机器学习(Machine Learning)与深度学习(Deep Learning)资料 之 文章、博客

以下内容摘选自：https://github.com/ty4z2008/Qix/blob/master/dl.md

https://github.com/ty4z2008/Qix/blob/master/dl2.md

 

·        《Brief History ofMachine 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、DeepLearning.

·        《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.

·        《Machine Learning isFun!》

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,如果有兴趣可以移步http://blog.jobbole.com/67616/

·        《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:http://www.52ml.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：http://www.cnblogs.com/xiaowanyer/p/3701944.html

·        《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.

·        《Twenty Questionsfor 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, AlAho, 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。

·        《AutomaticConstruction and Natural-Language Description of Nonparametric RegressionModels》

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. 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...

·        《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. Bias/Variance Tradeoff2. Overfitting 3. Bayesian / Occam's razor 4. Feature combination 5. Irrelevantfeature 6. Basis function 7. Discriminative / Generative 8. Loss function 9.Least squares 10. Sparsity.很清晰

·        探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探

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,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 studentsof machine learning》

介绍：康奈尔大学信息科学系助理教授DavidMimno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, in mathematics you don't understand things. Youjust get used to them."

·        《“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

*《Deep Learning for Natural Language Processing and RelatedApplications》

介绍:这份文档来自微软研究院,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,毛塞顿开。

·        UnderstandingConvolutions

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。https://www.youtube.com/user/smolix （需翻墙）

·        《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 musicon Spotify with deep learning》

介绍:利用卷积神经网络做音乐推荐。

·        《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。

·        《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

·        《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

·        《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（Level-UpYour 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 LearningSurveys》

介绍:机器学习各个方向综述的网站

·        《Machine LearningSummer 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 .（1080P高清哟）

·        《Sibyl: 来自Google的大规模机器学习系统》

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 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.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. 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,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,不仅是理论还有源码。

·        《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, 以及个人如何构建深度学习的GPU集群: http://t.cn/RhpuD1G 

·        《对话机器学习大神MichaelJordan：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。http://blog.sina.com.cn/s/blog... .html

·        《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！

·        《Toronto DeepLearning 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 fromthe bottom up》

介绍:机器学习模型，阅读这个内容需要有一定的基础。

·        《机器学习常见算法分类汇总》

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.

·        《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.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）

·        《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

·        《How a Math GeniusHacked OkCupid to Find True Love》

介绍:Wired杂志报道了UCLA数学博士Chris McKinlay （图1）通过大数据手段+机器学习方法破解婚恋网站配对算法找到真爱的故事,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！

·        《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anti-spam(反垃圾邮件)

·        《机器学习速查表》

介绍:机器学习速查表

·        《Hacker's guide toNeural 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,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.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 deepinglearning》

介绍：深度学习入门的初级读本

·        《Machine learning isteaching us the secret to teaching 》

介绍：机器学习教会了我们什么？

·        《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.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，乔丹教授对此一一做了解释和展望。

·        《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

·        《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.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,github

·        《Learning to Rank for Information Retrieval and Natural LanguageProcessing》

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,此外还有两个。一个是识别垃圾与虚假信息的paper.还有一个是网络舆情及其分析技术

·        《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。BIGDATA ANALYTICS BEYOND HADOOP

·        《LinkedIn最新的推荐系统文章Browsemaps》

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 

·        《Reproducing KernelHilbert 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 toNeural 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.

·        《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。

·        《Support VectorMachines》

介绍：数据挖掘十大经典算法之一

·        《Andrej Karpathy个人主页》

介绍：Andrej Karpathy 是斯坦福大学Li Fei-Fei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state-of-art.

·        《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. 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.

·        《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.

·        《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：微博，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

·        《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

·        《CIKM 2014主题报告的幻灯片》

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

·        《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

·        《NumericalOptimization: Understanding L-BFGS》

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L-BFGS, 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 forprogrammers》

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'sWord2Vec 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

·        《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,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（LinearRegression）算法》

介绍:Python实现线性回归,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》

介绍：2014中国大数据技术大会33位核心专家演讲PDF下载

·        《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

·        《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？Aho-Corasick 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

·        《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.

