Learning)只是机器上(Machine 最近以拟深上相关的事物。

简短来说:

 

1)纵深上(Deep
Learning)只是机器上(Machine
Learning)的平栽档次,一个子世界。机器上 > 深度上

转:【深度上Deep
Learning】资料齐全

2)大数据(Big
Data)不是切实的计,甚至无算是具体的研讨学科,而只是针对某个同近似题目,或需处理的数目的讲述。

 

具体来说:

 最近在模拟深上有关的东西,在网上收集到了有不易的材料,现在汇总一下:

1)机械上(Machine
Learning)是一个好之来头,里面包括了充分多种approach。

Free Online Books

  1. Deep Learning66 by
    Yoshua Bengio, Ian Goodfellow and Aaron Courville
  2. Neural Networks and Deep Learning42 by
    Michael Nielsen
  3. Deep Learning27 by
    Microsoft Research
  4. Deep Learning Tutorial23 by
    LISA lab, University of Montreal
  5. Deep Learning:An MIT Press
    Book

任务为得以不同,可以是展望(prediction),分类(classification),聚类(clustering),识别(recognition),重建(reconstruction),约束(regularization),甚至降噪(denoising),超分辨(super-resolution),除马赛克(Demosaicing)等等….

Courses

  1. Machine Learning10 by
    Andrew Ng in Coursera
  2. Neural Networks for Machine Learning12 by
    Geoffrey Hinton in Coursera
  3. Neural networks class2 by
    Hugo Larochelle from Université de Sherbrooke
  4. Deep Learning Course14 by
    CILVR lab @ NYU

2)深度上(Deep
Learning)是机械上之一个子类,一般特指学习高层数的纱布局。这个布局面临屡见不鲜会结合线性和非线性的关联。

Video and Lectures

  1. How To Create A Mind3 By
    Ray Kurzweil – Is a inspiring talk
  2. Deep Learning, Self-Taught Learning and Unsupervised Feature
    Learning2 By
    Andrew Ng
  3. Recent Developments in Deep Learning2 By
    Geoff Hinton
  4. The Unreasonable Effectiveness of Deep
    Learning by Yann LeCun
  5. Deep Learning of
    Representations
     by
    Yoshua bengio
  6. Principles of Hierarchical Temporal
    Memory by Jeff Hawkins
  7. Machine Learning Discussion Group – Deep Learning w/ Stanford AI
    Lab1 by
    Adam Coates
  8. Making Sense of the World with Deep Learning1 By Adam Coates
  9. Demystifying Unsupervised Feature
    Learning By Adam
    Coates
  10. Visual Perception with Deep Learning3 By
    Yann LeCun
  11. Oxford Deep
    Learning -Nando
    de
    Freitas 
    :在Oxford开设的深浅上课程,有整套视频

(大家可在爱好集结,一同交流:342836117) 欢迎交流:
(老师q:858288017)

Papers

  1. ImageNet Classification with Deep Convolutional Neural
    Networks5
  2. Using Very Deep Autoencoders for Content Based Image Retrieval2
  3. Learning Deep Architectures for AI2
  4. CMU’s list of papers7
  5. The Learning
    Machines –
    一个导论性质的章,让你大致了解深度上是呀,用来涉及啊的。
  6. Deep
    Learning
     –
    (Review Article in Nature, May 2015) 三大神 Yann LeCun, Yoshua
    Bengio, and Geoffrey Hinton的文章,不解释。
  7. Growing Pains in Deep
    Learning
  8. 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. 主要看点是深浅上近两年(2012-2014)的展开情况。

3)大数据(Big
Data,我们呢受他逼格数据….)是对数码和题材之叙说。通常被广泛接受的定义是3个V上之“大”:Volume(数据量),
Velocity(数据速度)还有variety(数据列)。大数目问题(Big-data
problem)可以借助那种在这三个V上因为很如带的挑战。

Tutorials

  1. UFLDL Tutorial 120
  2. Deep Learning Tutorial from
    Stanford
    :斯坦福的官方Tutorial
  3. Deep Learning for NLP (without Magic)8
  4. A Deep Learning Tutorial: From Perceptrons to Deep Networks5

Volume很好掌握。一般为足以当是Large-scale
data。“大”可以是多少的维度,也堪是数据的size。一般claim自己是big-data的算法会比较scalable,复杂度上针对当下简单只非灵活。

WebSites

  1. deeplearning.net7
  2. deeplearning.stanford.edu6
  3. Forum2

Velocity就是数额到的速。对于数据快速达的状态,需要相应之算法或者系统而管用的拍卖。

Datasets

  1. MNIST1 Handwritten
    digits
  2. Google House Numbers from
    street view
  3. CIFAR-10 and CIFAR-10034.  IMAGENET1
  4. Tiny Images1 80
    Million tiny images6.  Flickr
    Data 100
    Million Yahoo dataset
  5. Berkeley Segmentation Dataset
    500

Variaty指的是数额的门类。以往之算法或者系统往往对有平栽都知晓特定类型的数量来适应。而貌似生数目为会见因对处理那些unstructured
data或者multi-modal data,这就本着民俗的拍卖方法带来了挑战。

Frameworks

  1. Caffe92.  Torch73
  2. Theano3
  3. cuda-convnet25.  Ccv1
  4. NuPIC3
  5. DeepLearning4J:Java和Scala写的,能当Hadoop和Spark上用,功能特别强大

Miscellaneous

  1. Google Plus – Deep Learning
    Community
  2. Caffe Webinar4
  3. 100 Best Github Resources in Github for DL5
  4. Word2Vec3
  5. Caffe DockerFile2
  6. TorontoDeepLEarning
    convnet
  7. Vision data sets1
  8. Fantastic Torch Tutorial4 My
    personal favourite. Also check out gfx.js1

