL 2015 论文papers.

《Stock Forecasting With Machine Learning ­ Seven Possible Errors》

介绍:机器学习预测股市的七个问题.

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

介绍:神经网络学习资料推荐.

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

介绍:面向序列学习的RNN综述.

《Handling and Processing Strings in R》

介绍:R文本处理手册.

《Must­watch videos about Python》

介绍:“必看”的Python视频集锦.

《The Google Stack》

介绍:Google(基础结构)栈.

《Randomized Algorithms for Matrices and Data》

介绍:矩阵和数据的随机算法(UC Berkeley 2013).
首页 发现 话题 搜索你感兴趣的内容… 提问 登录
《Intermediate R》

介绍:DataCamp中级R语言教程.

《Topology Without Tears》

介绍:免费电子书:轻松掌握拓扑学,中文版.

《Information Theory, Pattern Recognition, and Neural Networks》

介绍:Book,video.

《Scikit­learn》

介绍:Scikit­learn 是基于Scipy为机器学习建造的的一个Python模块,他的特色就是多样化的分
类,回归和聚类的算法包括支持向量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient 
Boosting,聚类算法和DBSCAN。而且也设计出了Python numerical和scientific libraries Numpy 
and Scipy

《Pylearn2》

介绍:Pylearn是一个让机器学习研究简单化的基于Theano的库程序。

《NuPIC》

介绍:NuPIC是一个以HTM学习算法为工具的机器智能平台。HTM是皮层的精确计算方法。HTM
的核心是基于时间的持续学习算法和储存和撤销的时空模式。NuPIC适合于各种各样的问题,尤其
是检测异常和预测的流数据来源。

《Nilearn》

介绍:Nilearn 是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的
scikit­learn 工具箱和一些进行预测建模,分类,解码,连通性分析的应用程序来进行多元的统
计。

《PyBrain》

介绍:Pybrain是基于Python语言强化学习,人工智能,神经网络库的简称。 它的目标是提供灵
活、容易使用并且强大的机器学习算法和进行各种各样的预定义的环境中测试来比较你的算法。

《Pattern》

介绍:Pattern 是Python语言下的一个网络挖掘模块。它为数据挖掘,自然语言处理,网络分析和
机器学习提供工具。它支持向量空间模型、聚类、支持向量机和感知机并且用KNN分类法进行分
类。

《Fuel》

介绍:Fuel为你的机器学习模型提供数据。他有一个共享如MNIST, CIFAR­10 (图片数据集), 
Google’s One Billion Words (文字)这类数据集的接口。你使用他来通过很多种的方式来替代自己
的数据。

《Bob》

介绍:Bob是一个免费的信号处理和机器学习的工具。它的工具箱是用Python和C++语言共同编写
的,它的设计目的是变得更加高效并且减少开发时间,它是由处理图像工具,音频和视频处理、
机器学习和模式识别的大量软件包构成的。

《Skdata》

介绍:Skdata是机器学习和统计的数据集的库程序。这个模块对于玩具问题,流行的计算机视觉
和自然语言的数据集提供标准的Python语言的使用。

《MILK》

介绍:MILK是Python语言下的机器学习工具包。它主要是在很多可得到的分类比如SVMS,K­NN,
首页 发现 话题 搜索你感兴趣的内容… 提问 登录
随机森林,决策树中使用监督分类法。 它还执行特征选择。 这些分类器在许多方面相结合,可以
形成不同的例如无监督学习、密切关系金传播和由MILK支持的K­means聚类等分类系统。

《IEPY》

介绍:IEPY是一个专注于关系抽取的开源性信息抽取工具。它主要针对的是需要对大型数据集进
行信息提取的用户和想要尝试新的算法的科学家。

《Quepy》

介绍:Quepy是通过改变自然语言问题从而在数据库查询语言中进行查询的一个Python框架。他
可以简单的被定义为在自然语言和数据库查询中不同类型的问题。所以,你不用编码就可以建立
你自己的一个用自然语言进入你的数据库的系统。现在Quepy提供对于Sparql和MQL查询语言的
支持。并且计划将它延伸到其他的数据库查询语言。

《Hebel》

介绍:Hebel是在Python语言中对于神经网络的深度学习的一个库程序,它使用的是通过PyCUDA
来进行GPU和CUDA的加速。它是最重要的神经网络模型的类型的工具而且能提供一些不同的活
动函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

《mlxtend》

介绍:它是一个由有用的工具和日常数据科学任务的扩展组成的一个库程序。

《nolearn》

介绍:这个程序包容纳了大量能对你完成机器学习任务有帮助的实用程序模块。其中大量的模块
和scikit­learn一起工作,其它的通常更有用。

《Ramp》

介绍:Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个
轻型的pandas­based机器学习中可插入的框架,它现存的Python语言下的机器学习和统计工具
(比如scikit­learn,rpy2等)Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实
施算法和转换。

《Feature Forge》

介绍:这一系列工具通过与scikit­learn兼容的API,来创建和测试机器学习功能。这个库程序提供
了一组工具,它会让你在许多机器学习程序使用中很受用。当你使用scikit­learn这个工具时,你
会感觉到受到了很大的帮助。(虽然这只能在你有不同的算法时起作用。)

《REP》

介绍:REP是以一种和谐、可再生的方式为指挥数据移动驱动所提供的一种环境。它有一个统一
的分类器包装来提供各种各样的操作,例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以
在一个群体以平行的方式训练分类器。同时它也提供了一个交互式的情节。

《Python 学习机器样品》

介绍:用亚马逊的机器学习建造的简单软件收集。

《Python­ELM》

介绍:这是一个在Python语言下基于scikit­learn的极端学习机器的实现。

《Dimension Reduction》

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

《Datasets Used For Benchmarking Deep Learning Algorithms》

介绍:deeplearning.net整理的深度学习数据集列表.

《Golang Natural Language Processing》

首页 发现 话题 搜索你感兴趣的内容… 提问 登录 《Rehabilitation of Count­based Models for Word Vector Representations》 介绍:词频模型对词向量的反击. 《CS224d: Deep Learning for Natural Language Processing》 介绍:斯坦福大学深度学习与自然语言处理课程.参考Improving Distributional Similarity with Lessons Learned from  Word Embeddings 。 《Three Aspects of Predictive Modeling》 介绍:预测模型的三个方面. 感谢 Qix,深度学习准备由此入坑。 发布于 2016­03­16 3583 115 条评论 分享 收藏 感谢 收起 Deeper 机器学习\深度学习\语音识别 1044 人赞同了该回答 昨天被日报转载了,褒贬不一,仍过千赞;最好的礼物。但是,除了日报,其它的转载请提前私信 我,并注明出处。感谢各位捧场! ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­新年快乐    鸡年大吉­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­­­­­­­­­­­­­ 因为近期要做一个关于深度学习入门的技术分享,不想堆砌公式,让大家听得一头雾水不知不觉摸 裤兜掏手机刷知乎。所以花了大量时间查资料看论文,有的博客或者论文写得非常赞,比如三巨头 LeCun,Bengio和Hinton 2015年在Nature上发表综述论文的“Deep Learning”,言简意赅地引用了上 百篇论文,但适合阅读,不适合presentation式的分享;再如Michael Nielsen写的电子书《神经网络 与深度学习》(中文版,英文版)通俗易懂,用大量的例子解释了深度学习中的相关概念和基本原 理,但适合于抽两三天的功夫来细品慢嚼,方能体会到作者的良苦用心;还有Colah写的博客,每 一篇详细阐明了一个主题,如果已经入门,这些博客将带你进阶,非常有趣。 还翻了很多知乎问答,非常赞。但发现很多”千赞侯”走的是汇总论文视频教程以及罗列代码路线, 本来想两小时入门却一脚踏进了汪洋大海;私以为,这种适合于有一定实践积累后按需查阅。还有 很多”百赞户”会拿鸡蛋啊猫啊狗啊的例子来解释深度学习的相关概念,生动形象,但我又觉得有避 重就轻之嫌。我想,既然要入门深度学习,得有微积分的基础,会求导数偏导数,知道链式法则, 最好还学过线性代数;否则,真的,不建议入门深度学习。 最后,实在没找到我想要的表达方式。我想以图的方式概要而又系统性的呈现深度学习所涉及到的 基本模型和相关概念。论文“A Critical Review of Recurrent Neural Networks for Sequence  Learning”中的示意图画得简单而又形象,足以说明问题,但这篇文章仅就RNN而展开论述,并未涉 及CNN,RBM等其它经典模型;Deeplearning4j上的教程貌似缺少关于编码器相关内容的介绍,而 UFLDL教程只是详细介绍了编码器的方方面面。但是如果照抄以上三篇的图例,又涉及到图例中的 模块和符号不统一的问题。所以,索性自己画了部分模型图;至于直接引用的图,文中已经给了链 接或出处。如有不妥之处,望指正。以下,以飨来访。 1.部分课程笔记词向量、引言 《Google Computer Vision research at CVPR 2015》 介绍:CVPR2015上Google的CV研究列表. 介绍:Go语言编写的自然语言处理工具. 《Using Deep Learning to Find Basketball Highlights》 介绍:利用(Metamind)深度学习自动发现篮球赛精彩片段.  从经典的二分类开始说起,为此构建二分类的神经网络单元,并以Sigmoid函数和平方差损失 (比较常用的还有交叉熵损失函数)函数来举例说明梯度下降法以及基于链式法则的反向传播 (BP),所有涉及到的公式都在这里: .

 神经元中的非线性变换激活函数(深度学习中的激活函数导引)及其作用(参考颜沁睿的回 答),激活函数是神经网络强大的基础,好的激活函数(根据任务来选择)还可以加速训练: 不同的激活函数搭配不同的参数初始化策略,比如Tahn和Xavier初始化方法:  以及ReLU和MSRAFiller初始化(Srurpassing Human)方法。 3. 前馈性神经网络和自动编码器的区别在于输出层,从而引出无监督学习的概念;而降噪编码器和 自动编码器的区别又在输入层,即对输入进行部分遮挡或加入噪声;稀疏编码器(引出正则项的概 念)和自动编码器的区别在隐藏层,即隐藏层的节点数大于输入层节点数;而编码器都属于无监督 学习的范畴。浅层网络的不断栈式叠加构成相应的深度网络。 值得一提的是,三层前馈型神经网络(只包含一个隐藏层)的word2vec(数学原理详解)是迈向NLP 的大门,包括CBOW和skip­gram两种模型,另外在输出层还分别做了基于Huffman树的Hierarchical  Softmax以及negative sampling(就是选择性地更新连接负样本的权重参数)的加速。 4. 受限波兹曼机RBM属于无监督学习中的生成学习,输入层和隐藏层的传播是双向的,分正向过程 和反向过程,学习的是数据分布,因此又引出马尔可夫过程和Gibbs采样的概念,以及KL散度的度 量概念: . 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 2.