·        《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ConnectionistTemporal ClassificationICML2006》

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

·        《Deep Learning实战之word2vec》

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->Log-Linear/Log-Bilinear->层次化Log-Bilinear，到CBOW和Skip-gram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

·        《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)，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．

·        《 Imageclassification 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 2009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、1994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,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

·        《A Deep Dive into Recurrent Neural Nets》

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容，强烈推荐！本文作者NikhilBuduma还有一篇DeepLearning in a Nutshell值得推荐

·        《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 artificialintelligence》

介绍:鲁棒及有益的人工智能优先研究计划：一封公开信,目前已经有Stuart Russell, Tom Dietterich, EricHorvitz, Yann LeCun, Peter Norvig, Tom Mitchell, Geoffrey Hinton, Elon Musk等人签署The Future of Life Institute (FLI).这封信的背景是最近霍金和ElonMusk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,Security, 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》,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

·        《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 fromthe 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

·        《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ConvNets: A Modular Perspective，Groups& Group Convolutions.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2006年3篇让deeplearning崛起的论文

·        《Geoffrey E. Hinton个人主页》

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

·        《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

参考文献：http://ask.julyedu.com/article/59

·        《Deep Learning on Hadoop 2.0》

介绍:本文主要介绍了在Hadoop2.0上使用深度学习,文章来自paypal

·        《Practicalrecommendations for gradient-based 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YoshuaBengio .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）

·        《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 forAnswer Sentence Selection》

介绍: 深度学习用于问答系统答案句的选取 

·        《Learning SemanticRepresentations 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

·        《Collaborative Filtering with Spark》

介绍: Fields是个数学研究中心,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

·        《Recommend :Hang LiHome》

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

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

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.国内网盘

·        《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。

·        《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

·        《A First Course inLinear Algebra》

介绍: 【A First Course in Linear Algebra】RobertBeezer 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

·        《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

·        《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 Processesfor 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,微盘下载

·        《CollaborativeFeature 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.

·        《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(S-H-ESD)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.

·        《Empower Your Team to Deal with Data-Quality 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)

·        《Deep Learning Summit, San Francisco, 2015》

介绍:15年旧金山深度学习峰会视频集萃,国内云盘

·        《Introduction to Conditional Random Fields》

介绍:很好的条件随机场(CRF)介绍文章,作者的学习笔记

·        《Which GPU(s) to Get for Deep Learning: My Experience and Advice forUsing 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.ai Meet-Up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,13年同主题报告 、讲义.

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

介绍: 大规模机器学习流程的构建与部署.

·        《Understanding Natural Language with Deep Neural Networks UsingTorch》

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.

·        《The NLP Engine: AUniversal 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,作者用Shannon Entropy来刻画NLP中各项任务的难度.

·        《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.

·        《Encoding SourceLanguage 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 thebasis 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

·        《Zipf's and Heap's law》

介绍: 1)词频与其降序排序的关系,最著名的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s law,即二者成反比关系.曼德勃罗(Mandelbrot,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,英语0.4-0.6)成正比

·        《I am Jürgen Schmidhuber, AMA》

介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me Anything)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.

·        《机器学习交互速查表》

介绍: Scikit-Learn官网提供，在原有的Cheat Sheet基础上加上了Scikit-Learn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

·        《A specializedface-processing network consistent with the representational geometry of monkeyface 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）。Khaligh-Razavi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合。

·        《How to Choose aNeural 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++, Java, Scala, Go)》

介绍:一个深度学习项目,提供了Python, C/C++, Java, Scala, Go多个版本的代码

·        《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.

·        《FaceNet: A UnifiedEmbedding 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99.63%准确率(新纪录)，FaceNetembeddings可用于人脸识别、鉴别和聚类.

·        《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Gradient-Boosted 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.中文版.

·        《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,2003]、Hierarchical NNLM[Bengio,2005], Log-Bilinear[Hinton, 2007],SENNA等重要变形，总结的特别好.

·        《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.

·        《Machine learningclassification over encrypted data》

介绍:出自MIT，研究加密数据高效分类问题.

·        《Hands-on with machine learning》

介绍:Chase Davis在NICAR15上的主题报告材料，用Scikit-Learn做监督学习的入门例子.

·        《The NaturalLanguage Processing Dictionary》

介绍:这是一本自然语言处理的词典,从1998年开始到目前积累了成千上万的专业词语解释,如果你是一位刚入门的朋友.可以借这本词典让自己成长更快.

·        《PageRank Approachto 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.

·        《Fast unfolding ofcommunities 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](The Louvainmethod for community detection in large networks)即基于此.

