深度学习

该资源的github地址:Qix

《Statistical foundations of machine
learning》

介绍:《机器学习的计算基础》在线版,该手册希望在答辩与执行之间找到平衡点,各重点内容都伴有实际例子及数码,书中的例子程序都以用RAV4语言编写的。

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

介绍:IVAN VASILEV写的纵深学习导引:从浅层感知机到深度互联网。高可读

《Research priorities for robust and beneficial artificial
intelligence》

介绍:鲁棒及福利的人工智能优先研讨安顿:一封公开信,最近已经有斯图尔特Russell, 汤姆 Dietterich, 埃里克 Horvitz, Yann LeCun, Peter Norvig, TomMitchell, 杰弗里 Hinton, Elon Musk等人签订契约The Future of Life
Institute
(FLI)
.那封信的背景是近年来霍金和Elon
Musk提示人们瞩目AI的隐衷威迫。公开信的剧情是AI地思想家们站在便利社会的角度,展望人工智能的前程提升趋势,建议开发AI系统的Verification,Validity,
Security,
Control四点须要,以及供给注意的社会难题。终归当前AI在经济领域,法律,以及道德领域相关商量较少。其实还有一部韩剧《疑犯追踪》,介绍了AI的多变从一起首的本人学习,过滤,图像识别,语音识别等判断危险,到第伍季的时候出现了机器通过学习成才之后想操纵世界的情事。说到那里推荐收看。

《metacademy》

介绍:里面依据词条提供了举不胜举财富,还有有关文化结构,路线图,用时间长度短等。号称是”机器学习“搜索引擎

《FAIR open sources deep-learning modules for
Torch》

介绍:Facebook(推特(Twitter))人工智能商量院(FAI酷路泽)开源了一体系软件库,以帮扶开发者建立更大、更快的深浅学习模型。开放的软件库在
Twitter 被称作模块。用它们替代机械学习园地常用的开支条件 Torch
中的默许模块,能够在更短的光阴内锻炼更大范围的神经网络模型。

《浅析人脸检查和测试之Haar分类器方法》

介绍:本文固然是写于2013年,不过那篇小说完全是俺的经验之作。

《怎样变成1位数据地历史学家》

介绍:本文是对《机器学习实战》作者Peter哈灵顿做的三个访谈。蕴含了书中部分的疑点解答和一些个体学习建议

《Deep learning from the bottom
up》

介绍:分外好的吃水学习概述,对两种流行的深浅学习模型都实行了介绍和研商

《Hands-On Data Science with R Text
Mining》

介绍:首若是讲述了应用Qashqai语言举办数据挖掘

《Understanding
Convolutions》

介绍:帮您掌握卷积神经网络,讲解很分明,其它还有两篇Conv Nets: A Modular
Perspective
Groups
& Group
Convolutions
.
作者的任何的有关神经网络小说也很棒

《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崛起的舆论

《Learning Deep Architectures for
AI》

介绍:一本学习人工智能的书籍,作者是Yoshua
Bengio,相关境内通信

《杰弗里 E.
Hinton个人主页》

介绍:杰弗里 Hinton是Deep
Learning的大牛,他的主页放了一部分介绍性作品和课件值得学习

《PROBABILITY THEORY: THE LOGIC OF
SCIENCE》

介绍:可能率论:数理逻辑书籍

《H2O》

介绍:二个用来火速的总括,机器学习并且对于数据量大的数学库

《ICL酷路泽二零一六议会的arXiv稿件合集》

介绍:在此处您能够观望近日深度学习有如何新取向。

《Introduction to Information
Retrieval》

介绍:此书在音讯寻找领域鲜明,
除提供该书的免费电子版外,还提供二个I卡宴能源列表,收音和录音了信息寻找、网络消息搜索、搜索引擎达成等方面相关的图书、商量中央、相关课程、子领域、会议、期刊等等,堪称全集,值得珍藏

《Information Geometry and its Applications to Machine
Learning》

介绍:讯息几何学及其在机械学习中的应用

《Legal Analytics – Introduction to the
Course》

介绍:课程《法律分析》介绍幻灯片。用机器学习消除法规相关分析和预测难题,相关的法规运用包涵预测编码、早期案例评估、案件完全情形的展望,定价和工作职员预测,司法行为预测等。法律领域咱们兴许都比较面生,不妨通晓下。

《文本上的算法》

介绍:
文中涉及了最优,模型,最大熵等等理论,其它还有使用篇。推荐系统能够说是一本科学的阅读稿,关于模型还引进一篇Generative
Model 与 Discriminative
Model