 深度网络的实现基于逐层贪心训练算法,而随着模型的深度逐渐增加,会产生梯度消失或梯度爆 炸的问题,梯度爆炸一般采用阈值截断的方法解决,而梯度消失不易解决;网络越深,这些问题越 严重,这也是深度学习的核心问题,出现一系列技术及衍生模型。 . 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 与生成学习对应的是判别学习也就是大多数的分类器,生成对抗网络GAN融合两者;对抗是指生成 模型与判别模型的零和博弈,近两年最激动人心的应用是从文本生成图像(Evolving AI Lab ­  University of Wyoming):  再推荐一个讲DCGAN的超赞教程Image Completion with Deep Learning in TensorFlow:  5.

 卷积神经网络在层与层之间采取局部链接的方式,即卷积层和采样层,在计算机视觉的相关任务 上有突出表现,关于卷积神经网络的更多介绍请参考我的另一篇文章(戳戳戳): 而在NIPS 2016上来自康奈尔大学计算机系的副教授 Killan Weinberger 探讨了深度极深的卷积网 络,在数据集CIFAR­10 上训练一个 1202 层深的网络。  .深度制胜,网络越深越好,因此有了深度残差网络将深度扩展到152层,并在ImageNe多项竞赛任 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 务中独孤求败: 6.

7. 循环神经网络在隐藏层之间建立了链接,以利用时间维度上的历史信息和未来信息,与此同时在 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 时间轴上也会产生梯度消失和梯度爆炸现象,而LSTM和GRU则在一定程度上解决了这个问题,两 者与经典RNN的区别在隐藏层的神经元内部结构,在语音识别,NLP(比如RNNLM)和机器翻译 上有突出表现(推荐阅读): 除了RNNLM采用最简单最经典的RNN模型,其他任务隐层神经元往往采用LSTM或者GRU形式, 关于LSTM的进化历史,一图胜千言,更多内容可以参阅LSTM: A Search Space Odyssey: RNN模型在一定程度上也算是分类器,在图像描述(Deep Visual­Semantic Alignments for  Generating Image Descriptions)的任务中已经取得了不起的成果(第四节GAN用文本生成图像是 逆过程,注意区别): 另外,关于RNN的最新研究是基于attention机制来建立模型(推荐阅读文章),即能够在时间轴上 选择有效信息加以利用,比如百度App中的"为你写诗"的功能核心模型就是attention­based RNN  encoder­decoder: .

首页 发现 话题 搜索你感兴趣的内容… 提问 登录 8. 总结了深度学习中的基本模型并再次解释部分相关的技术概念: 最后,现在深度学习在工业中的应用往往是整合多个模型到产品中去,比如在语音识别的端到端系 统中,利用无监督模型或者CNN作为前期处理提取特征,然后用RNN模型进行逻辑推理和判断,从 而达到可媲美人类交流的水平,如百度的DeepSpeech2: .

首页 发现 话题 搜索你感兴趣的内容… 提问 登录 画图是个细活慢活,周末加班很辛苦,觉得好就动动手指给个赞吧。 不喜请喷,转载请注明出处,谢谢。 编辑于 2017­03­02 1044 73 条评论 分享 收藏 感谢 收起 吴逸鸣 小吴 190 人赞同了该回答 倒时差看到这个,比较有感触回答一下。 先说一下个人情况吧(据说这样可以拿到更多赞)。我15年秋天去CMU读硕士前只接触过最零星的 机器学习。在16年夏天就很幸运地加入Facebook Applied Machine Learning(AML) 参与神经网络框 架caffe2的开发。也算对这个领域入了门。 我自己认为大家在实战中想用神经网络这门技术所涉及到的知识没有想象的那么多,主要靠四个 字:事在人为。 举一个和神经网络无关的例子。前几年iOS特别火,我也在本科选了一门iOS开发。课程的内容很详 细,然而我却不上心。老师把iOS生态和各种库讲完一学期后我发现自己还是只会Xcode新建default 项目。几个月下来连入门都算不上。按理说iOS开发的教学比神经网络的教学成体系多了,但只听 不做的我啥也没学到。相信类似的经历很多人也体验过。 iOS的经历让我觉得前端就是世界上最大的黑魔法。那对于在读这个问题的你来说,神经网络是不 是也像个黑魔法呢?数学上要会求导,会凸优化。编程上要会洗数据,跑框架,厉害点的还要写自 己的网络甚至搭建分布式训练。这些都具备了以后还要时常跟进新的热点,比如前几年的rcnn到后 来的resnet到后来的gan。 神经网络(NN)的技术栈像前端一样越拉越长。我身边做NN做的好的人,也像优秀的前端工程师 一样,是笔耕不辍的。随手举例:FB实习期见我有天对我land的代码量很自豪,就去向我的mentor  @贾扬清 炫耀问:你一天land多少代码?杨清说:我每天开很多会 我想我一定land比你少很多。结 果系统显示杨清在比我一周多开超过10小时会的情况下多land两倍的代码;又比如@李沐学长虽然 肩负着pitch Mxnet的重任,但在repo里的代码量也是排前三的(手机打字可能有误);又比如我第 一次接触LSTM+CTC的时候train TIMIT根本不收敛,去向@吴育昕巨神请教。他虽然也没接触过但 欣然答应。帮我调了整整两天发现是epoch不够。他们都是我认识的最高级的炼丹师,但他们也是 我认识在神经网络上最勤奋的人。 .

 Natural Language Processing.  Self­Driving Car.mybridge. A.069%)。 这些资料中有适合零基础的人入门的完整课程,也有最近这一年深度学习领域最新的的进展、应 用、以及开源项目等。干货很多、质量很高。不论是初学者还是这个领域的研究者,都值得花些时 间阅读和学习一下。 这份清单的内容包含了:Deep  Learning.255) 412 人赞同了该回答 原文链接:medium.  . Reinforcement Learning... Rank1 Unsupervised Feature Learning and Deep Learning Tutorial 一份完整的深度学习教程。源自深度学习领域大名鼎鼎的Andrew Ng教授,从最基础的回归问题讲 起,涉及了有监督学习、无监督学习、神经网络、CNN、以及自学习(Self­Taught Learning)等 等。 Rank2 Teaching Your Computer To Play Super Mario Bros. Neural Networks. Face Recognition.co/mach.I. ­­­­­­­­­­­­­­­­­­­­原答案­­­­­­­­­­­­­­­­­­­­­ 在Medium分享平台上,有一篇文章总结了截至2017年机器学习领域最值得阅读的10篇文章(其实 是10份资料),以及一些开源项目和公开课的清单。这些材料是从14500篇机器学习的文章中精心 挑选出来的最有价值的10篇(0..   Tensorflow.所以只要肯多做,就算是愚钝如我,也一定能入门。这是最简单的道理,我只是给大家佐上了一些 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 论证和故事罢了:) 发布于 2017­02­22 190 24 条评论 分享 收藏 感谢 Spark 我说的白是(255.255. Alpha­Go.

. ..com/@ageitgey/ma...com/learning­new. 基于深度学习的人脸识别。知乎上居然有这篇文章的翻译版本:机器学习原来这么有趣!第四章: 用深度学习识别人脸 ­ 知乎专栏。 Rank5 medium. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 这个很有趣,利用DeepMind和神经网络教计算机玩超级玛丽。这个也是DeepMind公司的机器学习 项目。 Rank3 A Beginner&amp;amp;amp;amp;#x27;s Guide To Understanding Convolutional Neural Networks  Part1 A Beginner&amp;amp;amp;amp;#x27;s Guide To Understanding Convolutional Neural Networks  Part 2 The 9 Deep Learning Papers You Need To Know About (Understanding CNNs Part 3) 一个专门为初学者写的卷积神经网络教程,以及其推荐的9篇需要了解深度学习的文章。 Rank4 medium.

facebook..)。 Rank6 https://www. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 教你如何在一年内从一个门外汉到学会在实际中使用机器学习。如果你嫌时间太久,这里还有 Machine Learning in a week(medium.com/learning­new.com/notes/mark­zuckerberg/building­jarvis/10154361492931634? utm_source=mybridge&amp;amp;amp;amp;utm_medium=blog&amp;amp;amp;amp;utm_campaign=r ead_more 基于自然语言处理的智能管家(注:Jarvis是钢铁侠的AI管家)。这个可是Facebook创始人 Zuckerberg在2016年亲自做的一个工作。 ..

Rank7 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 Image Completion with Deep Learning in TensorFlow 在TensorFlow框架下,使用深度学习方法实现图像修复(Image Completion)。 Rank8 The Neural Network Zoo ­ The Asimov Institute .

首页 发现 话题 搜索你感兴趣的内容… 提问 登录 总结了各种神经网络结构和机器学习算法的模型,有最简单的感知机、玻尔兹曼机、SVM,还有复 杂的深度卷积神经网络(DCN)、DBN等等。 Rank9 How to Code and Understand DeepMind&amp;amp;amp;amp;#x27;s Neural Stack Machine Rank10 youtube. 讲解神经网络的,资源在Youtube上,请自备科学上网工具,如果是在想看又看不了,请联系我。 Open Source 下面介绍的是2016年一些比较重要和有价值的开源项目。 neural­enhance Super Resolution for images using deep learning..com/watch?. ..

 Tensorflow。提供了很多练习和解决方案的例 子。同时也是以下书籍和课程的配套代码。 书籍:Reinforcement Learning: An Introduction (2nd Edition) 课程:David Silver&amp;amp;amp;amp;#x27;s Reinforcement Learning Course lengstrom/fast­style­transfer 根据不同的艺术风格,改变图像的画风,类似Prisma。也可以处理视频文件。 视频课程 Data Science: Deep Learning in Python ­ Udemy . OpenAI Gym. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 提高图像分辨率,使模糊的图像变得清晰。这个开源项目目前在github上已经有6297个关注了。 dennybritz/reinforcement­learning 增强学习算法的应用和实现。Python.