·        《Machine learningfor package users with R (1): Decision Tree》

介绍: 决策树

·        《Deep Learning, The Curse of Dimensionality, 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,国内翻译

·        《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.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.

·        《Deep Learning forMulti-label Classification》

介绍: 基于深度学习的多标签分类,用基于RBM的DBN解决多标签分类(特征)问题

·        《Data JournalismHandbook》

介绍: 免费电子书《数据新闻手册》, 国内有热心的朋友翻译了中文版,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.

·        《Understanding Convolution in Deep Learning》

介绍: 深度学习卷积概念详解,深入浅出.

·        《Text Analytics 2015》

介绍: 2015文本分析(商业)应用综述.

·        《Simple Neural Network implementation in Ruby》

介绍: 使用Ruby实现简单的神经网络例子.

·        《Hacker's guide toNeural Networks》

介绍:神经网络黑客入门.

·        《The Open-SourceData Science Masters》

介绍:好多数据科学家名人推荐,还有资料.

·        《Text Understandingfrom Scratch》

介绍:实现项目已经开源在github上面Crepe

·        《 Improving Distributional Similarity with Lessons Learned from WordEmbeddings》

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.

·        《Improved SemanticRepresentations From Tree-Structured Long Short-Term Memory Networks》

介绍:用于改进语义表示的树型LSTM递归神经网络,句子级相关性判断和情感分类效果很好.实现代码.

·        《NIPS 2014 CIMLworkshop》

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

·        《A Speed Comparison Between Flexible Linear Regression Alternativesin 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’soptimizing()等.

·        《Back-to-Basics 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 ProbabilisticTheory of Deep Learning》

介绍:莱斯大学（Rice University）的深度学习的概率理论.

·        《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,github地址.

·        《Introduction toData Analysis using Machine Learning》

介绍:用机器学习做数据分析,David Taylor最近在McGill University研讨会上的报告，还提供了一系列讲机器学习方法的ipn，很有价值 GitHub.国内

·        《Beyond ShortSnippets: Deep Networks for Video Classification》

介绍:基于CNN+LSTM的视频分类,google演示.

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

介绍:Quora怎么用机器学习.

·        《Amazon Machine Learning – Make Data-DrivenDecisions at Scale》

介绍:亚马逊在机器学习上面的一些应用,代码示例.

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

介绍:基于Mahout和Elasticsearch的推荐系统.

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

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

·        《Time Series Econometrics - A Concise Course》

介绍:Francis X.Diebold的《时序计量经济学》.

·        《A comparison ofopen source tools for sentiment analysis》

介绍:基于Yelp数据集的开源情感分析工具比较,评测覆盖NaiveBayes、SentiWordNet、CoreNLP等 .

·        《Pattern RecognitionAnd Machine Learning》

介绍:微博，国内Pattern Recognition And Machine Learning读书会资源汇总,各章pdf讲稿,博客.

·        《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.

·        《Machine learning in navigation devices: detect maneuvers usingaccelerometer and gyroscope》

介绍:机器学习在导航上面的应用.

·        《Neural NetworksDemystified 》

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

·        《swirl + DataCamp 》

介绍:{swirl}数据训练营:R&数据科学在线交互教程.

·        《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.

·        《深度强化学习（Deep Reinforcement Learning）的资源》

介绍:DeepReinforcement Learning.要注册网易博客的账号才能看。

·        《Machine Learningwith Scikit-Learn》

介绍:(PyCon2015)用Scikit-Learn实现机器学习

·        《Big Data Processing》

介绍:大数据处理课.内容覆盖流处理、MapReduce、图算法等.

·        《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,国内镜像.

·        《Picture: AProbabilistic 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.

·        《Beautiful plotting in R: A ggplot2 cheatsheet》

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

·        《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.

·        《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.

·        《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.

·        《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，multi-label学习和集成学习方面在国际上有一定的影响力.

·        《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.

·        《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,他的新个人主页.

·        《How to Evaluate Machine Learning Models, Part1: Orientation》

介绍:如何评价机器学习模型系列文章,How to Evaluate Machine Learning Models, Part 2a: ClassificationMetrics,How to Evaluate Machine Learning Models, Part 2b: Ranking andRegression Metrics.

·        《Building a new trends experience》

介绍:Twitter新trends的基本实现框架.

·        《Storm Blueprints: Patterns for DistributedReal-time Computation》

介绍:Storm手册，国内有中文翻译版本,谢谢作者.

