建站
咨詢
售后
建站咨詢
新聞中心
編者按：本文收集了百來篇關于機器學習和深度學習的資料，含各種文檔，視頻，源碼等。而且原文也會不定期的更新，望看到文章的朋友能夠?qū)W到更多。
《Brief History of Machine Learning》
介紹:這是一篇介紹機器學習歷史的文章，介紹很全面，從感知機、神經(jīng)網(wǎng)絡、決策樹、SVM、Adaboost 到隨機森林、Deep Learning.
《Deep Learning in Neural Networks: An Overview》
介紹:這是瑞士人工智能實驗室 Jurgen Schmidhuber 寫的最新版本《神經(jīng)網(wǎng)絡與深度學習綜述》本綜述的特點是以時間排序，從 1940 年開始講起，到 60-80 年代，80-90 年代，一直講到 2000 年后及最近幾年的進展。涵蓋了 deep learning 里各種 tricks，引用非常全面.
《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》
介紹:這是一份 python 機器學習庫，如果您是一位 python 工程師而且想深入的學習機器學習.那么這篇文章或許能夠幫助到你.
《How to Layout and Manage Your Machine Learning Project》
介紹:這一篇介紹如果設計和管理屬于你自己的機器學習項目的文章，里面提供了管理模版、數(shù)據(jù)管理與實踐方法.
《Machine Learning is Fun!》
介紹:如果你還不知道什么是機器學習，或則是剛剛學習感覺到很枯燥乏味。那么推薦一讀。這篇文章已經(jīng)被翻譯成中文，如果有興趣可以移步 http://blog.jobbole.com/67616/
《R語言參考卡片》
介紹:R語言是機器學習的主要語言，有很多的朋友想學習R語言，但是總是忘記一些函數(shù)與關鍵字的含義。那么這篇文章或許能夠幫助到你
《Choosing a Machine Learning Classifier》
介紹:我該如何選擇機器學習算法，這篇文章比較直觀的比較了 Naive Bayes，Logistic Regression，SVM，決策樹等方法的優(yōu)劣，另外討論了樣本大小、Feature 與 Model 權衡等問題。此外還有已經(jīng)翻譯了的版本:http://www.52ml.net/15063.html
《An Introduction to Deep Learning: From Perceptrons to Deep Networks》
介紹：深度學習概述：從感知機到深度網(wǎng)絡，作者對于例子的選擇、理論的介紹都很到位，由淺入深。翻譯版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html
《The LION Way: Machine Learning plus Intelligent Optimization》
介紹:<機器學習與優(yōu)化>這是一本機器學習的小冊子， 短短 300 多頁道盡機器學習的方方面面. 圖文并茂， 生動易懂， 沒有一坨坨公式的煩惱. 適合新手入門打基礎， 也適合老手溫故而知新. 比起 MLAPP/PRML 等大部頭， 也許這本你更需要!具體內(nèi)容推薦閱讀:http://intelligent-optimization.org/LIONbook/
《深度學習與統(tǒng)計學習理論》
介紹:作者是來自百度，不過他本人已經(jīng)在 2014 年 4 月份申請離職了。但是這篇文章很不錯如果你不知道深度學習與支持向量機/統(tǒng)計學習理論有什么聯(lián)系？那么應該立即看看這篇文章.