首页 发现 话题 搜索你感兴趣的内容… 提问 登录 Machine Learning A­Z™: Hands­On Python &amp;amp;amp;amp;amp; R In Data Science 福利 A visual introduction to machine learning 图解机器学习。用可视化的方法,并且通过一个实际的案例讲解机器学习的一些概念和算法思想。 ps、这个网页的做的太赞了,有没有大神知道这怎么做到的。 .

首页 发现 话题 搜索你感兴趣的内容… 提问 登录 40 Interview Questions asked at Startups in Machine Learning / Data Science 这个列举了机器学习专业中,找工作的时候经常会问到的40个问题。对于要求职的小伙伴很有用。 编辑于 2017­04­03 412 11 条评论 分享 收藏 感谢 收起 郭小贤 统计套利 | 算法交易 | 机器学习 | 数据科学 914 人赞同了该回答 先看你有没有相关的应用需求,如果有的话就太好了。借助情景学习起来非常快。 Tutorial  Deep Learning Tutorial from Stanford ­ Stanford计算机系的官方tutorial,Andrew Ng执笔。要想 了解DL的原理,这个最好用了。 论文 .

 and R Deeplearning4j ­ Java库,整合了Hadoop和Spark Caffe ­ Yangqing Jia读研究生的时候开发的,现在还是由Berkeley维护。 Theano ­ 最流行的Python库 News Deep Learning News ­ 紧跟深度学习的新闻、研究进展和相关的创业项目。 So,各位加油咯!!! ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­补    充­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­­­­­­­­­ 另外建议看看大神Yoshua Bengio的推荐(左边的链接是论文,右边的是代码),有理论有应用 (主要应用于CV和NLP) Page on Toronto. ­ Google Project Hosting 编辑于 2016­06­29 914 23 条评论 分享 收藏 感谢 收起 . cuda­convnet ­ High­ performance C++/CUDA implementation of convolutional neural networks ­ Google Project  Hosting Linguistic Regularities in Continuous Space Word Representations. ynd/cae.com/lisa­lab/pyle. trainingRNNs  ImageNet Classification with Deep Convolutional Neural Networks. pylearn2) On the difficulty of training recurrent neural networks. Ian Goodfellow and Aaron Courville,目前最权威的DL教材了 几个常用的深度学习代码库: H2O ­ 一个开源的可扩展的库,支持Java. May 2015) 三大神 Yann LeCun.. https://github. Yoshua Bengio. Page on Jmlr. Scala. 主要看点 是深度学习近两年(2012­2014)的进展情况。 课程 Neural Networks for Machine Learning ­ Geoffrey Hinton在Coursera开设的MOOC。现在没有 重新开课,但里面的资料都有,论坛也开放。  Oxford Deep Learning ­  Nando de Freitas 在 Oxford 开设的深度学习课程,有全套视频。 教材 Deep Learning ­  Yoshua Bengio. and  Geoffrey Hinton的文章,不解释。 Growing Pains in Deep Learning Deep Learning in Neural Networks  ­ This technical report provides an overview of deep  learning and related techniques with a special focus on developments in recent years.. word2vec ­ Tool for  computing continuous distributed representations of words. The Learning Machines ­  一个导论性质的文章,让你大致了解深度学习是什么,用来干什么 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 的。 Deep Learning ­ (Review Article in Nature. Home Page of Geoffrey Hinton  Page on Toronto.py · GitHub  Page on Icml. Home Page of Ruslan R Salakhutdinov  Page on Wustl. Python.

I ­ Berkeley by Dan Klein and Pieter Abbeel (2013) . Neural networks class by Hugo Larochelle from Université de Sherbrooke (2013) 6. ML 285 人赞同了该回答 deep learning 算是 cutting edge 的 topic,不好找书,还有MOOC什么的,中文资料也别考虑了。 建议研究前沿的东西,都从这里开始 GitHub ­ sindresorhus/awesome: A curated list of awesome  lists 。 deep learning 从这里开始GitHub ­ ChristosChristofidis/awesome­deep­learning: A curated  list of awesome Deep Learning tutorials. Courses 1. A. ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ 前言 入门的话看一看这三个部分:Courses. Deep Learning by Microsoft Research (2013) 4. projects and communities. Machine Learning ­ Carnegie Mellon by Tom Mitchell (Spring 2011) 4. projects and communities. Videos and Lectures, Tutorials,选几个自己喜欢的 开始看。 进阶学习看其他sections。 这个list可以作为你学习deep learning的roadmap~ 点赞!!! Awesome Deep Learning   Table of Contents Free Online Books Courses Videos and Lectures Papers Tutorials Researchers WebSites Datasets Frameworks Miscellaneous Contributing Free Online Books 1. Neural Networks and Deep Learning by Michael Nielsen (Dec 2014) 3. An introduction to genetic algorithms 7. Machine Learning ­ Stanford by Andrew Ng in Coursera (2010­2014) 2. Deep Learning Course by CILVR lab @ NYU (2014) 7. neuraltalk by Andrej Karpathy : numpy­based RNN/LSTM implementation 6. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 何宜晖 CS undergrad. Artificial Intelligence: A Modern Approach 8. University of Montreal (Jan 6 2015) 5. DL. Neural Networks for Machine Learning by Geoffrey Hinton in Coursera (2012) 5. Machine Learning ­ Caltech by Yaser Abu­Mostafa (2012­2014) 3. Deep Learning in Neural Networks: An Overview GitHub ­ ChristosChristofidis/awesome­deep­learning: A curated list of awesome Deep Learning  tutorials. Ian Goodfellow and Aaron Courville (05/07/2015) 2. CV. Deep Learning Tutorial by LISA lab. Deep Learning by Yoshua Bengio.

8. Feature Learning by Geoffrey Hinton. Ethan Meyers  @ MIT (2013) 10. Self­Taught Learning and Unsupervised Feature Learning By Andrew Ng 3. Convolutional Neural Networks for Visual Recognition ­ Stanford by Fei­Fei Li. Making Sense of the World with Deep Learning By Adam Coates 9. Visual Perception with Deep Learning By Yann LeCun 11. Machine Learning ­ Oxford (2014­2015) 15.. Deep Learning for Natural Language Processing ­ Stanford 13. 16. Unsupervised Deep Learning ­ Stanford by Andrew Ng in Stanford (2011) 14. GRU ­ Gated Recurrent Unit 15. Training tricks by YB 7. Andrew Ng. How To Create A Mind By Ray Kurzweil 2. Supervised Sequence Labelling with Recurrent Neural Networks 9. Nando de Freitas and several others @ IPAM. Papers 1. ImageNet Classification with Deep Convolutional Neural Networks 2. The Next Generation of Neural Networks By Geoffrey Hinton at GoogleTechTalks 12. Training Recurrent Neural Networks 11. Neural Networks for Named Entity Recognitionzip 6. UCLA (2012) 17. Demystifying Unsupervised Feature Learning By Adam Coates 10. Graduate Summer School: Deep Learning. GFRNN.I ­ MIT by Patrick Henry Winston (2010) 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 9. Tomaso Poggio. Ali Ghodsi at University of Waterloo (2015) Videos and Lectures 1. A Critical Review of Recurrent Neural Networks for Sequence Learning 18. Deep Learning. Convolutional Neural Networks for Visual Recognition ­ Stanford by Fei­Fei Li. Natural Language Processing By Chris Manning in Stanford 15. Yoshua  Bengio. Yann LeCun. Statistical Language Models based on Neural Networks 10. LSTM: A Search Space Odyssey 17. A beginners Guide to Deep Neural Networks By Natalie Hammel and Lorraine Yurshansky 16. Using Very Deep Autoencoders for Content Based Image Retrieval 3. Learning Deep Architectures for AI 4. Deep Learning ­ Nvidia (2015) 16. Visualizing and Understanding Recurrent Networks 19. Bi­directional RNN 13. Deep Learning ­ Udacity/Google by Vincent Vanhoucke and Arpan Chakraborty (2016) 18. Vision and learning ­ computers and brains by Shimon Ullman. Deep Learning ­ UWaterloo by Prof. Recent Developments in Deep Learning By Geoff Hinton 4. Principles of Hierarchical Temporal Memory by Jeff Hawkins 7. Ilya Sutskever. LSTM 14. The wonderful and terrifying implications of computers that can learn By Jeremy Howard at  TEDxBrussels 13. Recursive Deep Learning for Natural Language Processing and Computer Vision 12. Geoff Hinton's reading list (all papers) 8. An Empirical Exploration of Recurrent Network  Architectures . Deep Learning of Representations by Yoshua bengio 6. Andrej Karpathy  (2015) 11. CMU’s list of papers 5. Deep Learning: Intelligence from Big Data by Steve Jurvetson (and panel) at VLAB in Stanford. Wojciech Zaremba. A. Machine Learning Discussion Group ­ Deep Learning w/ Stanford AI Lab by Adam Coates 8. Andrej Karpathy  (2016) 12. The Unreasonable Effectiveness of Deep Learning by Yann LeCun 5. Neural Networks ­ usherbrooke 14.

 TensorFlow Python Notebooks 15. Andrej Karpathy 9. Neural Networks for Matlab 8. Benjamin Schrauwen 15. Using convolutional neural nets to detect facial keypoints tutorial 9. Mastering the Game of Go with Deep Neural Networks and Tree Search Tutorials 1. Neural Turing Machines 32. Andrew W. Deep Neural Networks for Acoustic Modeling in Speech Recognition 24. Christopher Manning 20. Policy Learning with Continuous Memory States for Partially Observed Robotic Control 30. A Deep Learning Tutorial: From Perceptrons to Deep Networks 5. Deep Learning for NLP (without Magic) 4. Abdel­rahman Mohamed 3. The Best Machine Learning Tutorials On The Web 11. Bernardete Ribeiro 16. UFLDL Tutorial 1 2. Google ­ Sequence to Sequence Learning with Nneural Networks 28. Reinforcement Learning Neural Turing Machines 26. Deep Learning from the Bottom up 6. Theano Tutorial 7. David Reichert . Ask Me Anything: Dynamic Memory Networks for Natural Language Processing 33. Alexander Ilin 7. Adam Coates 4. Learning Phrase Representations using RNN Encoder­Decoder for Statistical Machine  Translation 27. Saxe 10. Keras and Lasagne Deep Learning Tutorials Researchers 1. UFLDL Tutorial 2 3.20. Speech Recognition with Deep Recurrent Neural Networks 25. Brian Kingsbury 19. Amos Storkey 8. Boureau Y­Lan 18. TensorFlow tutorials 13. Alex Krizhevsky 6. Andriy Mnih 13. Ayse Naz Erkan 14. Bo David Chen 17. Aaron Courville 2. Alex Acero 5. Recurrent Neural Network based Language Modeling in Meeting Recognition 23. Memory Networks 29. VGG Convolutional Neural Networks Practical 12. Extensions of Recurrent Neural Network Language Model 22. More TensorFlow tutorials 14. Torch7 Tutorials 10. Andrew M. Recurrent Neural Network based Language Model 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 21. Microsoft ­ Jointly Modeling Embedding and Translation to Bridge Video and Language 31. Clement Farabet 21. Andrew Ng 11. Dan Claudiu Cireșan 22. Senior 12.