·        《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,howto paper talk.

·        《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,博主的其他博客也挺精彩的.

·        《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,推荐新入门的朋友阅读.

·        《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H-index牛人列表,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,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,这份资料很宝贵.

• 《deep net highlights from 2014》

介绍:deepnet highlights from 2014.

• 《Fingerprinting Images for Near-Duplicate Detection》

介绍:图像指纹的重复识别文章,作者源码,国内翻译版本.

• 《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。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.

• 《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.

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

介绍:基于scikit-learn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.

• 《Lightning fast Machine Learning with Spark》

介绍:基于Spark的高效机器学习,视频地址.

• 《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.

• 《Data Scientists Thoughts that Inspired Me》

介绍:16位数据科学家语录精选.

• 《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.

• 《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.

• 《Highway Networks》

介绍:用SGD能高效完成训练的大规模(多层)深度网络HN.

• 《What I Read For Deep-Learning》

介绍:深度学习解读文章.

• 《Neural Turing Machines implementation》

介绍:实现神经图灵机(NTM),项目地址,此外推荐相关神经图灵机算法.

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

介绍:MachineLearning for Astronomy with scikit-learn.

• 《Top 10 data mining algorithms in plain English》

介绍:白话数据挖掘十大算法.

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

介绍:基于Mahout和Elasticsearch的推荐系统,国内译版.

• 《10-minute 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.

• 《The Curse of Dimensionality in classification》

介绍:分类系统的维数灾难.

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

介绍:深度学习vs.大数据——从数据到知识：版权的思考,[翻译版](http://www.csdn.net/article/2015-05-19/2824707

• 《A Primer on Predictive Models》

介绍:预测模型入门.

• 《Demistifying LSTM Neural Networks》

介绍:深入浅出LSTM.

• 《On Visualizing Data Well》

介绍:BenJones的数据可视化建议.

• 《Decoding Dimensionality Reduction, PCA and SVD》

介绍:解读数据降维/PCA/SVD.

• 《Supervised learning superstitions cheat sheet》

介绍:IPN:监督学习方法示例/对比参考表,覆盖logistic回归, 决策树, SVM, KNN, Naive Bayes等方法.

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

介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.

• 《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,中文版.

• 《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.

• 《Low precision storage for deep learning》

介绍:深度学习(模型)低精度(训练与)存储.

• 《Deep Learning（深度学习）学习笔记整理系列》

介绍:DeepLearning（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, Self-Taught Learning and Unsupervised Feature Learning》

介绍:AndrewNg关于深度学习/自学习/无监督特征学习的报告,国内云.

• 《Logistic Regression and Gradient Descent》

介绍:Logistic回归与优化实例教程（一篇文章）.

• 《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.

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

介绍:基于TopSig的海量(7亿+)网页聚类.

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

介绍:机器学习预测股市的七个问题.

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

介绍:面向序列学习的RNN综述.

• 《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).

• 《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。

• 《Python-ELM》

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

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

介绍:词频模型对词向量的反击,参考Improving Distributional Similarity with Lessons Learned fromWord Embeddings 。

• 《Three Aspects of Predictive Modeling》

介绍:预测模型的三个方面.

• 《Google Computer Vision research at CVPR 2015》

介绍:CVPR2015上Google的CV研究列表.

• 《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.

• 《Learning Deep Features for Discriminative Localization》

介绍:对本土化特征学习的分析

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

介绍:，第28届IEEE计算机视觉与模式识别(CVPR)大会在美国波士顿举行。微软研究员们在大会上展示了比以往更快更准的计算机视觉图像分类新模型，并介绍了如何使用Kinect等传感器实现在动态或低光环境的快速大规模3D扫描技术.

• 《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:深度学习之“深”——DNN的隐喻分析.

• 《Mixture Density Networks》

介绍:混合密度网络.

• 《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:Continuallyupdated Data Science Python Notebooks.

• 《How to share data with a statistician》

介绍:Howto 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:The50 Best Masters in Data Science.

• 《Conditional Random Fields as Recurrent Neural Networks》

介绍:语义图像分割的实况演示,通过深度学习技术和概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,模型代码.

• 《Growing Pains for Deep Learning》

介绍:深度学习——成长的烦恼.

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

介绍:基于三元树方法的文本流聚类.