《計算機科學中的數(shù)學》
介紹:這本書是由谷歌公司和 MIT 共同出品的計算機科學中的數(shù)學：Mathematics for Computer Science，Eric Lehman et al 2013 。分為 5 大部分：1）證明，歸納。2）結構，數(shù)論，圖。3）計數(shù)，求和，生成函數(shù)。4）概率，隨機行走。5）遞歸。等等
《信息時代的計算機科學理論(Foundations of Data Science)》
介紹：信息時代的計算機科學理論，目前國內(nèi)有紙質(zhì)書購買，iTunes 購買
《Data Science with R》
介紹:這是一本由雪城大學新編的第二版《數(shù)據(jù)科學入門》教材：偏實用型，淺顯易懂，適合想學習R語言的同學選讀。
《Twenty Questions for Donald Knuth》
介紹:這并不是一篇文檔或書籍。這是篇向圖靈獎得主 Donald Knuth 提問記錄稿： 近日， Charles Leiserson, Al Aho, Jon Bentley 等大神向 Knuth 提出了 20 個問題，內(nèi)容包括 TAOCP，P/NP 問題，圖靈機，邏輯，以及為什么大神不用電郵等等。
《Automatic Construction and Natural-Language Description of Nonparametric Regression Models》
介紹：不會統(tǒng)計怎么辦？不知道如何選擇合適的統(tǒng)計模型怎么辦？那這篇文章你的好好讀一讀了麻省理工 Joshua B. Tenenbaum 和劍橋 Zoubin Ghahramani 合作，寫了一篇關于 automatic statistician 的文章。可以自動選擇回歸模型類別，還能自動寫報告...
《ICLR 2014 論文集》
介紹:對深度學習和 representation learning 最新進展有興趣的同學可以了解一下
《Introduction to Information Retrieval》
介紹：這是一本信息檢索相關的書籍，是由斯坦福 Manning 與谷歌副總裁 Raghavan 等合著的 Introduction to Information Retrieval 一直是北美最受歡迎的信息檢索教材之一。最近作者增加了該課程的幻燈片和作業(yè)。IR 相關資源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html
《Machine learning in 10 pictures》
介紹:Deniz Yuret 用 10 張漂亮的圖來解釋機器學習重要概念：1. Bias/Variance Tradeoff 2. Overfitting 3. Bayesian / Occam's razor 4. Feature combination 5. Irrelevant feature 6. Basis function 7. Discriminative / Generative 8. Loss function 9. Least squares 10. Sparsity. 很清晰
《雅虎研究院的數(shù)據(jù)集匯總》
介紹：雅虎研究院的數(shù)據(jù)集匯總： 包括語言類數(shù)據(jù)，圖與社交類數(shù)據(jù)，評分與分類數(shù)據(jù)，計算廣告學數(shù)據(jù)，圖像數(shù)據(jù)，競賽數(shù)據(jù)，以及系統(tǒng)類的數(shù)據(jù)。
《An Introduction to Statistical Learning with Applications in R》
介紹：這是一本斯坦福統(tǒng)計學著名教授 Trevor Hastie 和 Robert Tibshirani 的新書，并且在 2014 年一月已經(jīng)開課：https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about
Best Machine Learning Resources for Getting Started
介紹：機器學習最佳入門學習資料匯總是專為機器學習初學者推薦的優(yōu)質(zhì)學習資源，幫助初學者快速入門。而且這篇文章的介紹已經(jīng)被翻譯成中文版。如果你不怎么熟悉，那么我建議你先看一看中文的介紹。
My deep learning reading list
介紹:主要是順著 Bengio 的 PAMI review 的文章找出來的。包括幾本綜述文章，將近 100 篇論文，各位山頭們的 Presentation。全部都可以在 google 上找到。
Cross-Language Information Retrieval
介紹：這是一本書籍，主要介紹的是跨語言信息檢索方面的知識。理論很多
探索推薦引擎內(nèi)部的秘密，第 1 部分: 推薦引擎初探
介紹:本文共有三個系列，作者是來自 IBM 的工程師。它主要介紹了推薦引擎相關算法，并幫助讀者高效的實現(xiàn)這些算法。探索推薦引擎內(nèi)部的秘密，第 2 部分: 深度推薦引擎相關算法 - 協(xié)同過濾,探索推薦引擎內(nèi)部的秘密，第 3 部分: 深度推薦引擎相關算法 - 聚類
《Advice for students of machine learning》
介紹：康奈爾大學信息科學系助理教授 David Mimno 寫的《對機器學習初學者的一點建議》， 寫的挺實際，強調(diào)實踐與理論結合，最后還引用了馮 · 諾依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."