 Patrick Nguyen 68. Reinhold Scherer 74. Rob Fergus 76. Jeff Dean 46. Piotr Mirowski 72. Galen Andrew 30. Ilya Sutskever 41. Schmidt 27. KyungHyun Cho 53. Noel Lopes 65. Richard Socher 75. Drausin Wulsin 26. Pascal Vincent 67.23. Nando de Freitas 61. Misha Denil 59. Ludovic Arnold 56. Hélène Paugam­Moisy 38. Nicolas Le Roux 63. Jason Morton 44. Ruslan Salakhutdinov . Ronan Collobert 80. Jason Weston 45. Honglak Lee 39. Guillaume Desjardins 36. Le 73. Derek Rose 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 24. Navdeep Jaitly 62. Hugo Larochelle 40. Nitish Srivastava 64. Eugenio Culurciello 28. Erik M. Blanco 51. Pierre Sermanet 71. Itamar Arel 42. Mohammad Norouzi 60. Peggy Series 70. Martin Längkvist 58. Pedro Domingos 69. Geoffrey Hinton 31. Quoc V. Robert Gens 78. Joshua Matthew Susskind 49. Robert Coop 77. Frank Seide 29. Graham Taylor 33. Marc'Aurelio Ranzato 57. Lucas Theis 55. Guido Francisco Montúfar 35. James Martens 43. Justin A. Jiquan Mgiam 47. Li Deng 54. Jürgen Schmidhuber 50. Grégoire Montavon 34. Oriol Vinyals 66. George Dahl 32. Dong Yu 25. Roger Grosse 79. Hannes Schulz 37. Koray Kavukcuoglu 52. Joseph Turian 48.

 Volodymyr Mnih 92.mpi­inf..rochester.com/lrcn/ 22. cs. Berkeley Segmentation Dataset 500 8.edu/research/ai 9. Sebastian Gerwinn 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 82.com 15. Microsoft COCO 12.edu 21.edu/AI/isd. CIFAR­10 and CIFAR­1004. cs.org 23. Tara Sainath 86.net 2.htm 16.sri.gov 11. deeplearning. stat. csail. Ueli Meier 90.edu 3. nlp.utexas.edu/users/ai­lab 8.edu 20. Flickr 8k 10. ai.toronto. visualqa. Tapani Raiko 85.ac. ai­junkie. www­aig. VQA .edu.edu/research/ai 14.nasa.mil/itd/aic 17. Tiny Images 80 Million tiny images6. isi.ucla. AI Weekly 19. Vincent Vanhoucke 91. Flickr Data 100 Million Yahoo dataset 7. jeffdonahue. Google House Numbers from street view 3.com 5. www. cs.washington. Deep Learning News Datasets 1.de/departments/computer­vision.brown. MNIST Handwritten digits 2.mit. hips. nrl. Sven Behnke 84. Tijmen Tieleman 87. Tomáš Mikolov 89.unsw.au/~aishare 13. Stéphane Mallat 83.cs.seas.edu/ai 7. Yichuan Tang 94.  4. Yotaro Kubo 96.edu 12.cse.umich.81.uk 10. deeplearning.stanford.edu 4. Flickr 30k 11.edu 18. Tom Karnowski 88. aiai.edu/research/ai 6. UC Irvine Machine Learning Repository 9.harvard. deeplearning. 24.navy.ed.jpl.stanford. eecs. cgi. cs. Yann LeCun 93.. Yoshua Bengio 95.mpg. Youzhi (Will) Zou WebSites 1.  6. IMAGENET 5.

 AT&T Laboratories Cambridge face database 15. Brown University Stimuli ­ A variety of datasets including geons. It includes synthetic data. Content­based image retrieval database ­ 11 sets of color images for testing algorithms for  content­based retrieval. Amsterdam Library of Object Images ­ ALOI is a color image collection of one­thousand small  objects. CCITT Fax standard images ­ 8 images (Formats: gif) 24. Good  for testing recognition algorithms. sequences. CMU VASC Image Database ­ Images. Efficient Content­based Retrieval Group 33. We recorded over a  hundred images of each object. El Salvador Atlas of Gastrointestinal VideoEndoscopy ­ Images and Videos of his­res of studies  taken from Gastrointestinal Video endoscopy. Computational Vision Lab 31. and over 700 images. objects. Annotated face. recorded for scientific purposes. (455 images + GT. including color tiff images with  spectroradiometry (Formats: gif. In order to capture the sensory variation in object  recordings. (Formats: jpg) 39. camera sensor  data.  (Formats: jpg) 32. and "greebles". AVHRR Pathfinder 16. (Formats: tiff) 30. Biometric Systems Lab ­ University of Bologna 41. (Formats:  png) 18. Densely Sampled View Spheres ­ Densely sampled view spheres ­ upper half of the view  sphere of two toy objects with 2500 images each. 40. 26. CMU PIE Database ­ A database of 41. Computer Science VII (Graphical Systems) 35. (Formats: bmp) 29. Air Freight ­ The Air Freight data set is a ray­traced image sequence along with ground truth  segmentation based on textural characteristics. Machine Vision Unit 23. gif) 38. (Formats: jpg. Caltech Image Database ­ about 20 images ­ mostly top­down views of small objects and toys. Univerity of Minnesota Vision Lab 37. each 160x120 pixels). Image QA 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 14.  43 illuminations conditions.asf) 19. and illumination color for  each object. we systematically varied viewing angle. They have an organic appearance. Four fingerprint databases constitute the FVC2000 benchmark (3520  fingerprints in all). Computational Colour Constancy Data ­ A dataset oriented towards computational color  constancy. observed with over 200 different combinations of viewing and  illumination directions. Image Analysis and Computer Graphics 20. and with 4 different expressions.368 face images of 68 people captured under 13 poses. Columbia­Utrecht Reflectance and Texture Database ­ Texture and reflectance measurements  for over 60 samples of 3D texture. Most sets have a description file with names of objects in each image. cardiac & meat images ­ Most images & annotations are supplemented  by various ASM/AAM analyses using the AAM­API.250 images for the collection. FG­NET Facial Aging Database ­ Database contains 1002 face images showing subjects at  different ages. (Formats: bmp. FVC2000 Fingerprint Databases ­ FVC2000 is the First International Competition for Fingerprint  Verification Algorithms. (Formats: various formats are  available on request) 36. but useful for computer vision in general. tiff) 25. yielding a total of 110. hand.  (Formats: GIF) 28. with XML ground truth of detection and behavior  classification (Formats: MPEG2 & JPEG) 22. CAVIAR video sequences of mall and public space behavior ­ 90K video frames in 90  sequences of various human activities.  (Formats: PNG) 17. (Formats: pict) 21. and additionally captured wide­baseline stereo images. Digital Embryos ­ Digital embryos are novel objects which may be used to develop and test  object recognition systems.13. illumination angle. Face and Gesture images and image sequences ­ Several image datasets of faces and  gestures that are ground truth annotated for benchmarking . (Formats: tiff) 34. CMU CIL's Stereo Data with Ground Truth ­ 3 sets of 11 images. stereo pairs (thousands of images)  (Formats: Sun Rasterimage) 27. mpg.

 NIST Fingerprint and handwriting ­ datasets ­ thousands of images (Formats: unknown) 66. for research purposes. INRIA 50. ppm)  48.edu/pub/pri. Mammography Image Databases ­ 100 or more images of mammograms with ground truth. ICG Testhouse sequence ­ 2 turntable sequences from ifferent viewing heights.jpg) 43. OSU (MSU) 3D Object Model Database ­ several sets of 3D object models collected over  several years to use in object recognition research (Formats: homebrew. OSU (MSU/WSU) Range Image Database ­ Hundreds of real and synthetic images (Formats:  gif. Machine Vision ­ Images from the textbook by Jain. Groningen Natural Image Database ­ 4000+ 1536x1024 (16 bit) calibrated outdoor images  (Formats: homebrew) 45. ftp. MIT Vision Texture ­ Image archive (100+ images) (Formats: ppm) 58.  homebrew) 73.vrml.C. and M. INRIA's Syntim images database ­ 15 color image of simple objects (Formats: gif) 49. Schunck (20+ images) (Formats:  GIF TIFF) 60.wrl. Japan 56. homebrew) 72. JAFFE Facial Expression Image Database ­ The JAFFE database consists of 213 images of  Japanese female subjects posing 6 basic facial expressions as well as a neutral pose. vrml) 71.J.. (Formats: homebrew) 52. Modis Airborne simulator. National Design Repository ­ Over 55.000 3D CAD and solid models of (mostly)  mechanical/machined engineerign designs. 36 images  each.msu. Ratings  on emotion adjectives are also available. Kyoto. mostly outdoor sequences (Formats: raw.Baker. Motion Sequences ­ Over 1000  range images. and links to several other mammography databases are  provided. plus tools to generate ground truth for new sequences. free of charge. INRIA's Syntim stereo databases ­ 34 calibrated color stereo pairs (Formats: gif) 51. Image Database ­ An image database including some textures 54. Otago Optical Flow Evaluation Sequences ­ Synthetic and real sequences with machine­ readable ground truth optical flow fields. Geometric & Intelligent Computing Laboratory 70. Middlebury Stereo Vision Research Page ­ Middlebury College 64. still images and motion sequences (Formats: gif. Institute of Computer Graphics and Vision 47.cps. color (Formats: PPM) 46. (Formats: mpg. (Formats: homebrew) 61. MIT face images and more ­ hundreds of images (Formats: homebrew) 59.tif.Hannah. ­ many images (Formats: unknown) 62.H.  (Formats: ppm. vrml. Language Processing and Pattern Recognition 44.stp. These data have been used in an evaluation of  stereo analysis. Kasturi. resolution 1000x750. 3D Models. (Formats: gif.sat) 69. Image Analysis Laboratory 53.Bolles. 263­­274  (Formats: SSI) 57. ppm. (Formats: TIFF  Grayscale images. ATR Research. IEN Image Library ­ 1000+ images.42. Image Analysis Laboratory ­ Images obtained from a variety of imaging modalities ­­ raw CFA  images. OSU/SAMPL Database: Range Images. CAT and MRI image samples ­ over 30 images  (Formats: jpeg) 68.homebrew) . German Fingerspelling Database ­ The database contains 35 gestures and consists of 1400  首页 发现 话题 搜索你感兴趣的内容… 提问 登录 image sequences that contain gestures of 20 different persons recorded under non­uniform  daylight lighting conditions.) 55. Stills. as described in the April 1993 ARPA Image Understanding Workshop paper  ``The JISCT Stereo Evaluation'' by R. H. Gallery and data set ­ High Altitude Imagery from around the world for  environmental modeling in support of NASA EOS program (Formats: JPG and HDF) 65. range images and a host of "medical images".. NIST Fingerprint data ­ compressed multipart uuencoded tar file 67. Signal Analysis and Machine Perception Laboratory 74. Each data set contains 9 color images and subpixel­accuracy  ground­truth data. Middlebury Stereo Data Sets with Ground Truth ­ Six multi­frame stereo data sets of scenes  containing planar regions. JISCT Stereo Evaluation ­ 44 image pairs. (Formats: ppm) 63. 3D object models.  Additional images available by request. NLM HyperDoc Visible Human Project ­ Color.