Github

  1. DeepLearn
    Toolbox
  2. Caffe Webinar4
  3. 100 Best Github Resources in Github for DL5
  4. Word2Vec3
  5. GitHub – Eniac-Xie/PyConvNet: Convolutional Neural Network for
    python
    users 
    :一个简的CNN实现(Python)

差一点独周边应用领域

  • Video
    Recognition –
    finding and/or identifying specific items in videos or images
  • Self-Driving
    Cars –
    just like it says, cars that drive without humans
  • Natural Language
    Processing –
    getting computers to understand human vocal languages
  • And
    others –
    A free book chapter on many applications of deep learning

几个常因此的深上代码库

  • H2O –
    一个开源之而扩大的库房,支持Java, Python, Scala, and R

  • Deeplearning4j –
    Java库,整合了Hadoop和Spark

  • Caffe –
    Yangqing Jia读研究生的时候开发的,现在尚是出于Berkeley维护。

  • Theano –
    最风靡的Python库

News

  • Deep Learning
    News –
    紧跟深度上的资讯、研究进展和血脉相通的创业项目。

 

CV和NLP方面的应用(左边的链接是舆论,右边的是代码)

  • Page on
    Toronto, Home
    Page of Geoffrey
    Hinton
  • Page on
    Toronto, Home
    Page of Ruslan R
    Salakhutdinov
  • Page on
    Wustl, ynd/cae.py
    ·
    GitHub
  • Page on
    Icml, https://github.com/lisa-lab/pyle…
  • Page on
    Jmlr, pylearn2)
  • On the difficulty of training recurrent neural
    networks, trainingRNNs
  • ImageNet Classification with Deep Convolutional Neural
    Networks, cuda-convnet –
    High-performance C++/CUDA implementation of convolutional neural
    networks – Google Project
    Hosting
  • Linguistic Regularities in Continuous Space Word
    Representations, word2vec –
    Tool for computing continuous distributed representations of
    words. – Google Project
    Hosting

 

末得得推荐这Github:

 

机械上(Machine Learning)&深度上(Deep Learning)资料(Chapter
2)
(篇目一是机器上的材料汇集,篇目二是深浅上的集中,并且于不断更新中)

 

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

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

  • 《Image Scaling using Deep Convolutional Neural
    Networks》

介绍:使用卷积神经网络的图像缩放.

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

介绍:,第28及IEEE计算机视觉及模式识别(CVPR)大会在美国波士顿开。微软研究员等于大会上出示了于往再快还遵循的电脑视觉图像分类新模型,并介绍了何等用Kinect等传感器实现以动态或者低光环境的高速大规模3D扫描技术.

  • 《Machine Learning for
    Humans》

介绍:(文本)机器上可视化分析工具.

  • 《A Plethora of Tools for Machine
    Learning》

介绍:机器上工具包/库的归纳/比较.

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

介绍:数据可视化最佳实践指南.

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

介绍:Day
1、Day
2、Day
3、Day
4、Day
5.

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

介绍:深度上之“深”——DNN的隐喻分析.

  • 《Mixture Density
    Networks》

介绍:混合密度网络.

  • 《Interview Questions for Data Scientist
    Positions》

介绍:数据科学家职位面试题.

  • 《Accurately Measuring Model Prediction
    Error》

介绍:准确评估模型预测误差.

  • 《Continually updated Data Science Python
    Notebooks》

介绍:Continually updated Data Science Python Notebooks.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《The Eyescream Project NeuralNets dreaming natural
    images》

介绍:来自Facebook的图像自动生成.

  • 《How to share data with a
    statistician》

介绍:How to share data with a statistician.

  • 《A Neural Conversational
    Model》

介绍:(Google)神经(感知)会话模型.

  • 《The 50 Best Masters in Data
    Science》

介绍:The 50 Best Masters in Data Science.

  • 《NLP常用信息资源》

介绍:NLP常用信息资源.

  • 《Conditional Random Fields as Recurrent Neural
    Networks》

介绍:语义图像分割的谜底演示,通过深度上技能以及几率图模型的语义图像分割.

  • 《Fully Convolutional Networks for Semantic
    Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,范代码.

  • 《Growing Pains for Deep
    Learning》

介绍:深度上——成长之烦恼.

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

介绍:基于三第一造方法的公文流聚类.

  • 《Foundations and Advances in Data
    Mining》

介绍:Free Ebook:数据挖掘基础及最新进展.

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

介绍:深度上革命.

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

介绍:数据科学(实践)权威指南.

  • 《Microsoft Academic
    Graph》

介绍:37G的微软学术图谱数据集.

  • 《Challenges and Opportunities Of Machine Learning In
    Production》

介绍:生产环境(产品级)机器上之火候以及挑战.

  • 《Neural Nets for
    Newbies》

介绍:神经网络入门.

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

介绍:来自麻省理工的组织化稀疏论文.

  • 《Optimal and Adaptive Algorithms for Online
    Boosting》

介绍:来自雅虎的机器上小组关于在线Boosting的舆论 .

  • 《Top 20 Python Machine Learning Open Source
    Projects》

介绍:20独最抢手之开源(Python)机器上项目.

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

介绍:C++并行贝叶斯推理统计库QUESO,github code.

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

介绍:Nature:LeCun/Bengio/Hinton的最新篇章《深度上》,Jürgen
Schmidhuber的新颖评论文章《Critique of Paper by “Deep Learning
Conspiracy” (Nature 521 p
436)》.

  • 《Palladium》

介绍:基于Scikit-Learn的前瞻分析服务框架Palladium.

  • 《Advances in Structured
    Prediction》

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

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

介绍:读了这100首论文
就能够成为那个数目高手,境内翻译.

  • 《Social Media & Text
    Analytics》

介绍:NLP课程《社交媒体以及公事分析》精选阅读列表.

  • 《Machine Learning for
    Developers》

介绍:写给开发者的机器学习指南.

  • 《Hot news detection using
    Wikipedia》

介绍:基于维基百科的热点新闻发现.