分布式并行處理的數(shù)據(jù)
介紹：這是一本關于分布式并行處理的數(shù)據(jù)《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》，作者是斯坦福的 James L. McClelland。著重介紹了各種神級網(wǎng)絡算法的分布式實現(xiàn)，做 Distributed Deep Learning 的童鞋可以參考下
《“機器學習”是什么？》
介紹:【“機器學習”是什么？】John Platt 是微軟研究院杰出科學家，17 年來他一直在機器學習領域耕耘。近年來機器學習變得炙手可熱，Platt 和同事們遂決定開設博客，向公眾介紹機器學習的研究進展。機器學習是什么，被應用在哪里？來看 Platt 的這篇博文
《2014 年國際機器學習大會 ICML 2014 論文》
介紹：2014 年國際機器學習大會（ICML）已經(jīng)于 6 月 21-26 日在國家會議中心隆重舉辦。本次大會由微軟亞洲研究院和清華大學聯(lián)手主辦，是這個有著 30 多年歷史并享譽世界的機器學習領域的盛會首次來到中國，已成功吸引海內(nèi)外 1200 多位學者的報名參與。干貨很多，值得深入學習下
《Machine Learning for Industry: A Case Study》
介紹：這篇文章主要是以 Learning to Rank 為例說明企業(yè)界機器學習的具體應用，RankNet 對 NDCG 之類不敏感，加入 NDCG 因素后變成了 LambdaRank，同樣的思想從神經(jīng)網(wǎng)絡改為應用到 Boosted Tree 模型就成就了 LambdaMART。Chirs Burges，微軟的機器學習大神，Yahoo 2010 Learning to Rank Challenge 第一名得主，排序模型方面有 RankNet，LambdaRank，LambdaMART，尤其以 LambdaMART 最為突出，代表論文為： From RankNet to LambdaRank to LambdaMART: An Overview 此外，Burges 還有很多有名的代表作，比如：A Tutorial on Support Vector Machines for Pattern Recognition
Some Notes on Applied Mathematics for Machine Learning
100 Best GitHub: Deep Learning
介紹:100 Best GitHub: Deep Learning
《UFLDL-斯坦福大學 Andrew Ng 教授“Deep Learning”教程》
介紹:本教程將闡述無監(jiān)督特征學習和深度學習的主要觀點。通過學習，你也將實現(xiàn)多個功能學習/深度學習算法，能看到它們?yōu)槟愎ぷ?，并學習如何應用/適應這些想法到新問題上。本教程假定機器學習的基本知識（特別是熟悉的監(jiān)督學習，邏輯回歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這里機器學習課程，并先完成第 II，III，IV 章（到邏輯回歸）。此外這關于這套教程的源代碼在 github 上面已經(jīng)有 python 版本了 UFLDL Tutorial Code
*《Deep Learning for Natural Language Processing and Related Applications》
介紹:這份文檔來自微軟研究院，精髓很多。如果需要完全理解，需要一定的機器學習基礎。不過有些地方會讓人眼前一亮，毛塞頓開。
Understanding Convolutions
介紹:這是一篇介紹圖像卷積運算的文章，講的已經(jīng)算比較詳細的了
《Machine Learning Summer School》
介紹：每天請一個大牛來講座，主要涉及機器學習，大數(shù)據(jù)分析，并行計算以及人腦研究。https://www.youtube.com/user/smolix （需FQ）
《Awesome Machine Learning》
介紹：一個超級完整的機器學習開源庫總結，如果你認為這個碉堡了，那后面這個列表會更讓你驚訝：【Awesome Awesomeness】，國內(nèi)已經(jīng)有熱心的朋友進行了翻譯中文介紹，機器學習數(shù)據(jù)挖掘免費電子書
斯坦?！蹲匀徽Z言處理》課程視頻
介紹:ACL 候任主席、斯坦福大學計算機系 Chris Manning 教授的《自然語言處理》課程所有視頻已經(jīng)可以在斯坦福公開課網(wǎng)站上觀看了（如 Chrome 不行，可用 IE 觀看） 作業(yè)與測驗也可以下載。
《Deep Learning and Shallow Learning》