 (Formats: RAW (RGB 24­bit)) 87. U Oulu wood and knots database ­ Includes classifications ­ 1000+ color images (Formats:  ppm) 98. The Xm2vts database ­ The XM2VTSDB contains four digital recordings of 295 people taken  over a period of four months. Machine Vision and Media Processing Unit 104. ras. The RVL SPEC­DB (SPECularity DataBase) ­ A collection of over 300 real images of 100  objects taken under three different illuminaiton conditions (Diffuse/Ambient/Directed). IAKS/KOGS 95.  and occlusions.. Speech and Signal Processing 93. Over 72. The AR Face Database ­ Contains over 4. Traffic Image Sequences and 'Marbled Block' Sequence ­ thousands of frames of digitized traffic  image sequences as well as the 'Marbled Block' sequence (grayscale images) (Formats: GIF) 94.  More than 50 annotated object classes. illumination. U Bern Face images ­ hundreds of images (Formats: Sun rasterfile) 96. each captured under  three illuminants. (Formats: raw. LIMSI­CNRS 79. University of Oulu Texture Database ­ Database of 320 surface textures. Frontal views with variations in facial expressions. Stereo Images with Ground Truth Disparity and Occlusion ­ a small set of synthetic images of a  hallway with varying amounts of noise added. space. and retrieval algorithms can be tested in a  standard manner. 92. (Formats: tiff) 99. (Formats: bmp. Use these images to benchmark your stereo  algorithm. 103.fr/pub/quenot. or tiff) 84. The MIT­CSAIL Database of Objects and Scenes ­ Database for testing multiclass object  detection and scene recognition algorithms. SEQUENCES FOR OPTICAL FLOW ANALYSIS (SOFA) ­ 9 synthetic sequences designed for  testing motion analysis applications. (Formats: jpg) 89. Photometric 3D Surface Texture Database ­ This is the first 3D texture database which provides  both full real surface rotations and registered photometric stereo data (30 textures. This database contains both image and video data of faces. xv) . ftp. Vision Research Group 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 76. UCID ­ an Uncompressed Colour Image Database ­ a benchmark database for image retrieval  with predefined ground truth. Purdue Robot Vision Lab 88. (Formats: TIFF) 80. U Michigan textures (Formats: compressed raw) 97. Sequences for Flow Based Reconstruction ­ synthetic sequence for testing structure from  motion algorithms (Formats: pgm) 83. (Formats: homebrew) 100. (Formats: gif) 81. (Formats: TIFF ) 90. 75. University of Oulu Physics­based Face Database ­ contains color images of faces under  different illuminants and camera calibration conditions as well as skin spectral reflectance  measurements of each person.. (Formats: pgm (raw)) 77. USF Range Image Data with Segmentation Ground Truth ­ 80 image sets (Formats: Sun  rasterimage) 102. six spatial resolutions and nine rotation angles. 1680  images).limsi. These images may be used for the test of optical flow and image  matching algorithms. UNC's 3D image database ­ many images (Formats: GIF) 101. stereo. Stuttgart Range Image Database ­ A collection of synthetic range images taken from high­ resolution polygonal models available on the web (Formats: homebrew) 85. Computer Vision Group 82. UMass Vision Image Archive ­ Large image database with aerial. LIMSI­CNRS/CHM/IMM/vision 78. A set of test suites is also  provided so that texture segmentation. Centre for Vision.000 color images corresponding to 126 people's  faces (70 men and 56 women).000 images with 2873 annotated frames. Robot Vision Laboratory 91. ­ Real and synthetic image sequences used for testing a Particle Image  Velocimetry application. medical images  and more. including full ground truth of motion and camera  parameters. ­­ Use  these images to test algorithms for detecting and compensating specular highlights in color  images. viff (khoros). classification. Department Image Understanding 86.

 Keras ­ Theano based Deep Learning Library 23. MatConvNet: CNNs for MATLAB 28. Chainer ­ A flexible framework of neural networks for deep learning 24. Apache SINGA ­ A General Distributed Deep Learning Platform 37. Flexible Distributed/Mobile Deep Learning framework 34. Mocha. stool. DMTK ­ Microsoft Distributed Machine Learning Tookit 32. 30. Ccv 7. and  occlusion configurations. KUnet. bicycle. 3D Vision Group 112. Two sets for training and testing  are available. The view  sphere is sampled using a geodesic with 172 images/sphere. NuPIC 8. many formats 110. Vision­list Imagery Archive ­ Many images. Deeppy 13. MGL 19. Neon ­ Python based Deep Learning Framework 22. convetjs 6. cuda­convnet 5. Veles ­ Samsung Distributed machine learning platform 35. Center for Computational Vision and Control Frameworks 1. Tensorflow ­ Open source software library for numerical computation using data flow graphs 31. Deepnet 12. (Formats: jpg) 111. expression. Brain 10. DeepLearning4J 9. hebel 15. Scikit Flow ­ Simplified interface for TensorFlow (mimicking Scikit Learn) 33. Torch7 3. Wiry Object Recognition Database ­ Thousands of images of a cart. DeepLearnToolbox 11. Nvidia DIGITS ­ a web app based on Caffe 21. View Sphere Database ­ Images of 8 objects seen from many different view points.jl 20. GRAVIR 109. SyntaxNet ­ Google's syntactic parser ­ A TensorFlow dependency library . flexible and fun neural networks.  chairs. ladder. (Formats: PGM) 114. Brainstorm ­ Fast. MXnet ­ Lightweight. Machine Vision Group 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 106. cuDNN 18. 113. RNNLM Toolkit 25.jl 16. Yale Face Database B ­ 5760 single light source images of 10 subjects each seen under 576  viewing conditions (9 poses x 64 illumination conditions). char­rnn 27.105. Minerva ­ a fast and flexible tool for deep learning on multi­GPU 29. (Formats: ppm) 108. and cluttered scenes with ground truth labelings of edges and regions. Theano 4. Usenix face database ­ Thousands of face images from many different sites (circa 994) 107. Marvin ­ A Minimalist GPU­only N­Dimensional ConvNets Framework 36. Yale Face Database ­ 165 images (15 individuals) with different lighting. JavaNN 14. OpenDL 17. RNNLIB ­ A recurrent neural network library 26. Caffe  2. DSSTNE ­ Amazon's library for building Deep Learning models 38. PRIMA. Portable.

 Word2Vec 5. Face recognition with Google's FaceNet deep neural network. Reproducing the results of "Playing Atari with Deep Reinforcement Learning" by DeepMind 16. Misc from MIT's 'Neural Coding and Perception of Sound' course 13. Getting Word2vec vectors for entities and word from Wikipedia Dumps 17.  此外它也有中文版网站:TensorLayer 中文文档  中文Github: GitHub ­ shorxp/tensorlayer­chinese: TensorLayer 中文版 ======== 更新 ========== 随着使用者的增多,TensorLayer 逐渐变成一个通用开源框架了,当前版本现在能和 Tf­slim 无缝 . Misc from MIT's 'Advanced Natural Language Processing' course 10.js 8. Proof of concept for loading Caffe models in TensorFlow 26. 23. 20. Implementing a Distributed Deep Learning Network over Spark 14. A chess AI that learns to play chess using deep learning. Emotion Recognition API Demo ­ Microsoft 25. The original code from the DeepMind article + tweaks 18. Wiki2Vec. Google deepdream ­ Neural Network art 19. Caffe Webinar 3. 21. Torch7 Cheat sheet 9. Memory Networks Implementations ­ Facebook 22. 100 Best Github Resources in Github for DL 4. batched LSTM. AlphaGo ­ A replication of DeepMind's 2016 Nature publication. 15. 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 Miscellaneous 1. Google Plus ­ Deep Learning Community 2. Caffe DockerFile 6. A recurrent neural network designed to generate classical music. Basic digit recognition neural network 24. "Mastering the game of Go with  deep neural networks and tree search" 编辑于 2016­05­21 285 16 条评论 分享 收藏 感谢 收起 知乎用户 429 人赞同了该回答 动手永远是最快学会东西的! 所以,我建议直接用 TensorLayer 来学,官网有DL 和RL 的教程以及配套的代码。它是基于 Google TensorFlow 开发的,是现在工业界和学术界比较火的框架。  它的好处是每个教程里除了自己的教程外,还会推荐一些很好的博客、论文、视频,方便读者在不 明白的情况下进一步阅读。 英文网站首页:Welcome to TensorLayer  英文Github:GitHub ­ zsdonghao/tensorlayer: TensorLayer: Deep Learning and  Reinforcement Learning Library for TensorFlow. An efficient. Misc from MIT's 'Networks for Learning: Regression and Classification' course 12. TorontoDeepLEarning convnet 7. Misc from MIT's 'Machine Learning' course 11. YOLO: Real­Time Object Detection 27. gfx.