《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的从图像生成自然语言描述的工具。它落成了谷歌(Google)(Vinyals等,卷积神经网络CNN + 长长期纪念LSTM) 和尼斯希伯来 (Karpathy and
Fei-Fei, CNN +
递归神经网络福特ExplorerNN)的算法。NeuralTalk自带了多个磨练好的动物模型,你能够拿狮子大象的照片来试试看

《Deep Learning on Hadoop
2.0》

介绍:本文主要介绍了在Hadoop2.0上采用深度学习,小说来源paypal

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

介绍:用基于梯度降低的法门练习深度框架的实施推荐指点,我是Yoshua
Bengio
.感谢@xuewei4d
推荐

《Machine Learning With Statistical And Causal
Methods》

介绍: 用总计和因果方法做机械学习(录制告诉)

《Machine Learning Course
180’》

介绍: 一个讲机器学习的Youtube摄像教程。160集。系统程度跟书可比拟。

《回归(regression)、梯度降低(gradient
descent)》

介绍:
机器学习中的数学,作者的钻研方向是机械学习,并行总计假使你还想领悟一些任何的能够看看她博客的其余文章

《美团推荐算法实践》

介绍: 美团推荐算法实践,从框架,应用,策略,查询等分析

《Deep Learning for Answer Sentence
Selection》

介绍: 深度学习用于问答系统答案句的采取

《Learning Semantic Representations Using Convolutional Neural Networks
for Web Search

介绍: CNN用于WEB搜索,深度学习在文书总计中的应用

《Awesome Public
Datasets》

介绍: Awesome类别中的公开数据集

电子版,《Search Engine &
Community》

介绍: 贰个学术搜索引擎

《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,快的缘由一是用Cython写的,二是用了个很抢眼的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是个数学探讨为主,上边的那份ppt是发源Fields进行的活动中RussSalakhutdinov带来的《大规模机器学习》分享

《Topic modeling
的经典散文》

介绍: Topic modeling 的经典杂文,标注了关键点

《Move Evaluation in Go Using Deep Convolutional Neural
Networks》

介绍:
雅加达大学与Google合作的新杂文,深度学习也能够用来下围棋,据他们说能落得六段水平

《机器学习周刊第①期》

介绍:
信息,paper,课程,book,system,CES,罗布oot,其余还援引四个深度学习入门与综独资料

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

介绍: 18 free eBooks on Machine Learning

《Recommend :Hang Li
Home》

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

《DEEPLEARNING.UNIVERSITY – AN ANNOTATED DEEP LEARNING
BIBLIOGRAPHY》

介绍:
DEEPLEAQX56NING.UNIVEWranglerSITY的散文库已经选定了963篇经过分类的深浅学习杂谈了,很多种经营典杂谈都早就选定

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

介绍: Radim
Řehůřek(Gensim开发者)在1回机器学习聚会上的告知,关于word2vec会同优化、应用和扩充,很实用.境内网盘

《Introducing streaming k-means in Spark
1.2》

介绍:很多集团都用机器学习来消除难点,提升用户体验。那么怎么能够让机器学习更实时和实惠呢?SparkMLlib 1.2里边的Streaming K-means,由斑马鱼脑神经济研讨究的杰里米Freeman脑神经地农学家编写,最初是为了实时处理他们每半钟头1TB的钻研数据,以后发表给我们用了。

《LDA入门与Java实现》

介绍:
那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达成。本文只记录基本概念与原理,并不关乎公式推导。文中的LDA完结基本部分采取了arbylon的Lda吉布斯Sampler并力所能及地诠释了,在搜狗分类语言材料库上测试优秀,开源在GitHub上。

《AMiner – Open Science
Platform》

介绍:
AMiner是四个学术搜索引擎,从学术网络中发掘深度知识、面向科学技术大数据的挖沙。收集近4000万小编消息、8000万杂文消息、1亿多引用关系、链接近8百万知识点;帮衬专家搜索、机构排行、科学探讨成果评价、会议排名。

《What are some interesting Word2Vec
results?》

介绍: Quora上的核心,斟酌Word2Vec的有趣应用,OmerLevy提到了她在CoNLL二零一五一流级故事集里的辨析结果和新点子,DanielHammack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,固然其间的有点课程已经归档过了,不过还有些的音信尚未。感激课程图谱的小编

《A First Course in Linear
Algebra》

介绍: 【A First Course in Linear Algebra】罗Bert Beezer 有答案
有移动版、打字与印刷版 使用GNU自由文书档案协议 引用了杰斐逊1813年的信