介紹:對比 Deep Learning 和 Shallow Learning 的好文，來著浙大畢業(yè)、MIT 讀博的 Chiyuan Zhang 的博客。
《Recommending music on Spotify with deep learning》
介紹:利用卷積神經(jīng)網(wǎng)絡做音樂推薦。
《Neural Networks and Deep Learning》
介紹：神經(jīng)網(wǎng)絡的免費在線書，已經(jīng)寫了三章了，還有對應的開源代碼：https://github.com/mnielsen/neural-networks-and-deep-learning 愛好者的福音。
《Java Machine Learning》
介紹：Java 機器學習相關平臺和開源的機器學習庫，按照大數(shù)據(jù)、NLP、計算機視覺和 Deep Learning 分類進行了整理?？雌饋硗θ?，Java 愛好者值得收藏。
《Machine Learning Theory: An Introductory Primer》
介紹：機器學習最基本的入門文章，適合零基礎者
《機器學習常見算法分類匯總》
介紹：機器學習的算法很多。很多時候困惑人們都是，很多算法是一類算法，而有些算法又是從其他算法中延伸出來的。這里，我們從兩個方面來給大家介紹，第一個方面是學習的方式，第二個方面是算法的類似性。
《機器學習經(jīng)典論文/survey 合集》
介紹：看題目你已經(jīng)知道了是什么內(nèi)容，沒錯。里面有很多經(jīng)典的機器學習論文值得仔細與反復的閱讀。
《機器學習視頻庫》
介紹：視頻由加州理工學院（Caltech）出品。需要英語底子。
《機器學習經(jīng)典書籍》
介紹：總結了機器學習的經(jīng)典書籍，包括數(shù)學基礎和算法理論的書籍，可做為入門參考書單。
《16 Free eBooks On Machine Learning》
介紹:16 本機器學習的電子書，可以下載下來在 pad，手機上面任意時刻去閱讀。不多我建議你看完一本再下載一本。
《A Large set of Machine Learning Resources for Beginners to Mavens》
介紹:標題很大，從新手到專家。不過看完上面所有資料?？隙ㄊ菍＜伊?/p>
《機器學習最佳入門學習資料匯總》
介紹：入門的書真的很多，而且我已經(jīng)幫你找齊了。
《Sibyl》
介紹：Sibyl 是一個監(jiān)督式機器學習系統(tǒng)，用來解決預測方面的問題，比如 YouTube 的視頻推薦。
《Deep Learning》
介紹：Yoshua Bengio, Ian Goodfellow， Aaron Courville 著
《Neural Network & Text Mining》
介紹:關于(Deep) Neural Networks 在 NLP 和 Text Mining 方面一些 paper 的總結
《前景目標檢測1（總結）》
介紹:計算機視覺入門之前景目標檢測1（總結）
《行人檢測》
介紹:計算機視覺入門之行人檢測
《Deep Learning – important resources for learning and understanding》
介紹:Important resources for learning and understanding . Is awesome
《Machine Learning Theory: An Introductory Primer》
介紹:這又是一篇機器學習初學者的入門文章。值得一讀
《Neural Networks and Deep Learning》
介紹:在線 Neural Networks and Deep Learning 電子書
《Python 網(wǎng)頁爬蟲 & 文本處理 & 科學計算 & 機器學習 & 數(shù)據(jù)挖掘兵器譜》
介紹:python 的 17 個關于機器學習的工具
#p#
《神奇的伽瑪函數(shù)(上)》
介紹:下集在這里神奇的伽瑪函數(shù)(下)
《分布式機器學習的故事》
介紹:作者王益目前是騰訊廣告算法總監(jiān)，王益博士畢業(yè)后在 google 任研究。這篇文章王益博士 7 年來從谷歌到騰訊對于分布機器學習的所見所聞。值得細讀
《機器學習提升之道（Level-Up Your Machine Learning）》
介紹:把機器學習提升的級別分為0~4 級，每級需要學習的教材和掌握的知識。這樣，給機器學習者提供一個上進的路線圖，以免走彎路。另外，整個網(wǎng)站都是關于機器學習的，資源很豐富。
《Machine Learning Surveys》
介紹:機器學習各個方向綜述的網(wǎng)站