• 《Foundations and Advances in Data Mining》

介绍:FreeEbook:数据挖掘基础及最新进展.

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

介绍:深度学习革命.

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

介绍:数据科学(实践)权威指南.

• 《Challenges and Opportunities Of Machine Learning In Production》

介绍:生产环境(产品级)机器学习的机遇与挑战.

• 《Neural Nets for Newbies》

介绍:神经网络入门.

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

介绍:Nature:LeCun/Bengio/Hinton的最新文章《深度学习》,Jürgen Schmidhuber的最新评论文章《Critique of Paper by "DeepLearning Conspiracy" (Nature 521 p 436)》.

• 《Advances in Structured Prediction》

介绍:JohnLangford和Hal Daume III在ICML2015上关于Learning to Search的教学讲座幻灯片.

• 《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将发布可扩展/自动调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上基于Mean-for-Mode估计的高效LDA训练.

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

介绍:从实验室到工厂——构建机器学习生产架构.

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

介绍:Google面向机器视觉的深度学习.

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

介绍:构建预测类应用时如何选择机器学习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,此外推荐分类算法的实证比较分析.

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

介绍:CMU(ACL2012)(500+页)面向NLP基于图的半监督学习算法.

• 《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:(RLDM2015)计算强化学习入门.

• 《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/政治和实时预测的机器学习.

• 《Faster deep learning with GPUs and Theano》

介绍:基于Theano/GPU的高效深度学习.

• 《Introduction to R Programming》

介绍:来自微软的<R编程入门>.

• 《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.

• 《百度深度学习的图像识别进展》

介绍:这是一篇关于百度文章《基于深度学习的图像识别进展：百度的若干实践》的摘要,建议两篇文章结合起来阅读.

• 《Machine Learning Methods in Video Annotation》

介绍:视频标注中的机器学习技术.

• 《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.

• 《A Statistical View of Deep Learning》

介绍:深度学习的统计分析.

• 《Deep Learning For NLP - Tips And Techniques》

介绍:面向NLP的深度学习技术与技巧.

• 《CrowdFlower Competition Scripts: Approaching NLP》

介绍:Kaggle'sCrowdFlower竞赛NLP代码集锦.

• 《Deep Learning and Shallow Learning》

介绍:DeepLearning与ShallowLearning 介绍

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

介绍:介绍个乐于总结和翻译机器学习和计算机视觉类资料的博客,包含的内容：Hinton的CSC321课程的总结；Deep Learning综述；Notes on CNN的总结；python的原理总结；Theano基础知识和练习总结；CUDA原理和编程；OpenCV一些总结.

• 《Which Algorithm Family Can Answer My Question?》

介绍:针对具体问题(应用场景)如何选择机器学习算法(系列).

• 《an introduction to visualizing DATA》

介绍:数据可视化介绍(23页袖珍小册子)

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

介绍:作者在深度学习的思考.

• 《NLP界有哪些神级人物？》

介绍:知乎上面的一篇关于NLP界有哪些神级人物？提问。首推Michael Collins

• 《机器学习温和指南》

介绍:机器学习与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学习过程中的重要概念，应用程序和挑战，旨在让读者能够继续探寻机器学习知识。

• 《Gradient Boosted Regression Trees》

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

• 《E-commerce Recommendation with Personalized Promotion》

介绍:在亚马逊数据和众包Mechanical Turk上，实现了来自彩票和拍卖的机制，以收集用户对产品的乐意购买价格（WTP，willingness-to-pay）训练集。 E-commerce Recommendation withPersonalized Promotion [Zhao,RecSys15] 回归模型预测未知WTP，提升卖家利润和消费者满意度

• 《Scalable Machine Learning》

介绍:来自伯克利分校的大规模机器学习.

• 《机器学习资料大汇总》

介绍:来自52ml的机器学习资料大汇总.

• 《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上长达4小时的报告，共248页，是对推荐系统发展的一次全面综述，其中还包括Netflix在个性化推荐方面的一些经验介绍.

• 《BigData Stream Mining》

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

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

介绍:SuryaGanguli深度学习统计物理学.

• 《Introduction to Topic Modeling in Python》

介绍:(PyTexas2015)Python主题建模.

• 《Large Scale Distributed Deep Learning on Hadoop Clusters》

介绍:Hadoop集群上的大规模分布式机器学习.

• 《Top Deep Learning Employers Based On LinkedIn Data》

介绍:基于LinkedIn数据得出的深度学习热门"东家"排行.