  • 《Harvard Intelligent Probabilistic Systems
    Group》

介绍:(Harvard)HIPS将揭晓只是扩大/自动调整参贝叶斯推理神经网络.

  • 《An Empirical Exploration of Recurrent Network
    Architectures》

介绍:面向上下文感知查询建议的层次递归编解码器.

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

介绍:GPU上根据Mean-for-Mode估计的霎时LDA训练.

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

介绍:从实验室到工厂——构建机器上生产架构.

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

介绍:适合做多少挖掘的6只经数据集(及另外100独列表).

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

介绍:Google面向机器视觉的纵深学习.

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

介绍:构建预测类应用时怎样抉择机器上API.

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

介绍:Python+情感分析API实现故事情节(曲线)分析.

  • 《Movie selection using
    R》

介绍:(R)基于Twitter/情感分析的口碑电影推荐,此外推荐分拣算法的论证比较分析.

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

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

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

介绍:从贝叶斯分析NIPS,看同行评审的意义.

  • 《Basics of Computational Reinforcement
    Learning》

介绍:(RLDM 2015)计算强化学习入门.

  • 《Deep Reinforcement
    Learning》

介绍:David Silver的深度加深学习教程.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的可解释性.

  • 《The Essential Spark Cheat
    Sheet》

介绍:Spark快速入门.

  • 《Machine Learning for Sports and Real Time
    Predictions》

介绍:TalkingMachines:面向体育/政治与实时预测的机械学习.

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

介绍:Stanford社交网络及信息网络分析课程资料+课设+数据.

  • 《RL Course by David
    Silver》

介绍:David
Silver(DeeMind)的强化学习课程,slide.

  • 《Faster deep learning with GPUs and
    Theano》

介绍:基于Theano/GPU的敏捷深度学习.

  • 《Introduction to R
    Programming》

介绍:来自微软的.

  • 《Golang:Web Server For Performing Sentiment
    Analysis》

介绍:(Go)情感分析API服务Sentiment Server.

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

介绍:受限波尔兹曼机初学者指南.

  • 《KDD2015十年最佳论文》

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

  • 《Nvidia Deep Learning
    Courses》

介绍:Nvidia深度学习课程.

  • 《Deep Learning Summer School
    2015》

介绍:2015年深度上暑期课程,推荐讲师主页.

  • 《百度深度上之图像识别进展》

介绍:这是相同首有关百度文章《基于深度上的图像识别进展:百度的多执行》的摘要,建议少首文章做起来阅读.

  • 《Machine Learning Methods in Video
    Annotation》

介绍:视频标注中的机械上技术.

  • 《Training Recurrent Neural
    Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

  • 《On Explainability of Deep Neural
    Networks》

介绍:深度神经网络的灰色区域:可解释性问题,中文版.

  • 《Machine Learning Libraries in GoLang by
    Category》

介绍:Golang 实现之机上库资源聚合总.

  • 《A Statistical View of Deep
    Learning》

介绍:深度上之统计分析.

  • 《Deep Learning For NLP – Tips And
    Techniques》

介绍:面向NLP的纵深上技术以及技巧.

  • 《CrowdFlower Competition Scripts: Approaching
    NLP》

介绍:Kaggle’s CrowdFlower竞赛NLP代码集锦.

  • 《CS224U: Natural Language
    Understanding》

介绍:斯坦福的自然语言理解课程.

  • 《Deep Learning and Shallow
    Learning》

介绍:Deep Learning与Shallow Learning 介绍

  • 《A First Encounter with Machine
    Learning》

介绍:这是一样仍机器上的电子书,作者Max
Welling儒于机上教学方面有丰富的经验,这本开小而精致.

  • 《Click Models for Web
    Search》

介绍:由荷兰阿姆斯特丹大学 & 谷歌瑞士著.

  • 《Hinton CSC321课程/Deep Learning/Notes on
    CNN/Python/Theano/CUDA/OpenCV/…》

介绍:介绍单愿总结及翻译机器上和计算机视觉类资料的博客,包含的情节:Hinton的CSC321课程的总;Deep
Learning综述;Notes on
CNN的总;python的规律总结;Theano基础知识和习总结;CUDA原理和编程;OpenCV一些总结.

  • 《Which Algorithm Family Can Answer My
    Question?》

介绍:针对实际问题(应用场景)如何选机器上算法(系列).

  • 《Free Data Science
    Books》

介绍:数据对免费写分类集合

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

介绍:深度上在语音合成最新进展发什么样?推荐MSRA的Frank
Soong老师关于语音合成的深浅上方法的拍照和幻灯片与和谷歌的LSTM-RNN合成介绍,论文

  • 《The Art of Data
    Science》

介绍:新书(可免费下载):数据科学的方

  • 《Pattern Recognition and Machine
    Learning》

介绍:模式识别与机具上书本推荐,本书是微软剑桥研究院大神Bishop所描绘,算是不过广为认知的机器上读本有,内容覆盖到,难度中达成,适合研究生中文版 or 备份

  • 《an introduction to visualizing
    DATA》

介绍:数据可视化介绍(23页袖珍小册子)

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

介绍:这首论文荣获EMNLP2015底顶尖数据/资源奖优秀奖,标明的推特数据集

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

介绍:作者以深上的思考.

  • 《Data-Visualization Tools &
    Books》

介绍:数据可视化常用工具软件资源汇总

  • 《Machine Learning and Probabilistic Graphical Models
    Course》

介绍:Buffalo大学教授Sargur Srihari的“机器上及几率图模型”的视频课程

  • 《Understanding Machine Learning: From Theory to
    Algorithms》

介绍:耶路撒冷希伯来大学教授Shai Shalev-Shwartz和滑铁卢大学教授Shai
Ben-David的初书Understanding Machine Learning: From Theory to
Algorithms,此开的于偏理论,适合对机械上理论出趣味的同学选读

  • 《Machine Learning
    Checklist》

介绍:机器上上清单

  • 《NLP界有什么神级人物?》

介绍:知乎上面的一样首关于NLP界有哪些神级人物?提问。首推Michael Collins 

  • 《机器上温和指南》

介绍:机器上和NLP专家、MonkeyLearn联合创始人&CEO Raúl
Garreta面向初学者大体概括使用机器上过程遭到之重要概念,应用程序和挑战,旨在让读者会继承查找机器上文化。

  • 《Gradient Boosted Regression
    Trees》

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

  • 《Apache SINGA : Distributed Deep Learning
    System》

介绍: 无需召开深上就是会为此之分布式深度上软件.