《Deep Learning Reading list》
介紹:深度學習閱資源列表
《Deep Learning: Methods and Applications》
介紹：這是一本來自微的研究員 li Peng 和 Dong Yu 所著的關于深度學習的方法和應用的電子書
《Machine Learning Summer School 2014》
介紹:2014 年七月 CMU 舉辦的機器學習夏季課剛剛結束有近 50 小時的視頻、十多個 PDF 版幻燈片，覆蓋深度學習，貝葉斯，分布式機器學習，伸縮性等熱點話題。所有 13 名講師都是牛人：包括大牛 Tom Mitchell （他的［機器學習］是名校的常用教材），還有 CMU 李沐 .（1080P 高清喲）
《Sibyl: 來自 Google 的大規(guī)模機器學習系統(tǒng)》
介紹:在今年的 IEEE/IFIP 可靠系統(tǒng)和網(wǎng)絡（DSN）國際會議上，Google 軟件工程師 Tushar Chandra 做了一個關于 Sibyl 系統(tǒng)的主題演講。 Sibyl 是一個監(jiān)督式機器學習系統(tǒng)，用來解決預測方面的問題，比如 YouTube 的視頻推薦。詳情請閱讀 google sibyl
《Building a deeper understanding of images》
介紹:谷歌研究院的 Christian Szegedy 在谷歌研究院的博客上簡要地介紹了他們今年參加 ImageNet 取得好成績的 GoogLeNet 系統(tǒng).是關于圖像處理的。
《Bayesian network 與 python 概率編程實戰(zhàn)入門》
介紹:貝葉斯學習。如果不是很清可看看概率編程語言與貝葉斯方法實踐
《AMA: Michael I Jordan》
介紹:網(wǎng)友問伯克利機器學習大牛、美國雙料院士 Michael I. Jordan："如果你有 10 億美金，你怎么花？Jordan: "我會用這 10 億美金建造一個 NASA 級別的自然語言處理研究項目。"
《機器學習&數(shù)據(jù)挖掘筆記_16（常見面試之機器學習算法思想簡單梳理）》
介紹:常見面試之機器學習算法思想簡單梳理
《文本與數(shù)據(jù)挖掘視頻匯總》
介紹：Videolectures 上最受歡迎的 25 個文本與數(shù)據(jù)挖掘視頻匯總
《怎么選擇深度學習的 GPUs》
介紹:在 Kaggle 上經(jīng)常取得不錯成績的 Tim Dettmers 介紹了他自己是怎么選擇深度學習的 GPUs, 以及個人如何構建深度學習的 GPU 集群: http://t.cn/RhpuD1G
《對話機器學習大神 Michael Jordan：深度模型》
介紹:對話機器學習大神 Michael Jordan
《Deep Learning 和 Knowledge Graph 引爆大數(shù)據(jù)革命》
介紹:還有２，３ 部分。http://blog.sina.com.cn/s/blog_46d0a3930101gs5h.html
《Deep Learning 教程翻譯》
介紹:是 Stanford 教授 Andrew Ng 的 Deep Learning 教程，國內(nèi)的機器學習愛好者很熱心的把這個教程翻譯成了中文。如果你英語不好，可以看看這個
《Deep Learning 101》
介紹:因為近兩年來，深度學習在媒體界被炒作很厲害（就像大數(shù)據(jù)）。其實很多人都還不知道什么是深度學習。這篇文章由淺入深。告訴你深度學究竟是什么！
《UFLDL Tutorial》
介紹:這是斯坦福大學做的一免費課程（很勉強），這個可以給你在深度學習的路上給你一個學習的思路。里面提到了一些基本的算法。而且告訴你如何去應用到實際環(huán)境中。中文版
《Toronto Deep Learning Demos》
介紹:這是多倫多大學做的一個深度學習用來識別圖片標簽／圖轉文字的 demo。是一個實際應用案例。有源碼
《Deep learning from the bottom up》
介紹:機器學習模型，閱讀這個內(nèi)容需要有一定的基礎。
《R工具包的分類匯總》
介紹: (CRAN Task Views, 34 種常見任務，每個任務又各自分類列舉若干常用相關工具包) 例如: 機器學習，自然語言處理，時間序列分析，空間信息分析，多重變量分析，計量經(jīng)濟學，心理統(tǒng)計學，社會學統(tǒng)計，化學計量學，環(huán)境科學，藥物代謝動力學等
《機器學習常見算法分類匯總》
介紹: 機器學習無疑是當前數(shù)據(jù)分析領域的一個熱點內(nèi)容。很多人在平時的工作中都或多或少會用到機器學習的算法。本文為您總結一下常見的機器學習算法，以供您在工作和學習中參考.