1 documentation  配套代码:tensorlayer/tutorial_word2vec_basic..对接(所有google官方的 pretrained model 都可以和 TensorLayer 连接使用,非常方便地实现任 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 何CNN网络: API ­ Layers),提供大量的数据读取和处理方法包含 TFRecord 和 python­ threading,对Image Segmentation的数据预处理做了特殊优化;提供对NLP数据清理、模型管理 的方法; 提供专门的官方中文社区交流渠道,等等。 更多例子请参考:Example — TensorLayer 1.readthedocs.2.  配套代码:github. Alibaba 281 人赞同了该回答 距离答案创立已经两年了(?),而答案时隔一年再次更新(17.04.1 documentation  配套代码:tensorlayer/tutorial_atari_pong.1 documentation  配套代码:1. tensorlayer/tutorial_cifar10_tfrecord.py at master · zsdonghao/tensorlayer · GitHub (使用tfrecord 对 data augmentation 加速) 递归神经网络 LSTM: LSTM 教程:tensorlayer.14),回答框架没变,加了很多新 的东西。 这个答案不给学习资料,补充点类似于学习路径的东西。 .py at master · zsdonghao/tensorlayer · GitHub 抗噪自编码器 Denoising Autoencoder: DAE 教程:Tutorial — TensorLayer 1.com 的页面 Image Captioning 图像转文字:zsdonghao/Image­Captioning GAN 生成对抗网络:zsdonghao/dcgan 编辑于 2016­11­17 429 32 条评论 分享 收藏 感谢 收起 唐家声 Algorithm Engineer@iDST.com 的页面 Word Embedding 之 Word2vec:  Word2vec 教程:Tutorial — TensorLayer 1.io.py at master · zsdonghao/tensorlayer · GitHub 2.5 documentation  ==================================================================== 增强学习 Reinforcement Learning: RL 教程:Tutorial — TensorLayer 1.1 documentation  配套代码:github.py at master · zsdonghao/tensorlayer ·  GitHub Machine Translation ­ Seq2seq:  Seq2seq 教程:Tutorial — TensorLayer 1. tensorlayer/tutorial_mnist.py at master · zsdonghao/tensorlayer · GitHub 卷积神经网络 Convolutional Neural Network: CNN 教程:Tutorial — TensorLayer 1..1 documentation  配套代码:tensorlayer/tutorial_mnist.

一个领域的成功,既要看自身的努力,也要考虑到历史的进程。学习深度学习的一个很好的路线就 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 是跟着历史的进程学习一番。 除了一些基础的机器学习知识,在学习和理解Deep Learning之前,需要先对于Neural Network和 AutoEncoder这两个模型有所了解,特别是后者,AutoEncoder的隐藏层与输入层的关系、使用 AutoEncoder来pre­training一个多层网络,以及AE的现状:用来做pre­training的人已经少了(但并 不是无效或者效果不好)。 下一步就是要理解『简单的增加神经网络深度』会遇到什么问题。比如梯度弥散和梯度爆炸,比如 严重的过拟合,比如计算时间开销。 继续下去,要知道这些问题的原因与解决办法,这一步就映射到神经网络向深度学习的发展过程, 比如pre­training(甚至包括大约在10年左右,pre­training技术的变化)、dropout、ReLU等的出 现、各种优化算法比如Adam、RMSProp等以及我们现在有能力(计算能力、相对于以前的大数据 量)处理深层网络。 到这里,初步理解通常意义的Deep Learning模型就是深度神经网络。 但是接下来的才是关键。 对于不同的应用方向,有不同的具体的DNN的模型,比如CNN之于图像,RNN之于NLP。 这里以CNN为例子。CNN的特殊的一些地方在于:卷积、池化、子采样、白化、权值共享等等非常 多的技术。每一个都是一个概念/方法。这是CNN所特有的。如何理解这些技术呢? 动手实现一个LeNet然后跑一下Minst数据集的手写识别(或者自己搞点图像数据),学以致用,会 帮助建立好的直觉,甚至可能不懂的地方也慢慢理解了。 不过一个比较有趣的概念是 卷积。 卷积这个东西有很多种理解方式:比如信号处理的理解、数学/物理上的理解等。 『举个例子,这些技术都围绕一个重要的观点:减少网络参数(包括卷积也是有这个功能的)。其 实每一个技术,都有自己更具体的意义,但是有共性的地方』。 对于使用CNN,要知道现在最常用的方法:AlexNet、GoogleNet、ResNet等的pre­training+具 体问题的fine­tuning这种手段:一定要读一下一些相关paper。 至于RNN,个人的经验是建议大家看一看Neural Network Language Model相关的工作。 这是最基础的。 然后我们大概了解,CNN捕捉空间信息(比如图像)、RNN捕捉时序信号(比如语言、语音这种天 然的序列)的能力。那么, 对于视频分析,是不是可以结合CNN和RNN? 对于语音声学模型部分,Stack Deep CNN是不是可以近似于long­dependency RNN的效果? 对于翻译,RNN cell使得end­to­end的Sequence to Sequence方法出现。而类似的可以抽象为 序列到序列的任务还有哪些?(答案:文本摘要、文本生成、对话等) 等等 还有就是一定要动手,关于Deep Learning的库,我个人最近这些年有一些体验(直说我有经验 的): Caffe发展最早,为Deep Learning特别是CNN的发展做出来巨大的推动。C++ Based Code使得 它在效率等方面表现很出色,直接打包Caffe代码用于线上Inference也不是特别困难。但是缺点 很明显:不是很适合序列学习的任务、对比现在一代的框架开发难度略大。 Theano只在当年做毕设的时候简单用过,没有太多感觉,这里不做评价。 MXNet我很喜欢,不过目前我个人遇到一个主要的问题在于:使用相同的参数设置,有时无法 复现别人的结果(比如对比Tensorflow的Language Model on PTB Dataset);有些接口目前还 不稳定;但是MXNet在多级多卡的性能和多级多卡的易用性上是我目前使用的最最最出色的。 Tensorflow(别名Tensorslow),社区最大,生态最成熟。现在发布了正式的1.0版本,API已 经稳定下来。单机使用的不错的选择(上层可以使用Keras),但是多机性能非常渣(gRPC不 吐槽了),单机也没有优化到最好的性能。而且现在代码结构很臃肿,设计上略显乱(反正我 不喜欢),写起来完全是在写另外一种语言­­不过这点可以使用Keras而忽略。 PyTorch,是我目前最爱的框架。主要原因就在于设计上,写起来像是“用丝绸擦过屁股”(出自 黑客帝国2)一样爽。不过目前不支持单机。PyTorch的源码是值得很多感兴趣于深度学习框架 设计的人读一读的(Caffe也一样)。 .

.. 2017.....................ai选择一门 入门书籍可以选择深度学习exacity/deeplearningbook­chinese。 框架我觉得keras挺好,适合入门。 千万不要花太多陷入视频书籍资源收集,找太多资料不会看的! 千万不要花太多陷入视频书籍资源收集,找太多资料不会看的! 千万不要花太多陷入视频书籍资源收集,找太多资料不会看的! 等我深度学习入门后继续更 .04...其实这里,深度学习框架大概经历了:Caffe代表的基于模板的一代(最小单元是层)、TF、 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 Theano和MXNet代表的符号编程(最小单元是类似于加减乘除的算子)的一代、以及PyTorch(和 CMU的DyNet)等的动态计算图的新一代(算是2....5代)。 深度学习的框架还建立了一个和一些一直以来没法参与到深度学习浪潮的计算机方向的桥梁。比 如: 编译优化:像是数据库做了多年的图优化、以及编译器方向的一些工作,比如TF的XLA。 硬件方面:FPGA这样的传统硬件、TPU这样的Google专门做的优化硬件、寒武纪这样的专门 的深度学习指令芯片等。 而长在框架上面,还有GPU资源调度和管理,GPU、CPU等异构计算的联动等,网络通信的优 化,分布式机器学习领域的进一步发展等。 实际上还有很多东西,如GAN、Neural Turing Machine、Deep Bayesian Network等好多我了解或 者完全不清楚的方向,但是自觉笔力不足,不知如何安放位置,暂时不写。 以上。 编辑于 2017­04­14 281 24 条评论 分享 收藏 感谢 收起 司徒功源 nothing yet everything 59 人赞同了该回答 从逻辑回开始,将所有梯度求导部分都向量话,然后试着推导并向量话实现feed forward  neuralnetwork,如果非常熟悉了bp算法,可以试着完成stanford的两门公开课的作业,将主流dl算 法,比如cnn,rnn,lstm等全部向量化实现,当你觉得你能推导并实现任何神经网络的结构时,应 该就入门了,个人基本是这么过来的。 发布于 2016­01­04 59 8 条评论 分享 收藏 感谢 谢辛 数学狗 109 人赞同了该回答 2017..........04.15更新 更新了一套深度学习入门方法,我也正在学,初学一门学科时,不要找太大量的书籍和各种资源, 这样会有选择强迫症,同时看几门课程很容易产生烦躁厌弃的感觉。 入门视频课程可以从cs231N和fast.....12更新 鉴于有些人看不了coursera,有两种方法,一是改host,二是科学上网, 还更新了深度学习入门知 识,图像处理和一些学习方法。  ……………………………… ..

 coursera上台湾大学的概率课程又开课了,以前没看的赶紧去看看。这个适合入门,老师很幽 默,作业题很不错。 机器学习与深度学习 1. OCW).配合着数学分析原理 (豆瓣),很爽。 3. 统计学习方法 (豆瓣). 概率论与数理统计 (豆瓣),听说这个不错,准备看一看 2.. 配合上线性代数及其应用 (豆瓣),好用到爆。这本书颠覆了我对线性变换的认识,各种变换原 来都有几何意义,这本书还介绍了奇异值的用法,对机器学习很有用。关键是这本书全书没有 太多证明,全是图,入门很棒。 3. 高等微積分 ­ 臺大開放式課程 (NTU OpenCourseWare)。台湾大学的课程超级赞,一看就停不 下来。这门数学分析教程比较入门,很容易看懂,关键是老先生讲得很有趣。视频清晰度也超 赞。 看看这个课程目录,颇有武侠意味。 2.深度学习(中/英). 我觉得最适合入门的课程应该是udacity上的课程,因为比较简单,教你使用sklearn.. 麻省理工大学的线性代数   麻省理工公开课:线性代数_全35集_网易公开课 2.机器学习入门(中/英).  应该能入门。这mooc的作业真的非常有意思,非常棒,非常棒,非常棒! 2. 前几天逛了逛coursera,又在coursera发现一门台湾大学的mooc,人工智慧,看了第一章后, 发现原来人工智能不只包含机器学习,深度学习.tensorflow 库。google的工程师也在,很不错. 4..这本书观点很独特,看着很high。 数学分析 1. 首推coursera上普林斯顿的算法课,全部java实现。我的java语法知识都是在这课程学的。配合 着算法 (豆瓣)..机器学习 (豆瓣)当教材不错。 算法 1.国立交通大学的算法课讲的也很好,适合 深入,但是又比算法导论浅显。教材是算法设计 (豆瓣)。 cuda课程 1.还要加深的话,可以看看陶哲轩实分析 (豆瓣) 概率论与数理统计 1. 线性代数应该这样学 (豆瓣).这个问题已经好久没有更新了,作为机器学习入门小白来更新点关于计算机,数学,机器学习相关 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 的mooc,不局限于coursera。由于我是英语渣,所以暂时看的全是有中文字幕的。所以英语不行的 也可以放心往下阅读。以后慢慢补英语。。。。。。。 首先是数学 线性代数 1.还有好多种,这个mooc介绍了各种搜索 树,很不错,准备继续刷。他的配套教材人工智能 (豆瓣) 3. 现在的神经网络都在GPU上跑,学学英伟达的框架还是很有用的。并行编程入门 . coursera吴恩达的机器学习就不提了,必看的。台湾大学林轩田的,cs231也不说了,同理。 2. 國立交通大學開放式課程(OpenCourseWare.