• 《Neural Net in C++ Tutorial》

介绍:(c++)神经网络手把手实现教程.

• 《Unsupervised Feature Learning in Computer Vision》

介绍:面向机器视觉的无监督特征学习,RossGoroshin's webpage.

• 《Essential Machine Learning Algorithms in a nutshell》

介绍:机器学习基本算法简要入门.

• 《基于Hadoop集群的大规模分布式深度学习》

介绍:基于Hadoop集群的大规模分布式深度学习.

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

介绍:来自斯坦福大学及NVIDIA的工作，很实在很实用。采用裁剪网络连接及重训练方法，可大幅度减少CNN模型参数。针对AlexNet、VGG等模型及ImageNet数据，不损失识别精度情况下，模型参数可大幅度减少9-13倍.

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

介绍:当今世界最NB的25位大数据科学家,通过他们的名字然后放在google中搜索肯定能找到很多很棒的资源译文.

• 《Connection between probability theory and real analysis》

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

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

介绍:应对非均衡数据集分类问题的八大策略.

• 《Recurrent Neural Networks》

介绍:递归神经网络.

• 《Histograms of Oriented Gradients》

介绍:(HOG)学习笔记.

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

介绍:(Yelp)基于深度学习的商业图片分类.

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

介绍:深度学习在视觉跟踪的探索.

• 《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)二分类.

• 《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)学习教程》

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

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

介绍:(PyConSE 2015)深度学习与深度数据科学.

• 《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.

• 《Net2Net: Accelerating Learning via Knowledge Transfer》

介绍:基于知识迁移的神经网络高效训练Net2Net.

• 《Learning the Architecture of Deep Neural Networks》

介绍:深度神经网络结构学习.

• 《深度学习简析,TensorFlow,Torch,Theano,Mxnet》

介绍:深度学习简析,TensorFlow,Torch,Theano,Mxnet.

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

介绍:这个专栏是一个stanford学生做的CS183c课程的一个note，该课程是由Reid Hoffman等互联网boss级人物开设的，每节课请一位巨头公司的相关负责人来做访谈，讲述该公司是怎么scale的。最新两期分别请到了雅虎的梅姐和airbnb创始人Brian Chesky。.

• 《Natural Language Understanding with Distributed Representation》

介绍:2015年秋季纽约大学的数据科学中心的一个课程的笔记，基于分布式表示的自然语言理解(100+页),论文.

• 《Understanding LSTM Networks》

介绍:理解LSTM网络翻译.

• 《Machine Learning at Quora》

介绍:机器学习在quora中的应用.

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

介绍:思维学习——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的5种方式.

• 《Deep Learning in Neural Networks: An Overview》

介绍:深度学习在神经网络的应用.

• 《Contextual Learning》

介绍:上下文学习,代码.

• 《Machine Learning For Complete Beginners》

介绍:机器学习零基础入门,代码.

• 《语音识别的技术原理是什么？》

介绍:语音识别的技术原理浅析

• 《Michael I. Jordan》

介绍:迈克尔·I.乔丹的主页.根据主页可以找到很多资源。迈克尔·I.乔丹是知名的计算机科学和统计学学者，主要研究机器学习和人工智能。他的重要贡献包括指出了机器学习与统计学之间的联系，并推动机器学习界广泛认识到贝叶斯网络的重要性。

• 《Yoshua Bengio》

介绍:YoshuaBengio是机器学习方向的牛人,如果你不知道可以阅读对话机器学习大神Yoshua Bengio（上）,对话机器学习大神Yoshua Bengio（下）

• 《Large Scale Deep Learning within google》

介绍:google大规模深度学习应用演进

• 《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

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

介绍:(BlackHat2015)深度学习应用之流量鉴别(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),[material](https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

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

介绍:多中心图的谱分解及其在网络入侵检测中的应用(MC-GPCA&MC-GDL)

• 《Computational Statistics in Python》

介绍:用Python学计算统计学

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

介绍:(天文学)贝叶斯方法/MCMC教程——统计实战

• 《The Evolution of Distributed Programming in R》

介绍:R分布式计算的进化,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:NervanaSystems在Startup.ML的主题研讨会——情感分析与深度强化学习

• 《Understanding Convolution in Deep Learning》

介绍:深度学习卷积概念详解.