《Deep Learning（深度學習）學習筆記整理系列》
介紹: 很多干貨，而且作者還總結了好幾個系列。另外還作者還了一個文章導航.非常的感謝作者總結。
Deep Learning（深度學習）學習筆記整理系列之（二）
Deep Learning（深度學習）學習筆記整理系列之（三）
Deep Learning（深度學習）學習筆記整理系列之（四）
Deep Learning（深度學習）學習筆記整理系列之（五）
Deep Learning（深度學習）學習筆記整理系列之（六）
Deep Learning（深度學習）學習筆記整理系列之（七）
DeepLearning（深度學習）學習筆記整理系列之（八）
《Tutorials Session A - Deep Learning for Computer Vision》
介紹:傳送理由：Rob Fergus 的用深度學習做計算機是覺的 NIPS 2013 教程。有 mp4, mp3, pdf 各種下載 他是紐約大學教授，目前也在 Facebook 工作，他 2014 年的 8 篇論文
《FudanNLP》
介紹:FudanNLP，這是一個復旦大學計算機學院開發(fā)的開源中文自然語言處理（NLP）工具包 Fudan NLP 里包含中文分詞、關鍵詞抽取、命名實體識別、詞性標注、時間詞抽取、語法分析等功能，對搜索引擎文本分析等極為有價值。
《Open Sourcing ml-ease》
介紹:LinkedIn 開源的機器學習工具包，支持單機， Hadoop cluster，和 Spark cluster 重點是 logistic regression 算法
《機器學習周刊》
介紹:對于英語不好，但又很想學習機器學習的朋友。是一個大的福利。機器學習周刊目前主要提供中文版，還是面向廣大國內(nèi)愛好者，內(nèi)容涉及機器學習、數(shù)據(jù)挖掘、并行系統(tǒng)、圖像識別、人工智能、機器人等等。謝謝作者
《線性代數(shù)》
介紹：《線性代數(shù)》是《機器學習》的重要數(shù)學先導課程。其實《線代》這門課講得淺顯易懂特別不容易，如果一上來就講逆序數(shù)及羅列行列式性質(zhì)，很容易讓學生失去學習的興趣。我個人推薦的最佳《線性代數(shù)》課程是麻省理工 Gilbert Strang 教授的課程。 課程主頁
《Big-data》
介紹:大數(shù)據(jù)數(shù)據(jù)處理資源、工具不完備列表，從框架、分布式編程、分布式文件系統(tǒng)、鍵值數(shù)據(jù)模型、圖數(shù)據(jù)模型、數(shù)據(jù)可視化、列存儲、機器學習等。很贊的資源匯總。
《machine learning for smart dummies》
介紹:雅虎邀請了一名來自本古里安大學的訪問學者，制作了一套關于機器學習的系列視頻課程。本課程共分為 7 期，詳細講解了有關 SVM, boosting, nearest neighbors, decision trees 等常規(guī)機器學習算法的理論基礎知識。
《Entanglement-Based Quantum Machine Learning》
介紹:應對大數(shù)據(jù)時代，量子機器學習的第一個實驗 paper 下載
《How a Math Genius Hacked OkCupid to Find True Love》
介紹:Wired 雜志報道了 UCLA 數(shù)學博士 Chris McKinlay （圖1）通過大數(shù)據(jù)手段+機器學習方法破解婚戀網(wǎng)站配對算法找到真愛的故事，通過 Python 腳本控制著 12 個賬號，下載了婚戀網(wǎng)站 2 萬女用戶的 600 萬問題答案，對他們進行了統(tǒng)計抽樣及聚類分析（圖2，3），最后終于收獲了真愛?？萍几淖兠\！
《Underactuated Robotics》