《libfacedetection》

介绍:libfacedetection是索菲亚大学开源的壹个人脸图像识别库。包蕴正面和多视角人脸检查和测试五个算法.优点:速度快(OpenCV
haar+adaboost的2-3倍), 准确度高
(FDDB非公开类评测排行第贰),能推测人脸角度。

《Inverting a
Steady-State》

介绍:WSDM二〇一五最佳散文把马尔可夫链理论用在了图分析上面,比一般的propagation
model特别深厚一些。通过全局的安定分布去求解每个节点影响周到模型。假诺合理(转移受到附近的影响周到影响)。能够用来反求每种节点的熏陶周到

《机器学习入门书单》

介绍:机器学习入门书籍,切实介绍

《The Trouble with
SVMs》

介绍:
十分屌的强调特征选用对分类器首要性的篇章。心绪分类中,依据互音讯对复杂高维特征降维再接纳节约能源贝叶斯分类器,取得了比SVM更优质的成效,磨炼和分类时间也大大下降——更要紧的是,不必花大批量小时在学习和优化SVM上——特征也一样no
free lunch

《Rise of the
Machines》

介绍:CMU的计算系和处理器系盛名教授Larry Wasserman
在《机器崛起》,相比了总结和机器学习的距离

《实例详解机器学习怎么消除难题》

介绍:随着大数据时期的来临,机器学习变成化解难题的一种重点且重要的工具。不管是工产业界依然学术界,机器学习都是一个炙手可热的趋势,然则学术界和工产业界对机器学习的钻研各有侧重,学术界侧重于对机器学习理论的商讨,工产业界侧重于如何用机器学习来化解实际难点。那篇文章是美团的骨子里条件中的实战篇

《Gaussian Processes for Machine
Learning》

介绍:面向机器学习的高斯进度,章节概要:回归、分类、协方差函数、模型采纳与超参优化、高斯模型与其余模型关系、大数据集的逼近方法等,微盘下载

《FuzzyWuzzy: Fuzzy String Matching in
Python》

介绍:Python下的公文模糊匹配库,老库新推,可总括串间ratio(简单相似周密)、partial_ratio(局地相似全面)、token_sort_ratio(词排序相似周密)、token_set_ratio(词集合相似周密)等github

《Blocks》

介绍:Blocks是依照Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您更快地制造和保管NN模块.

《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“近日恰恰开始拍录,课程4K高清录像一起到Youtube上,近期刚刚更新到 2.4
Exponential
Families,课程录制playlist,
感兴趣的校友可以关切,非常适合入门.

《Collaborative Feature Learning from Social
Media》

介绍:用社交用户作为学习图片的协同特征,可更好地表明图片内容相似性。由于不依靠于人工标签(标注),可用以大规模图片处理,难在用户作为数据的取得和保洁;利用社会化特征的思绪值得借鉴.

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

介绍:Instagram技术团队对前段时间开源的年月体系非凡检查和测试算法(S-H-ESD)Wrangler包的介绍,个中对充足的定义和剖析很值得参考,文中也论及——分外是强针对性的,某些圈子支出的相当检查和测试在任何世界直接用可不行.

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

介绍:聚焦数据质量难题的应对,数据品质对各个框框集团的习性和功能都主要,文香港中华总商会结出(不压制)22种典型数据品质难题显现的信号,以及优秀的多少品质消除方案(清洗、去重、统① 、匹配、权限清理等)

《粤语分词入门之能源》

介绍:中文分词入门之能源.

《Deep Learning Summit, San Francisco,
2015》

介绍:15年苏黎世纵深学习高峰会议录制采访,国内云盘

《Introduction to Conditional Random
Fields》

介绍:很好的尺度随机场(C卡宴F)介绍小说,作者的就学笔记

《A Fast and Accurate Dependency Parser using Neural
Networks》

介绍: 来自Stanford,用神经互联网完结急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:做深度学习如何抉择GPU的建议

《Sparse Linear
Models》

介绍: Stanford的特雷沃 Hastie教师在H2O.ai
Meet-Up上的告诉,讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年同大旨报告讲义.

《Awesome Computer
Vision》

介绍:
分类整理的机械视觉相关能源列表,秉承Awesome体系风格,有质有量!我的更新频率也很频仍

《Adam
Szeidl》

介绍: social networks course

《Building and deploying large-scale machine learning
pipelines》

介绍: 大规模机器学习流程的创设与计划.

《人脸识别开签发承包合约》

介绍: 人脸识别2回开签发承包合约,免费,可商用,有示范、范例、表明书.

《Understanding Natural Language with Deep Neural Networks Using
Torch》

介绍: 采取Torch用深度学习互联网通晓NLP,来自Facebook 人工智能的小说.