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

介绍:牛津大学著名视觉几何组VGG在IJCV16年首卷首期: Reading Text in the Wild withConvolutional Neural Networks,Jaderberg。这篇期刊文章融合了之前两篇会议(ECCV14,NIPS14ws)，定位和识别图片中的文本(叫text spotting)。端到端系统: 检测Region + 识别CNN。论文、数据和代码.

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

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

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

介绍:ICCV2015的ImageNet比赛以及MS COCO竞赛联合研讨会的幻灯片和视频.

• 《An Introduction to Machine Learning with Python》

介绍:Python机器学习入门.

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

介绍:NeuralEnquirer 第二版.

• 《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.

• 《文本数据的机器学习自动分类方法(上)》

介绍:文本数据的机器学习自动分类方法(下).

• 《Pixel Recurrent Neural Networks》

介绍:用RNN预测像素，可以把被遮挡的图片补充完整.

• 《Data science ipython notebooks》

介绍:这是由Donne Martin策划收集的IPython笔记本。话题涵盖大数据、Hadoop、scikit-learn和科学Python堆栈以及很多其他方面的内容。至于深度学习，像是TensorFlow、Theano和Caffe之类的框架也均被涵盖其中，当然还有相关的特定构架和概念等.

• 《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,分析以及数据科学类的文章.偶尔还有机器学习精选.

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

介绍:NIPS’2015Tutorial by Yoshua Bengio.

• 《Implementing Dynamic memory networks》

介绍:动态记忆网络实现.

• 《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,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

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

介绍:机器学习——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/数据采集/内容设计相关资源推荐

• 《SPARKNET: training deep networks in spark》

介绍:IonStoica和 Michael I.Jordan两位大家首次联手发文，CAFFE和SPARK完美结合，分布式深度学习混搭模式！github

• 《Awesome42 The easiest way to find R packages》

介绍:探索R包的好网站Awesome 42

• 《Deep Learning At Scale and At Ease》

介绍:分布式深度学习平台SINGA介绍

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

介绍:R语言深度学习第一节:从零开始

• 《A Visual Introduction to Machine Learning》

介绍:图解机器学习

• 《A Short Introduction to Learning to Rank》

介绍:Learningto Rank简介

• 《Global Deep learning researcher》

介绍:全球深度学习专家列表,涵盖研究者主页

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

介绍:深入机器学习,2,3,4

• 《Deep Learning News》

介绍:深度学习领域的Hacker news.紧跟深度学习的新闻、研究进展和相关的创业项目。从事机器学习,深度学习领域的朋友建议每天看一看

• 《Machine learning applications in genetics and genomics》

介绍:机器学习在生物工程领域的应用,如果你从事生物工程领域,可以先阅读一篇文章详细介绍

• 《Deep Learning in Bioinformatics》

介绍:深度学习在生物信息学领域的应用

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

介绍:一些关于机器学习需要知道知识,对于刚刚入门机器学习的同学应该读一读

• 《Cambridge Machine Learning Group》

介绍:剑桥大学机器学习用户组主页,网罗了剑桥大学一些机器学习领域专家与新闻

• 《Swift Ai》

介绍:用Swift开发苹果应用的倒是很多，而用来做机器学习的就比较少了.Swift Ai在这方面做了很多聚集.可以看看

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

介绍:如何向一位5岁的小朋友解释支持向量机(SVM)

• 《reddit Machine learning》

介绍:reddit的机器学习栏目

• 《ComputerVision resource》

介绍:计算机视觉领域的一些牛人博客，超有实力的研究机构等的网站链接.做计算机视觉方向的朋友建议多关注里面的资源

• 《Multimedia Laboratory Homepage》

介绍:香港中文大学深度学习研究主页,此外研究小组对2013年deep learning 的最新进展和相关论文做了整理,其中useful links的内容很受益

• 《Revisiting Distributed Synchronous SGD》

介绍:来自谷歌大脑的重温分布式梯度下降.同时推荐大规模分布式深度网络

• 《Research Issues in Social Computing》

介绍:社交计算研究相关问题综述.

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

介绍:亚马逊对于协同过滤算法应用.

• 《Collaborative Filtering for Implicit Feedback Datasets》

介绍:协同过滤的隐式反馈数据集处理.