介紹:MIT 的 Underactuated Robotics 于 2014 年 10 月 1 日開課，該課屬于 MIT 研究生級別的課程，對機器人和非線性動力系統(tǒng)感興趣的朋友不妨可以挑戰(zhàn)一下這門課程！
《mllib 實踐經(jīng)驗(1)》
介紹:mllib 實踐經(jīng)驗分享
《Google Turns To Deep Learning Classification To Fight Web Spam》
介紹:Google 用 Deep Learning 做的 antispam (反垃圾郵件)
《NLP 常用信息資源》
介紹:NLP 常用信息資源* 《NLP 常用信息資源》
《機器學習速查表》
介紹:機器學習速查表
《Best Papers vs. Top Cited Papers in Computer Science》
介紹：從 1996 年開始在計算機科學的論文中被引用次數(shù)最多的論文
《InfiniTAM: 基于深度圖像的體數(shù)據(jù)集成框架》
介紹：把今年的一個 ACM Trans. on Graphics (TOG)論文中的代碼整理為一個開源的算法框架，共享出來了。歡迎大家使用?？梢詫崟r的采集 3D 數(shù)據(jù)、重建出三維模型。Online learning，GPU Random forest，GPU CRF 也會后續(xù)公開。
《Hacker's guide to Neural Networks》
介紹：【神經(jīng)網(wǎng)絡黑客指南】現(xiàn)在，最火莫過于深度學習（Deep Learning），怎樣更好學習它？可以讓你在瀏覽器中，跑起深度學習效果的超酷開源項目 convnetjs 作者 karpathy 告訴你，最佳技巧是，當你開始寫代碼，一切將變得清晰。他剛發(fā)布了一本圖書，不斷在線更新
《Building a Production Machine Learning Infrastructure》
介紹：前 Google 廣告系統(tǒng)工程師 Josh Wills 講述工業(yè)界和學術界機器學習的異同，大實話
《Deep Learning Sentiment Analysis for Movie Reviews using Neo4j》
介紹：使用 Neo4j 做電影評論的情感分析。
《DeepLearning.University – An Annotated Deep Learning Bibliography》
介紹：不僅是資料，而且還對有些資料做了注釋。
《A primer on deeping learning》
介紹：深度學習入門的初級讀本
《Machine learning is teaching us the secret to teaching 》
介紹：機器學習教會了我們什么？
《scikit-learn：用于機器學習的 Python 模塊》
介紹：scikit-learn 是在 SciPy 基礎上構建的用于機器學習的 Python 模塊。
《對話機器學習大神 Michael Jordan：解析領域中各類模型》
介紹：喬丹教授（Michael I. Jordan）教授是機器學習領域神經(jīng)網(wǎng)絡的大牛，他對深度學習、神經(jīng)網(wǎng)絡有著很濃厚的興趣。因此，很多提問的問題中包含了機器學習領域的各類模型，喬丹教授對此一一做了解釋和展望。
《A*搜索算法的可視化短教程》
介紹：A*搜索是人工智能基本算法，用于高效地搜索圖中兩點的最佳路徑， 核心是 g (n) +h(n): g (n)是從起點到頂點n的實際代價，h(n)是頂點n到目標頂點的估算代價。合集
《基于云的自然語言處理開源項目 FudanNLP》