  • 《E-commerce Recommendation with Personalized
    Promotion》

介绍: 在亚马逊数据与众包Mechanical
Turk上,实现了来自彩票和拍卖之机制,以收集用户指向成品的愿意购买价格(WTP,willingness-to-pay)训练集。
E-commerce Recommendation with Personalized Promotion
[Zhao,RecSys15] 回归模型预测未知WTP,提升卖家利润与买主满意度

  • 《Scalable Machine
    Learning》

介绍:来自伯克利分校的大面积机器学习.

  • 《机器上资料十分集中》

介绍:来自52ml底机械上资料大汇总.

  • 《Automatic
    Summarization》

介绍:这仍开之犯者McKeown是2013年世界篇个数据科学院(位于哥伦比亚大学)主任,她也凡ACL、AAAI和ACM
Fellow .

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

介绍:EMNLP-15文本摘要若干.

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

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @
CMU上添加齐4钟头的语,共248页,是指向引进系统提高的相同不善全面概括,其中尚连Netflix在个性化推荐方面的部分涉介绍.

  • 《BigData Stream
    Mining》

介绍:(ECML PKDD 2015)大数据流挖掘教程,此外推荐ECML PKDD 2015
Tutorial列表.

  • 《Deep learning on Spark with
    Keras》

介绍:Spark上的Keras纵深上框架Elephas.

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

介绍:Surya Ganguli深度上统计物理学.

  • 《(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表》

介绍:(系统/算法/机器上/深度上/图模型/优化/…)在线视频课程列表.

  • 《Introduction to Topic Modeling in
    Python》

介绍:(PyTexas 2015)Python主题建筑模.

  • 《Large Scale Distributed Deep Learning on Hadoop
    Clusters》

介绍:Hadoop集群上的宽广分布式机器学习.

  • 《Top Deep Learning Employers Based On LinkedIn
    Data》

介绍:基于LinkedIn数据得出的深度上热门”东家”排行.

  • 《Neural Net in C++ Tutorial》

介绍:(c++)神经网络手把手实现教程.

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

介绍:香港中文大学汤晓鸥教授实验室发布之特大型人脸识别数据集:
Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人,202K
脸部图像,每个图像40不必要标号注属性.

  • 《Unsupervised Feature Learning in Computer
    Vision》

介绍:面向机器视觉的不论监控特征上,Ross Goroshin’s
webpage.

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

介绍:谷歌研究院Samy Bengio等丁多年来写的RNN的Scheduled
Sampling训练方法论文.

  • 《Essential Machine Learning Algorithms in a
    nutshell》

介绍:机器上为主算法简要入门.

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

介绍:Github机器学习/数学/统计/可视化/深度上相关项目大列表.

  • 《Information Processing and
    Learning》

介绍:CMU的信息论课程.

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

介绍:谷歌研究院Samy
Bengio对等人多年来写的RNN的Scheduled
Sampling训练方法论文.

  • 《基于Hadoop集群的科普分布式深度上》

介绍:基于Hadoop集群的大面积分布式深度学习.

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

介绍:来自斯坦福大学以及NVIDIA的工作,很实在不行实用。采用推网络连接及重新训练方法,可大减少CNN模型参数。针对AlexNet、VGG等模型和ImageNet数据,不损失识别精度情况下,模型参数可大削减9-13倍.

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

介绍:无需召开深上就会为此底分布式深度上软件,github.

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

介绍:当今世界最NB的25员异常数目科学家,通过他们的名字然后放在google中找一定能找到多特别棒的资源译文.

  • 《Deep Learning for NLP – Lecture October
    2015》

介绍:Nils Reimers面向NLP的吃水上(Theano/Lasagne)系列教程.

  • 《Connection between probability theory and real
    analysis》

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

  • 《Data Science Learning
    Resources》

介绍:数据正确(学习)资源列表.

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

介绍:应针对非均衡数据集分类问题之八充分策略.

  • 《Top 20 Data Science
    MOOCs》

介绍:重点引进的20只数据对相关课程.

  • 《Recurrent Neural
    Networks》

介绍:递归神经网络.

  • 《Histograms of Oriented
    Gradients》

介绍:(HOG)学习笔记.

  • 《Computational modelling
    courses》

介绍:计算建模/计算神经学课程汇总.

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

介绍:(Yelp)基于深度上的经贸图片分类.

  • 《Neural Networks and Deep
    Learning》

介绍:免费在线书《Neural Networks and Deep
Learning》神经网络与深度上。目前供了前方四回的文稿,第一章由此手写数字识别的例子介绍NN,第二节说反朝传来算法,第三回说反为传来算法的优化,第四节讲NN为什么会起合任意函数。大量python代码例子和互动动画,生动有趣.中文版

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

介绍:数据是大咖荐书(入门).

  • 《Deep Learning for NLP
    resources》

介绍:NLP 深度上资源列表.

  • 《GitXiv》

介绍:很多arXiv上面知名论文可以当此网站找到github的型链接.

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

介绍:深度上以视觉跟踪的探索.

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

介绍:Spark机器学习入门实例——大数据集(30+g)二细分类.

  • 《Semantic Scholar》

介绍:保罗艾伦人工智能实验室表示,Google
Scholar是十年前的产物,他们本想只要做越来越的增强。于是推出了新的,专门对科学家设计之学搜索引擎Semantic
Scholar.