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

介绍: 来自CMU的艾德 Hovy和斯坦ford的Jiwei
Li一篇有意思的Arxiv作品,小编用Shannon Entropy来形容NLP中各项职分的难度.

《TThe Probabilistic Relevance Framework: BM25 and
Beyond》

介绍: 新闻寻找排序模型BM25(Besting Matching)。1)从经典可能率模型演化而来
2)捕捉了向量空间模型中多个影响索引项权重的因子:IDF逆文书档案频率;TF索引项频率;文书档案长度归一化。3)并且包含集成学习的盘算:组合了BM11和BM15多个模型。4)笔者是BM25的发起人和Okapi达成者罗伯森.

《Introduction to ARMA Time Series Models –
simplified》

介绍:
自回归滑动平均(A锐界MA)时间类别的简要介绍,ATiguanMA是商量时间类别的重中之重方法,由自回归模型(AEscort模型)与滑动平均模型(MA模型)为底蕴“混合”构成.

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

介绍: 把来自target的attention signal参预source encoding
CNN的输入,获得了比BBN的模型好的多neural network joint model

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

介绍:
爆料印度菜的爽口秘诀——通过对大气菜系原料关系的打通,发现印度菜美味的原由之一是个中的寓意相互争辩,很风趣的文书挖掘商讨

《HMM相关小说索引》

介绍: HMM相关文章

《Zipf’s and Heap’s
law》

介绍:
1)词频与其降序排序的涉及,最显赫的是语言学家齐夫(Zipf,一九〇四-一九五〇)一九四九年提议的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,一九二二-
二零零六)引入参数改正了对甚高频和啥低频词的刻画 2)Heaps’ law:
词汇表与语言材质规模的平方根(那是二个参数,阿尔巴尼亚语0.4-0.6)成正比

《I am Jürgen Schmidhuber,
AMA》

介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me
Anything)大旨,有成都百货上千SportageNN和AI、ML的干货内容,关于开源&思想&方法&提议……耐心阅读,相信你也会收益匪浅.

《学术种子网站:Academic托雷nts》

介绍:
成G上T的学命理术数据,HN近日热议话题,主旨涉及机械学习、NLP、SNA等。下载最简便的主意,通过BT软件,大切诺基SS订阅各集合即可

《机器学习相互速查表》

介绍: Scikit-Learn官网提供,在原始的Cheat
Sheet基础上添加了Scikit-Learn相关文书档案的链接,方便浏览

《A Full Hardware Guide to Deep
Learning》

介绍: 深度学习的周全硬件指南,从GPU到RAM、CPU、SSD、PCIe

《行人检查和测试(Pedestrian
Detection)财富》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰拉人工智能】在脸部识别上您自我都以大方,就算细微的异样也能鉴定分别。探究已说明人类和灵长类动物在面部加工上分裂于其他物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过电脑模拟出人脸识其他FFA活动,堪称神经科学与人工智能的宏观结合。

《Neural Net in C++
Tutorial》

介绍:
神经互连网C++教程,本文介绍了用可调节和测试梯度下落和可调节动量法设计和编码经典BP神经网络,互联网经过磨炼能够做出惊人和杰出的事物出来。其它小编博客的任何小说也很不错。

《How to Choose a Neural
Network》

介绍:deeplearning4j官网提供的实际上选择场景NN采用参考表,列举了部分非凡难题提出采用的神经互联网

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

介绍:二个深度学习项目,提供了Python, C/C++, Java, Scala, Go三个版本的代码

《Deep Learning
Tutorials》

介绍:深度学习课程

《自然语言处理的发展趋势——访Carnegie梅隆高校爱德华·霍威教授》

介绍:自然语言处理的发展趋势——访Carnegie梅隆高校Edward·霍威教师.

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

介绍:谷歌对推特 DeepFace的精锐反击—— FaceNet,在LFW(Labeled Faces
in the Wild)上高达99.63%准确率(新记录),FaceNet
embeddings可用以人脸识别、鉴定区别和聚类.

《MLlib中的Random
Forests和Boosting》

介绍:本文来源Databricks公司网站的一篇博客小说,由何塞普h Bradley和Manish
Amde撰写,文章主要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们在MLlib中的分布式达成,以及体现一些大约的例子并提议该从哪里上手.中文版.

《Sum-Product Networks(SPN)

介绍:华盛顿高校Pedro 多明戈斯团队的DNN,提供故事集和促成代码.

《Neural Network Dependency
Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP),特点是超快、准确,近期可处理中国和英国文语言材质,基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》
思路达成.

相关文章