 学了机器学习和深度学习,可以运用到图像处理和计算机视觉。这门杜克大学的图像处理课讲 得很好,并不需要太多傅里叶变换知识,浅显易懂。Image and Video Processing: From Mars  to Hollywood with a Stop at the Hospital ­ Duke University | Coursera 学习方法论 1. 这门课讲了如何学习,能建立正确的学习观念,不走太多弯路。学会如何学习:帮助你掌握复 杂学科的强大智力工具(Learning How to Learn) ­ University of California. 图像处理 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 1. San Diego |  Coursera   综上,我觉得台湾的大学公开课是真的很棒,英文的课件加上台湾腔,能学到很多英语词汇又能 听懂课。国立台湾大学,国立交通大学,国立清华大学的课质量都很高,我关注了他们的计算机和 数学课,值得探索。   我觉得自学这么多的知识,一个人难免会很枯燥,坚持不下去。大家可以找同学一起学啊,如果 在大学,志同道合的同学是最宝贵的财富,大家互相勉励,坚持下去的概率高很多。我最开始一个 人学,断断续续的,现在有了一起奋斗的同学,效率就上来了。  等我发现新的好课程继续更,做好思维导图我也会共享出来。 欢迎加入图像处理学习群,群号码:612579039大家一起学习 编辑于 2017­04­15 109 27 条评论 分享 收藏 感谢 收起 YJango 日本会津大学人机界面实验室 博士在读 325 人赞同了该回答 深层学习为何要“Deep”(上) ­ 知乎专栏 深层学习为何要“Deep”(下) ­ 知乎专栏 YJango 的 Live -- 深层学习入门误区 串讲 线性代数、概率、熵 ­ 知乎专栏 TensorFlow基本用法 ­ 知乎专栏 Tensorflow代码演示LV1 · 超智能体 (看不了gitbook请看代码演示LV1) Tensorflow实现神经网络(2) ­ 知乎专栏 Tensorflow实现深层学习完备流程 ­ 知乎专栏 循环神经网络(Recurrent)­­介绍 ­ 知乎专栏 循环神经网络­­实现LSTM  循环神经网络­­scan实现LSTM 循环神经网络­­双向LSTM&amp;amp;GRU 深层学习为何要“Deep”(上) ­ 知乎专栏 目录 一基本变换层 二理解视角 数学视角线性可分 物理视角物质组成 三神经网络的训练 如何训练 梯度下降的问题 1局部极小值 2梯度的计算 基本流程图 四深层的思考真的只有这些原因吗 编辑于 2017­04­01 .

 线性代数,矩阵和张量的计算 了解标量、矢量、矩阵和张量,对相关的运算(比如加法、乘法、转置等)比较熟悉,知道特征分 解和奇异值分解是怎么回事等等。如果有时间,啃点书总没有坏处,比如Linear Algebra (豆瓣) ,和 矩阵计算 (豆瓣)   。这两个公开课 可汗学院公开课:线性代数 和 麻省理工公开课:线性代数 ,有 空看看也没啥坏处 2.coursera. 微积分 微积分应该是大学理工科必须的课程吧,求导是微积分里面最基本的概念了吧,在深度学习里也是 基础之一,对其了解是必要的。如果有时间,还是啃书,柯朗的两卷本微积分和数学分析引论(第 一卷) (豆瓣) 和 微积分和数学分析引论(第二卷) (豆瓣) 貌似是很经典的,有兴趣的可以啃啃。  .org/learn/neural­networks  (Neural Networks for Machine Learning) 讲师是Geoffrey Hinton(NN的发明者之一)。公开课里讲的 更深入一些,不过不适合初学者,在你看完前两份资料和自己做过分析过一些实验之后再上这门课 可能更好一些。 发布于 2016­12­05 40 1 条评论 分享 收藏 感谢 河马医生 32 人赞同了该回答 不知道那些列了这么多参考资料的主们真的入门了吗?你能看的懂这么这么多书吗? 真正的入门是这样(我的血泪教训,三年了), 一定要上一门高质量的课 + 几本经典的书(反复看) +  不断的练习。其他参考资料辅助。入门是一个痛苦的过程。 好了,我更新了。在我的分享文章里面。 编辑于 2017­04­14 32 13 条评论 分享 收藏 感谢 wgwang 民工 267 人赞同了该回答 深度学习是一门综合性的偏工程的学科,除了扎实的基础知识之外,更多的是需要极强的工程能 力,对问题理解、抽象和建模的能力,以及综合运用多种工具把问题 解决掉的执行力。同时,深度学习兴起的时间比较短,很多人才刚刚热门,成为专家还需要一段时 间,从而导致当前深度学习 人才紧缺的现状。 首先是数学基础,虽然这块的要求并不需要学的很深入,但基本的了解还是要的,如果能够较为深 入的学习,在真正做分析和工程时的帮助也会比较大。如果是在校生,并且有志于深度学习方向, 多花点时间在这上面是十分值得的。 1. 325 20 条评论 分享 收藏 感谢 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 安宁 向着Scientist方向努力的AI Engineer。 40 人赞同了该回答 如果是初学,我建议从Yoshua Bengio(NN的发明者之一)的书Deep Learning开始(Deep  Learning),书的第一章就介绍了学习DL基本的数学知识,从第二章开始由浅入深的介绍不同的DL 模型以及部分应用。 也可以配合着Stanford课程: Convolution Neural Networks for Visual Recognition材料一起 看:CS231n Convolutional Neural Networks for Visual Recognition  虽然课程名称是CNN和图像识 别,但只有最后一个模块才介绍到具体的CNN,前两个模块介绍了一些基本知识和Neural  Networks。 我当时是从这份材料入门,对DL有了初步的认识后,通过实验,读论文对DL有进一步 的认识。然后我又发现了上述的Deep Learning这本书,对我之前理解不清的地方都有相对详细的讲 解,所以现在还在读。 Coursera上有一个关于Deep Learning的公开课:https://www.

nvidia..com/download/sof. 贝叶斯网络,SVM,马尔科夫随机场 4. 线性模型,classification和regression 3.麻省理工学院公开课:单变量微积分 和 麻省理工学院公开课:多变量微积分 这两个公开课讲的不 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 错的,偶当年在地铁上看下来的,也是不容易啊。 3. cluster,k­means 5.edu/~hinton/..com/cuda­zone  )十分丰富,有需 要就去看看好了。 第四块是深度学习(这个名字有点奇怪就是,不过都这么叫了,熟了就好了)。在不熟之前还生着 的时候,深度学习有另外一个名称叫神经网络(不是神经病网络哦),貌似上个世纪后期的时候就 火过一阵,奈何先驱约等于先去的意思,那个时候由于计算机的能力问题,没搞出啥好的效果,让 位于一堆其他的机器学习算法。直到201×年,突然间,Hinton,Bengio,LeCun等人依靠强大的计 算力让多层神经网络能够很好的运行,并且效果好的令人发指,于是乎大家才想起,原来神经病还 能这么玩,然后大家就high起来了。wikipedia上dl的条目Deep learning 编辑的挺不错的,很适合作 为入门材料,了解一下基本概念。LeCun,Bengio和Hinton合作的Nature的Review: Deep  learning(cs. ) 和Schmidhuber的Deep Learning in Neural  ..toronto. 概率,统计和随机过程 几个基本的分布(如高斯分布,指数分布等)是需要了解的,条件概率之类的也得知道吧,贝叶斯 是谁还是得认识一下的,大数定律和中心极限定理能够熟悉熟悉也是有帮助的,如果能够认识下马 尔科夫,想来也是有帮助的。手头的书翻了下,貌似有 概率论沉思录 (豆瓣), 还有 随机过程 (豆 瓣) 。网易公开课这类课程比较少啊,搜索了下,只有 可汗学院公开课:统计学 这个看起来有点意 思(没看过,找个时间瞧瞧去)。 第 二块是机器学习的基础知识。深度学习是机器学习的一个分支,由于在图像识别语音识别机器翻译 等多个地方的效果卓越而流行起来的。总体上,线性回归是机器学 习里最基本也是最常用的算法,直至2015年的时候,Google,百度等互联网公司在广告及其相关项 目中所使用的最多的算法依然是线性回归,简单,可解 释和高效率是它的最大的优点。其他诸如过拟合和泛化,training,validation和testing等机器学习中 最基本的概念也同时是深度学习 所必须的。其他诸如贝叶斯网络,svm,nn,k­means,mcmc,sgd,熵,分类和聚类,监督和无 监督等算法和概念在大部分机器学习的书籍中都 或多或少涉及到。大部头书籍Pattern Recognition And Machine Learning (豆瓣)是最经典的书籍(没 有)之一,斯坦福的经典教程UFLDL教程 ­ Ufldl 涉及到无监督学习和深度学习(与时俱进的比较 快), 另外,公开课加州理工学院公开课:机器学习与数据挖掘 看看也会有所收获的。 1. 神经网络 第 三块是编程。纸上得来终觉浅,绝知此事要编程。在一个美帝总统奥巴马都学习编程,美帝监狱都 开编程客的年代,一个搞深度学习的编程水平太差,也说不过去 吧。同时,深度学习在目前阶段,还是需要很大的计算力来支持的,对于稍微有点规模有点实用的 场景,分布式和GPU都是需要涉及到的,编程语言的 话,C/C++肯定会涉及,Python估计也无法避免会遇到,java和lua等其他语言会一些则更好,至于 世界上最好的语言PHP不会倒无关紧要。这 本书 深入理解计算机系统 (豆瓣) 有助于从各方面了解计算机,(特别是非计算机专业的)啃完后会 受益匪浅。C和C++的书籍多如牛毛,C程序设计语言 (豆瓣)  和 C++ Primer 中文版(第 5 版) (豆 瓣) 这两本书是我的偏好(想当年啃下后一本的时候,还是有点成就感的)。如果能够把 Learning  Python (豆瓣)   和 SciPy and NumPy (豆瓣)  啃完,用起Python应该是能够得心应手的。至于 cuda(进行GPU计算的),官方资料(https://developer.)应该是必读的文献之一吧,另外Bengio的Learning Deep  Architectures for AI(sanghv. 数据,training, validation和testing 2..