  • 《Semi-Supervised
    Learning》

介绍:半监理上,Chapelle.篇篇都是藏,作者包括Vapnik,Bengio,Lafferty,Jordan.此外推荐Xiaojin
(Jerry) Zhu编写的Introduction
to Semi-Supervised
Learning.

介绍:Spark机器学习入门实例——大数据集(30+g)二分类.

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

介绍:为入门者准备的纵深上与神经网络免费资源.

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

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

  • 《Veles:Distributed machine learning
    platform》

介绍:三星星开源之飞跃深度上应用程序开发分布式平台.

  • 《DMTK:Microsoft Distributed Machine Learning Tookit

介绍:分布式机器上工具包.

  • 《Semantics Approach to Big Data and Event
    Processing》

介绍:语义大数据——大数据/事件处理的语义方法.

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

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

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

介绍:Princeton Vision Group的纵深上库初步源.

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

介绍:基于AWS的电动分布式科学计算库Ufora,Why I Open Sourced Five Years
of
Work.

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

介绍:(PyCon SE 2015)深度上和深度数据科学.

  • 《Zhi-Hua Zhou
    Papers》

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

  • 《Advanced Linear Models for Data
    Science》

介绍:免费书写:面向数据正确的高级线性模型.

  • 《Net2Net: Accelerating Learning via Knowledge
    Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

  • 《徐亦达机器上课程 Variational
    Inference》

介绍:徐亦达机器上课程 Variational Inference.

  • 《Learning the Architecture of Deep Neural
    Networks》

介绍:深度神经网络结构学习.

  • 《Multimodal Deep
    Learning》

介绍:来自斯坦福大学之Multimodal Deep Learning papers.

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

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

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

介绍:这个专栏是一个stanford学生举行的CS183c课程的一个note,该科目是由Reid
Hoffman等互联网boss级人物设置的,每节课请一员巨头公司之连锁主管来开访谈,讲述该企业是怎么scale的。最新两期分别要到了雅虎的梅姐和airbnb创始人Brian
Chesky。.

  • 《Natural Language Understanding with Distributed
    Representation》

介绍:基于分布式表示的自然语言理解(100+页),论文.

  • 《Recommender Systems
    Handbook》

介绍:推荐系统手册.

  • 《Understanding LSTM
    Networks》

介绍:理解LSTM网络翻译.

  • 《Machine Learning at
    Quora》

介绍:机器上以quora中之应用.

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

介绍:思维上——RL+RNN算法信息论.

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

介绍:数据科学家毕业后继续学习之5种植方式.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:深度上在神经网络的应用.

  • 《Contextual Learning》

介绍:上下文学习,代码.

  • 《Machine Learning For Complete
    Beginners》

介绍:机器上零基础入门,代码.

  • 《2015年中华计算机学会(CCF)优秀博士学位论文》

介绍:2015夏CCF优秀博士学位论文奖论文列表.

  • 《Learning to Hash Paper, Code and
    Dataset》

介绍:Learning to Hash Paper, Code and Dataset.

  • 《Neural networks with Theano and
    Lasagne》

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

  • 《神经网络与深上课本》

介绍:复旦大学邱锡鹏教师编制的神经网络与深上课本,ppt.

  • 《Microsoft Open Sources Distributed Machine Learning
    Toolkit》

介绍:微软亚洲研究院开源分布式机器上工具包.

  • 《语音识别的艺原理是啊?》

介绍:语音识别的技能原理分析

  • 《Michael I. Jordan》

介绍:迈克尔·I.乔丹的主页.根据主页可以找到多资源。迈克尔·I.乔丹是闻名遐迩的电脑科学及统计学学者,主要研究机器上和人造智能。他的重要性贡献包括指出了机械上及统计学之间的关系,并推动机械学习界广泛认识及贝叶斯网络的重中之重。

  • 《Geoff Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是平等个英国生的计量机学家和心理学家,以该以神经网络方面的献闻名。辛顿是倒转为传来算法和比散度算法的发明人之一,也是深上之积极推进者.通过他的主页可以打到异常多Paper以及优秀学生的paper,此外推荐他的学童Yann
Lecun主页

  • 《Yoshua
    Bengio》

介绍:Yoshua
Bengio是机械上方向的牛人,如果你无理解得看本着话机器学习大神Yoshua
Bengio(上),针对话机器学习大神Yoshua
Bengio(下)

  • 《Large Scale Deep Learning within
    google》

介绍:google大规模深度上以演进

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

介绍:MIT出版的深上电子书,公开电子书

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

介绍:深度卷积神经网络(CNN)提取特征的数学理论

  • 《Microsoft Research Asia:Kaiming
    He》

介绍:推荐微软亚洲研究院何恺明主页

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

介绍:《语音以及语言处理》第三版本(草稿)

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

介绍:Stanford新课”计算词汇语义学”

  • 《上海交大张志华先生的统计机器上和机具上导论视频》

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

  • 《Computational Linguistics and Deep
    Learning》

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

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

介绍:(BlackHat2015)深度上运用的流量鉴别(协议鉴别/异常检测),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),%5Bmaterial%5D(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

  • 《LibRec:A Java Library for Recommender
    Systems》

介绍:一个引进系统的Java库

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

介绍:多中心图的谱说及其于网络入侵检测中的利用(MC-GPCA&MC-GDL)

  • 《Computational Statistics in
    Python》

介绍:用Python学计算统计学

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

介绍:datumbox-framework——Java的开源机器上框架,该框架重点是供大量之机上算法和统计检验,并能够处理中稍范围的数据集

  • 《Awesome Recurrent Neural
    Networks》

介绍:递归神经网络awesome系列,涵盖了书籍,项目,paper等

  • 《Pedro Domingos》

介绍:Pedro
Domingos是华盛顿大学之授课,主要研究方向是机上与数量挖掘.在2015年之ACM
webinar会议,曾上了有关盘点机器上园地的五特别派主题演讲.他的个人主页拥有多相关研究之paper以及他的教授课程.