• 《Learning from Big Code》

介绍:软件工程领域现在也对机器学习和自然语言处理很感兴趣，有人推出了“大代码”的概念，分享了不少代码集合，并且觉得ML可以用在预测代码Bug，预测软件行为，自动写新代码等任务上。大代码数据集下载

• 《Stanford HCI Group》

介绍:斯坦福人机交互组五篇CHI16文章。1.众包激励机制的行为经济学研究：批量结算比单任务的完成率高。2.在众包专家和新手间建立联系：微实习。3.词嵌入结合众包验证的词汇主题分类（如猫、狗属于宠物）。4.词嵌入结合目标识别的活动预测。5.鼓励出错以加快众包速度。

• 《Learn Data Science》

介绍:自学数据科学

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

介绍: GTC 2016视频，MXnet的手把手深度学习tutorial,相关参考资料MXNetTutorial for NVidia GTC 2016.

• 《ICML 2016 Conference and Workshops Video》

介绍:ICML 2016视频集锦

• 《TensorFlow and deep learning, without a PhD》

介绍:新手入门，通过TensorFlow入门深度学习。谷歌官网的。

• 《How To Get Into Natural Language Processing》

介绍:自然语言处理(NLP)入门指南

• 《Deep learning and the Schrödinger equation》

介绍:通过神经网络跳过数值方法求解薛定谔方程。

• 《Recent Advances in Distributed Machine Learning》

介绍:微软亚洲研究院的刘铁岩等人近日在AAAI 2017上做的有关优化以及大规模机器学习的Tutorial。很值得一看。里面对传统的优化算法，特别是一些理论特性以及分布式算法的相应理论特性都有一个比较详尽的总结。非常适合想快速了解这些领域的学者和工程师。另外，这个Tutorial还介绍了DMTK的一些情况，作为一个分布式计算平台的优缺点，还顺带比较了Spark和TensorFlow等流行框架。

• 《Deep Learning Implementations and Frameworks (DLIF)》

介绍:AAAI2017的Tutorial，专门讲述了深度学习框架的设计思想和实现，比较若干种流行框架（Caffe、MXNet、TensorFlow、Chainer等）的性能和异同。

• 《Deconstruction with Discrete Embeddings》

介绍:用离散嵌入解构模糊数据

• 《Reliable Machine Learning in the Wild - NIPS 2016 Workshop》

介绍:视频发布：自然场景可靠机器学习(NIPS 2016 Workshop)

• 《5 algorithms to train a neural network》

介绍:训练神经网络的5种算法

• 《Persontyle Workshop for Applied Deep Learning》

介绍:伦敦深度学习研讨会资料

• 《Understanding, generalisation, and transfer learning in deep neural networks》

介绍:论文导读：深度神经网络理解、泛化与迁移学习,acolyer blog上还有很多经典推荐可以阅读

• 《An Introduction to MCMC for Machine Learning》

介绍:面向机器学习的马尔科夫链蒙特卡洛(MCMC)

• 《Machine Learning for Software Engineers》

介绍:软件工程师的机器学习

• 《What Computers Still Can't Do.》

介绍:《计算机仍然不能做什么——人工理性批判》MIT版导言

• 《TensorFlow Dev Summit 2017》

介绍:2017TensorFlow 开发者峰会(中文字幕)

• 《Deep Learning for Music (DL4M)》

介绍:音乐深度学习相关资料大列表(音乐生成/语音分离/说话人识别等)

• Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro

介绍: ICCV2017spotlight 用GAN生成样本，加入监督学习(如ResNet) 提升小样本数据集效果。

• 《On the Information Bottleneck Theory of Deep Learning》

介绍:论深度学习信息瓶颈理论

• 《Random Erasing Data Augmentation》2

介绍:本文提出了一种叫做“Random Erasing”的数据增强方法，通过给图像数据加入随机的噪声进行数据增强，防止过拟合，可以移植到其他的CV任务中。代码实现 @layumi

• 《SVDNet for Pedestrian Retrieval》

介绍:SVDNet在行人重识别的应用翻译。代码 @layumi

• 《NIPS 2017 Notes》

介绍:2017年神经信息处理系统大会笔记

• 《An Introduction to Deep Learning for Tabular Data》

介绍:表格数据深度学习入门

 

最后

以上就是内向翅膀为你收集整理的机器学习(Machine Learning)与深度学习(Deep Learning)资料 之 文章、博客的全部内容，希望文章能够帮你解决机器学习(Machine Learning)与深度学习(Deep Learning)资料 之 文章、博客所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。