   GitHub ­ tensorflow/tensorflow: Computation using data flow graphs  for scalable machine learning   GitHub ­ Theano/Theano: Theano is a Python library that allows you  to define.(牛 津大学的课程,国外大学的课程真是与时俱进,不知道国内大学是否有开课?) 接下来是不同领域的应用,印象中,深度学习首先是在图像识别和计算机视觉中火起来的,这篇 ImageNet Classification with Deep Convolutional Neural Networks(papers..com/playlist?.,)刚出来的时候,让一小撮土鳖大吃一惊,原来nlp还能这 么玩。而这次alphaGo(Mastering the game of Go with deep neural networks and tree search:  willamette...7828..nips.edu/~levenic..ch 以及更多的各种框架,就任君选择了。至于哪个好用,谁用谁知道。号称码神的jeff  dean在韩国汉城的演讲中(youtube.com/channel/UC9.)则让超越了码农群体之外的一大撮人大吃一惊,原来,围棋也有另一种 玩法。 了解完了之后,就开始写代码。早些年呢,需要从0开始一把鼻涕一把泪的搬很多砖才能搞出一个 能够work的东西。后来,不知道何年何月为了啥目的,各种开源框架纷纷冒出,现在随便花店心 思,就能过搞出一个忽悠人的东西出来。这么些个 GitHub ­ BVLC/caffe: Caffe: a fast open  framework for deep learning.cc/paper/50.)也是了解这个领域的好文。不想看论文的, 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 可以看看这个youtube.cc/paper/48....  和 GitHub ­ torch/torch7:  http://torch....  (基础+框架介绍)和 这个 youtube.Networks:An Overview(arxiv.org/pdf/1404.)是 dl在计算机视觉中应用的经典文章之一。自然语言处理方面,当年 word2vec(papers. optimize. It can use GPUs and perform efficient symbolic differentiation..nips...),穿着那件TensorFlow的t恤,看起来还是蛮不 错的。其实我蛮想知道的,AlphaGo是不是用tersorflow的?如果不是,为嘛不用? 第五块是领域知识,随便列举,有空的时候整理一下我自己做过的一些内容。 比如alphago,aja huang是业余6段的水平; 比如之前有个同事做色情图像识别,貌似天天看图片看到吐啊; 比如想在金融领域玩玩的,对金融也是得有所了解的 其他内容,貌似只能写写段子的部分了 问题的理解、抽象和建模 执行力 勤奋 上述几个方面要(都)做的好的,算算人数也不会太多。而能够都做的好的,还不一定去干深度学 习这事,比如有些人抱着白富美去做人生赢家去了,有些人游山玩水到处自拍显摆去了,剩下的也 就寥寥无几了。 看到这里的,数学还不错,编程水平又比较高,人也聪明并且勤奋的,如果还闲着的话,欢迎私信 我啊。 写着写着变成一个教程了 慢慢更新 编辑于 2016­03­18 267 25 条评论 分享 收藏 感谢 收起 小石头 学生仔la 180 人赞同了该回答 已经2017年了,两年前的东西可以淘汰了,现在参考这个入门效率已经不高了 请参考最新的其他人的回答Orz ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ 这个答案是我两年前做本科毕业设计写的,那时候连模式识别是个什么概念都不懂。但毕设课题强 .com/watch?. and evaluate mathematical expressions involving multi­dimensional arrays  efficiently.

这是一门Machine Learning课程中讲到CNN的部分 3.stanford.CMU Advanced Introduction to Machine Learning PPT:  cs.cmu.edu/~epxing/Clas...UFLDL: ufldl. Neural Networks Backpropagation Algorithm 看这两部分内容 2.行选了DL相关,所以给了当时自己看的资料,直接跑深度学习框架,其实并没有技术含量。 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 发现回答以后评论与关注也较多,现在经过一年学习回头来看确实这个答案不适合扎实的新手入 门,有一些误导。特此修正。我想让答案尽可能短,看起来不吓人。 ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ 我入门CV时清华的朋友给的资料,帮助十分大!十分适合新手入门! 我是本科EE入门的,所以应该没有底子比我差的了。 ­­­­­­­­­­­­­­­­­­­­­­­­­速成的道路­­­­­­­­­­­­­­­ 0、Andrew Ng的机器学习部分内容(机器学习介绍,回归问题与梯度下降,过拟合欠拟合) 英文能力足够推荐英文版:Machine Learning (中文版对应网易公开课斯坦福大学公开课 :机器学习课程) (中英链接里的章节貌似不对应,按内容看) 1..edu/wiki..CAFFE: Caffe | Caffe Tutorial CAFFE是一个常用的deep learning的软件工具,其页面上有deep learning的tutorial材料,同时想要深入了解具体实现的话可以直接阅读源代码 ­­­­­­­­­­­­­­­­­­­­­­­­­­比较全面的道路­­­­­­­­­­­­­­ 一个技术上认识DL(这里说CNN),的顺序是: 线性分类­>感知机­>梯度下降­>神经网络­>BP算法­>三层全连接网络­>CNN 感悟上认识DL的顺序是: (生物基础)Hubel&Wiesel视通路研究 ­­>(计算机模拟)神经网络­­>神经网络很好骗 ­­>神经网络一定要深吗?­­>神经网络一定要深­­>混沌理论&量子力学 编辑于 2017­02­04 180 11 条评论 分享 收藏 感谢 收起 知乎用户 162 人赞同了该回答 这个问题下,已经有很多知友分享了不少入门教程,但是深度学习技术发展很快,哪怕入门知识也 会很快过时,因此授人以鱼不如授人以渔。下面列举了一些不仅可以获取到最新的深度学习入门资 源,也可以及时跟进当前研究进展的途径,希望能对你有所帮助: 微信公众号 有很多和深度学习相关的公众号,对学术相关进展的跟进都很及时,可以考虑有选择的关注: 机器之心 智能立方: paperweekly 哈工大scir .

将门创投 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 炼丹实验室 机器学习研究会 AI科技评论 全球人工智能 深度学习大讲堂 邮箱订阅 通过邮箱,订阅一些资源的推送,是很有必要的: Arxiv:计算机领域,特别是深度学习领域的最新论文,一般都会先出现在Arxiv上,除了天天 到Arxiv相关类别刷论文之外,也可以通过邮箱订阅自己感兴趣的类 别:arxiv.. .io, 经常包含一些最新的Deep Learning in NLP论文中文简介  nlp.关注一下他们,可以了解到很多第一手的消息。 上面是我平时收集深度学习论文和资讯的方式总结。我觉得更容易面临的问题,不是信息匮乏,而 是信息负载,因此在有限的时间里,学会选择适合的阅读内容,更为重要。 ... 群里的交流活跃,学术氛围很好。 将门微信群: 里面大牛云集,想加群,请加群请关注将门创投的订阅号,里面有入群方式。 社交网络 国内大牛一般是微博,国外大牛一般是Twitter. ,作者在Google Brain,会经常更新一些自己读论文的笔记。 reddit.下面是我的一些订阅,不全,仅供参考: Geoffrey Hinton Yann LeCun Yoshua Bengio Andrej Karpathy andrew Y ng Richard Socher Tomas Mikolov Oriol Vinyals Percy Liang Jason Weston Hang Li Tie­Yan Liu 知乎专栏 知乎上有很多和深度学习相关的专栏,而且在知乎上可以很方便的和作者进行互动交流,也是一个 很方便的方式,下面是一些我订阅的知乎专栏: 炼丹实验室 机器之心 超智能体 PaperWeekly 深度学习:从入门到放弃 智能单元 深度学习大讲堂 网站 这里收藏了一些不错的和深度学习相关的资源网站,可以参考: rsarxiv...com ,包含最新的NLP资讯和论文 github.Reddit的机器学习版,氛围活跃,大牛云集。 微信交流群 PaperWeekly: 想加群,请联系微信号:zhangjun168305.com/r/MachineLea.hivefire.org/help/subscrib. 好东西传送门:包含机器学习日报,NLP日报,大数据日报,Python日报等很实用的内容,建 议订阅:Memory Connected 大牛的最新Paper:可以通过Google学术,订阅一些深度学习领域大牛的论文,这样一旦他们 有新论文,有可以通过邮件及时得到通知.github.com/dennybritz/d..

编辑于 2017­01­18 首页 发现 话题 搜索你感兴趣的内容… 提问 登录 162 4 条评论 分享 收藏 感谢 收起 知乎用户 232 人赞同了该回答 先了解个大概 A Deep Learning Tutorial: From Perceptrons to Algorithms  神经网络肯定是要学习的,主要是BP算法,可以看看PRML3、4、5三章,可先忽略其中的贝叶斯 视角的解释。一些主要的算法理解要看具体的论文了,有个Matlab的程序不错,有基本算法的实 现,见rasmusbergpalm/DeepLearnToolbox · GitHub。有一本系统的介绍深度学习的书,不过还没 写完,样稿见DEEP LEARNING。还有评论中提到的UFLDL教程:Unsupervised Feature Learning  and Deep Learning Tutorial 编辑于 2014­10­19 232 11 条评论 分享 收藏 感谢 匿名用户 22 人赞同了该回答 CNN的入门可以参考今年斯坦福刚开的一门课,slides和一些资料可以从课程主页下载到: Stanford University CS231n: Convolutional Neural Networks for Visual Recognition 发布于 2015­06­13 22 8 条评论 分享 收藏 感谢 更多 5 个回答被折叠(为什么?) .