  • 《Video resources for machine
    learning》

介绍:机器上视频集锦

  • 《Deep Machine Learning libraries and
    frameworks》

介绍:深度机器上库和框架

  • 《大数额/数据挖掘/推荐系统/机器上有关资源》

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

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

介绍:(天文学)贝叶斯方法/MCMC教程——统计实战

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

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

  • 《The Evolution of Distributed Programming in
    R》

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

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

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

  • 《Understanding Convolution in Deep
    Learning》

介绍:深度上卷积概念详解.

  • 《Python libraries for building recommender
    systems》

介绍:Python推荐系统出库汇总.

  • 《Neural networks class – Université de
    Sherbrooke》

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

  • 《CS231n: Convolutional Neural Networks for Visual
    Recognition》

介绍:斯坦福新科目,面向视觉识别的卷积神经网络(Fei-Fei Li & Andrej
Karpathy),slides+video,homework.

  • 《NIPS 2015 Deep Learning Symposium Part
    I》

介绍:NIPS
2015会总第一有的,第二有的.

  • 《python机器上入门资料梳理》

介绍:python机器上入门资料梳理.

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

介绍:牛津大学著名视觉几哪组VGG在IJCV16年首卷首盼: Reading Text in the
Wild with Convolutional Neural
Networks,Jaderberg。这篇期刊文章融合了前面少首会议(ECCV14,NIPS14ws),定位与辨识图片被的文本(叫text
spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据和代码.

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

介绍:计算机视觉的一个于生之数码集索引,
包含387单标签,共收录了314只数据集合,点击标签云就得找到好得的库了.

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

介绍:Tombone 对 ICCV SLAM workshop 的总: the future of SLAM, SLAM
vs deep learning 重点介绍了 monoSLAM 和 LSD-SLAM,而且讨论了
feature-based 和 feature-free method 的长短。在平民deep
learning做visual perception的时光,再来读读CV中的 geometry.

  • 《Python based Deep Learning Framework by
    Nervana™》

介绍:Nervana Systems的开源深度上框架neon发布.

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

介绍:ICCV 2015之ImageNet比赛与MS COCO竞赛联合研讨会的幻灯片和观望频.

  • 《An Introduction to Machine Learning with
    Python》

介绍:Python机器上入门.

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

介绍:Neural Enquirer 第二版.

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

介绍:[Google]冲TensorFlow的深浅上/机器学习课程.

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

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

  • 《Machine Learning: a Probabilistic
    Perspective》

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

  • 《Deep learning Book》

介绍:这是均等本在线的深上书本,合著者有Ian Goodfellow, Yoshua Bengio
和 Aaron Courville.如果你是同个新入门的学习者可优先看即仍图书Yoshua
Bengio: How can one get started with machine
learning?

  • 《UFLDL Recommended
    Readings》

介绍:UFLDL推荐的深上阅读列表.

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

介绍:纽约州立大学布法罗分校2015年春季机械上课程主页.

  • 《Theano is a Deep learning Python library

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

  • 《Statistical Language Models Based On Neural
    Networks》

介绍:博士论文:神经网络统计语言模型.

  • 《文本数据的机器上机关分类方法(上)》

介绍:文本数据的机械上机关分类方法(下).

  • 《Pixel Recurrent Neural
    Networks》

介绍:用RNN预测像素,可以把为遮挡的图形上了整.

  • 《Computational Network Toolkit
    (CNTK)》

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

  • 《Kalman and Bayesian Filters in
    Python》

介绍:
卡尔曼滤波器教材,用尽量少的数学和演绎,传授直觉和经验,全部Python示例,内容覆盖卡尔曼滤波器、扩展卡尔曼滤波,无迹卡尔曼滤波等,包括练习和参考答案

  • 《Statistical inference for data
    science》

介绍:在线免费写:面向数据科学的统计测算,R示例代码,很对GitHub.

  • 《Learning Deep Architectures for
    AI》

介绍:这本书是由于Yoshua
Bengio撰写的学科,其情节包含了上学人工智能所采用的吃水上架构的念资源,书中之档次已停止更新DeepLearnToolbox.

  • 《Machine Learning
    Tutorials》

介绍:这是同样卖机器上及纵深上课程,文章和资源的清单。这张清单根据各个主题展开写作,包括了不少和深上有关的花色、计算机视觉、加强学习与各种架构.

  • 《Data science ipython
    notebooks》

介绍:这是出于Donne
Martin策划收集之IPython笔记本。话题涵盖大数目、Hadoop、scikit-learn和正确Python堆栈以及无数任何点的始末。至于深度上,像是TensorFlow、Theano和Caffe之类的框架为全让含有中,当然还有相关的特定构架和概念等.

  • 《Open Source Deep Learning Server》

介绍:开源之吃水上服务,DeepDetect是C++实现的因外部机器上/深度学习库(目前凡是Caffe)的API。给起了图训练(ILSVRC)和文书训练(基于字的情义分析,NIPS15)的样例,以及基于图片标签索引至ElasticSearch中github.

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

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

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

介绍:经典论文:数据挖掘和统计学.

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

介绍:NIPS’2015 Tutorial by Yoshua Bengio.

  • 《(NENO:Python based Deep Learning
    Framework》

介绍:Nervana Systems的开源深度上框架neon发布.

  • 《(Matt Might:Reading for graduate
    students》

介绍:犹他州大学Matt Might教授推荐的研究生读清单.

  • 《Awesome Public
    Datasets》

介绍:开放数据集.

  • 《Introduction to Probability – The Science of
    Uncertainty》

介绍:(edX)不显的不利——概率论导论(MITx).

  • 《R software and tools for everyday
    use》

介绍:R语言开发常用软件/工具推荐.

  • 《Implementing Dynamic memory
    networks》

介绍:动态记忆网络实现.

  • 《Deeplearning4j
    中文主页》

介绍:英文主页

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

介绍:50独雅数据解析最佳学习资源(课程、博客、教程等)

  • 《A Full Hardware Guide to Deep
    Learning》

介绍:深度上的一应俱全硬件指南,从GPU到RAM、CPU、SSD、PCIe,译文

  • 《Deep Residual
    Networks》

介绍:kaiming开源作品

  • 《The Definitive Guide to Natural Language
    Processing》

介绍:自然语言处理(NLP)权威指南

  • 《Evaluating language identification
    performance》

介绍:如何当社会媒体及举行言语检测?没有数怎么惩罚?推特官方宣布了一个那个难得的数据集:12万标号了之Tweets,有70种植语言

  • 《ICLR 2016 Accepted
    Papers》

介绍:深度上与机械上要会议ICLR 2016选用文章

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

介绍:机器上——深度非技术指南

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

介绍:数据叙事入门指南——创意生成/数据搜集/内容设计有关资源引进

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

介绍:WikiTableQuestions——复杂真实问答数据集

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

介绍:(2016本)35独超棒的免费大数据源

  • 《SPARKNET: training deep networks in
    spark》

介绍:Ion Stoica和 Michael I.
Jordan两各大家首糟并发文,CAFFE和SPARK完美结合,分布式深度上混搭模式!github

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

介绍:深度上(分类)文献集

  • 《Learning Deep
    Learning》

介绍:深度上阅读列表

  • 《Awesome42 The easiest way to find R
    packages》

介绍:探索R包的好网站Awesome 42

  • 《MLbase:Distributed Machine Learning Made
    Easy》

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

  • 《Deep Learning At Scale and At
    Ease》

介绍:分布式深度上平台SINGA介绍

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

介绍:Spark视频集锦

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

介绍:R语言深度上第一节:从零开始

  • 《A Visual Introduction to Machine
    Learning》

介绍:图解机器上

  • 《Citation Network Dataset》

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

  • 《Best Free Machine Learning
    Ebooks》

介绍:10依最佳机器上免费写

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

介绍:ICCV15视频集

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

介绍::(Yahoo)基于Hadoop/Spark的分布式Caffe实现CaffeOnSpark

  • 《A Short Introduction to Learning to
    Rank》

介绍:Learning to Rank简介

  • 《Global Deep learning
    researcher》

介绍:全球深度上专家列表,涵盖研究者主页

  • 《Top Spark Ecosystem
    Projects》

介绍:Spark生态顶级项目集中

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

介绍:ACM IUI’16论文集[Conference Navigator

Proceedings](http://halley.exp.sis.pitt.edu/cn3/proceedingswithauthors.php?conferenceID=139)

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

介绍:深入机器上,2,3,4

  • 《Oxford Deep
    Learning》

介绍:Nando de
Freitas在 Oxford
开设的深上课程,课程youtube地址,Google
DeepMind的研讨科学家,此外首页:computervisiontalks的情节也老丰富,如果你是开机械视觉方面的研讨,推荐呢看看其他内容.肯定得呢非小.还有,这员youtube主页顶了之视频也酷有分量

  • 《Neural Networks for Machine
    Learning》

介绍:Geoffrey Hinton在Coursera开设的MOOC

  • 《Deep Learning News》

介绍:深度上园地的Hacker
news.紧跟深度上之资讯、研究进展和血脉相通的创业项目。从事机械上,深度上世界的情侣建议每日看一样扣押

  • 《Maxout
    Networks》

介绍:Maxout网络剖析

  • 《Advances in Neural Information Processing
    Systems》

介绍:NIPS领域的会paper集锦

  • 《Machine learning applications in genetics and
    genomics》

介绍:机器上以生物工程领域的动,如果你从生物工程领域,可以事先读书一篇稿子详尽介绍

  • 《Deep Learning in
    Bioinformatics》

介绍:深度上以海洋生物信息法领域的利用

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

介绍:一些有关机器上要了解知识,对于刚入门机上之同校应该读一诵读

  • 《Cambridge Machine Learning Group》

介绍:剑桥大学机器学用户组主页,网罗了剑桥大学局部机上领域专家与谍报

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

介绍:Randy
Olson’s的一些数码解析和机具上型库,是学实践的好素材

  • 《GoLearn:Golang machine learning
    library》

介绍:Golang机器学习库,简单,易扩展

  • 《Swift Ai》

介绍:用Swift开发苹果用的倒多,而用来做机械上的虽比较少了.Swift
Ai在这面开了很多聚集.可以看看

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

介绍:如何向同员5年之小朋友解释支持为量机(SVM)

  • 《reddit Machine
    learning》

介绍: reddit的机器上栏目

  • 《ComputerVision
    resource》

介绍:
计算机视觉领域的片牛人博客,超有实力的研讨部门等之网站链接.做计算机视觉方向的情侣建议多关注中的资源

  • 《Multimedia Laboratory
    Homepage》

介绍:香港中文大学深度修研讨主页,此外研究小组对2013年deep learning
的新颖进展及相关论文开了整理,其中useful
links的内容非常受益

  • 《Search Engines that Learn from Their
    Users》

介绍:
这是均等篇有关寻找引擎的博士论文,对现在普遍使用的搜寻引擎google,bing等召开了分析.对于做搜索类似制品之充分有技艺参考价值

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这好像书比较少).

  • 《Deep Learning
    Books》

介绍: 深度上书本推荐(毕竟这仿佛书于少).

  • 《Towards Bayesian Deep Learning: A
    Survey》

介绍: 贝叶斯定理在深度上地方的研究论文.

  • 《Revisiting Distributed Synchronous
    SGD》

介绍:
来自谷歌大脑的一再分布式梯度下降.同时引进大规模分布式深度网络

  • 《Research Issues in Social
    Computing》

介绍: 社交计算研究有关问题综述.

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

介绍: 社交计算应用领域概览,里面有些经典论文推荐

  • 《Collaborative Filtering Recommender
    Systems》

介绍: 协同过滤在推举系统应用.

  • 《Content-Boosted Collaborative Filtering for Improved
    Recommendations》

介绍: 协同过滤在情节引进的研究.

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

介绍: 协同过滤经典仍文.

  • 《Item-based Collaborative Filtering Recommendation
    Algorithms》

介绍: 协同过滤算法.

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

介绍: 亚马逊对同过滤算法应用.

  • 《Collaborative Filtering for Implicit Feedback
    Datasets》

介绍: 协同过滤的隐式反馈数据集处理.

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

介绍: 计算机图形,几何等论文,教程,代码.做计算机图形的引进收藏.

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

介绍:
推荐哥伦比亚大学课程,稀疏表示和高维几何.12年由Elsevier、13年及今天由PAMI(仍由Elsevier赞助)设立的青年研究者奖(Young
Researcher
Award)授予好博士学位后七年内得杰出贡献的;由CV社区提名,在CVPR会议达到公布。2015年得主是哥大助理教授John
Wright,09年《健壮人脸识别的疏表示法》援已超越5K.

  • 《Software engineer how to learning Machine
    learning》

介绍: CMU机器上相关著名教授Alex
Smola在Quora对于《程序员如何学习Machine
Learning》的提议:Alex推荐了多关于线性代数、优化、系统、和统计领域的经教材及资料.

  • 《Book review: Fundamentals of Deep
    Learning》

介绍:
书籍推荐,深度上基础.源码

  • 《Learning from Big Code》

介绍:
软件工程领域现在啊针对机械上与自然语言处理很感兴趣,有人生产了“大代码”的概念,分享了成千上万代码集合,并且认为ML可以为此当前瞻代码Bug,预测软件作为,自动写新代码等职责及。大代码数据集下载

  • 《Object
    Detection》

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

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

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

  • 《Stanford HCI Group》

介绍:
斯坦福星机交互组五篇CHI16篇。1.众担保激励机制的行经济学研究:批量结算比单任务之姣好率高。2.以众包专家及新手间建立联系:微实习。3.词嵌入结合众包验证的歌词汇主题分类(如猫、狗属于宠物)。4.词嵌入结合目标识别的移动预计。5.砥砺错以加速众包速度。

  • 《Learn Data
    Science》

介绍: 自学数据科学

  • 《CS224D Lecture 7 – Introduction to
    TensorFlow》

介绍:
本课是CS224D一样省介绍TensorFlow课程,ppt,DeepDreaming
with
TensorFlow

  • 《Leaf – Machine Learning for
    Hackers》

介绍:
Leaf是同样款机器上的开源框架,专为黑客打造,而不为科学家要作。它用Rust开发,传统的机上,现今底吃水上通吃。Leaf

  • 《MXnet:Flexible and Efficient library for deep
    learning》

介绍: GTC
2016视频,MXnet的手把手深度上tutorial,相关参考资料MXNet
Tutorial for NVidia GTC
2016.

  • 《OpenAI Gym: Toolkit for developing, comparing reinforcement
    learning algorithms》

介绍: OpenAI Gym:开发、比较强化学习算法工具箱

  • 《conference-iclr-2016 Papers and
    Code》

介绍: 机器学习会ICLR 2016 论文的代码集合

  • 《probabilistic graphical models principles and
    techniques》

介绍: 此书是斯坦福大学概率图模型大牛Daphne
Koller所写,主要涉及的凡贝叶斯网络与马尔科夫逻辑网络的learning和inference问题,同时还要针对PGM有浓厚的争鸣解释,是习概率图模型必看的书本。难度中达成,适合来部分ML基础的钻生.备份地址

  • 《Information Theory, Inference, and Learning
    Algorithms》

介绍: 此书是剑桥大学老牌信息论专家David
MacKay所写,出发角度与成千上万机械上之图书都未相同,inference和MCMC那节写的顶好,难度中。适合研究生和本科生。

  • 《Convex Optimization – Boyd and
    Vandenberghe》

介绍: 非常好的Convex
Optimization教材,覆盖了各种constrained和unconstrained
optimization方法,介绍了convex优化的基本概念和辩护。难度中,适合对优化和机械上有自然基础的人群

  • 《Machine – Learning – Tom
    Mitchell》

介绍:
本书是CMU机器上系主任Mitchell早年形容的机器上课本,年代起点久远.难度不赛。适合初学者,本科生,研究生

  • 《Learning with Kernels Support Vector Machines, Regularization,
    Optimization, and
    Beyond》

介绍:
本书设计学习Kernel和SVM的各种理论功底,需要比较强之数学功底,适合对kernel和SVM感兴趣之同室选读Learning
with Kernels
PPT,参考Learning
with
Kernels

  • 《The Elements of Statistical Learning: Data Mining, Inference,
    and
    Prediction》

介绍:
斯坦福统计系三个大神的统计上读本,偏统计和学习理论,需要对线性代数、统计和概率论起肯定基础、难度大、适合研究生

  • 《Data Mining: Practical Machine Learning Tools and
    Techniques》.pdf)

介绍:
本书是大名鼎鼎机器上工具Weka作者写的用机器上指导书、非常实用、难度小、适合文科和各种应用科学做参考

  • 《Foundations of Statistical Natural Language
    Processing》

介绍:
本书也是均等随比较让欢迎的NLP教科书,难度一般,主要覆盖统计NLP方法,是斯坦福的旁一样员好牛Chirs
manning所形容

  • 《Speech and Language
    Processing》

介绍:
在北美NLP最常用之课本,斯坦福Jurafsky所写的自然语言处理入门教程,覆盖面比较完善,难度中低。适合本科生和研究生

  • 《Natural Language Processing with Python –
    NLTK》

介绍: 实战型教程,著名工具NLTK作者的作文,适合本科生和入门者边动手边学

 

 

参考文献:

1.深度上阅读清单:http://suanfazu.com/t/topic/245

2.深上如何入门:https://www.zhihu.com/question/26006703/answer/63572833

 

相关文章