介紹：本項目利用了 Microsoft Azure，可以在幾分種內(nèi)完成 NLP on Azure Website 的部署，立即開始對 FNLP 各種特性的試用，或者以 REST API 的形式調(diào)用 FNLP 的語言分析功能
《吳立德《概率主題模型&數(shù)據(jù)科學基礎》》
介紹：現(xiàn)任復旦大學首席教授、計算機軟件博士生導師。計算機科學研究所副所長.內(nèi)部課程
《機器學習入門資源不完全匯總》》
介紹：好東西的干貨真的很多
《收集從 2014 年開始深度學習文獻》
介紹：從硬件、圖像到健康、生物、大數(shù)據(jù)、生物信息再到量子計算等，Amund Tveit 等維護了一個 DeepLearning.University 小項目：收集從 2014 年開始深度學習文獻，相信可以作為深度學習的起點,github
《EMNLP 上兩篇關于股票趨勢的應用論文 》
介紹：EMNLP 上兩篇關于 stock trend 用到了 deep model 組織特征； Exploiting Social Relations and Sentiment for Stock Prediction 用到了 stock network。
《Bengio 組（蒙特利爾大學 LISA 組）深度學習教程 》
介紹：作者是深度學習一線大牛 Bengio 組寫的教程，算法深入顯出，還有實現(xiàn)代碼，一步步展開。
《學習算法的 Neural Turing Machine 》
介紹：許多傳統(tǒng)的機器學習任務都是在學習 function，不過谷歌目前有開始學習算法的趨勢。谷歌另外的這篇學習 Python 程序的 Learning to Execute 也有相似之處
《Learning to Rank for Information Retrieval and Natural Language Processing》
介紹：作者是華為技術有限公司，諾亞方舟實驗室，首席科學家的李航博士寫的關于信息檢索與自然語言處理的文章
《Rumor has it: Identifying Misinformation in Microblogs》
介紹：利用機用器學習在謠言的判別上的應用，此外還有兩個。一個是識別垃圾與虛假信息的 paper.還有一個是網(wǎng)絡輿情及其分析技術
《R機器學習實踐》
介紹：該課程是網(wǎng)易公開課的收費課程，不貴，超級便宜。主要適合于對利用R語言進行機器學習，數(shù)據(jù)挖掘感興趣的人。
#p#
《大數(shù)據(jù)分析：機器學習算法實現(xiàn)的演化》
介紹：本章中作者總結了三代機器學習算法實現(xiàn)的演化：第一代非分布式的， 第二代工具如 Mahout 和 Rapidminer 實現(xiàn)基于 Hadoop 的擴展，第三代如 Spark 和 Storm 實現(xiàn)了實時和迭代數(shù)據(jù)處理。BIG DATA ANALYTICS BEYOND HADOOP
《圖像處理，分析與機器視覺》
介紹：講計算機視覺的四部奇書（應該叫經(jīng)典吧）之一，另外三本是 Hartley 的《多圖幾何》、Gonzalez 的《數(shù)字圖像處理》、Rafael C.Gonzalez / Richard E.Woods 的《數(shù)字圖像處理》
《LinkedIn 最新的推薦系統(tǒng)文章 Browsemaps》
介紹：里面基本沒涉及到具體算法，但作者介紹了 CF 在 LinkedIn 的很多應用，以及他們在做推薦過程中獲得的一些經(jīng)驗。最后一條經(jīng)驗是應該監(jiān)控 log 數(shù)據(jù)的質(zhì)量，因為推薦的質(zhì)量很依賴數(shù)據(jù)的質(zhì)量！
《初學者如何查閱自然語言處理（NLP）領域?qū)W術資料》
介紹：初學者如何查閱自然語言處理（NLP）領域?qū)W術資料
《樹莓派的人臉識別教程》
介紹：用樹莓派和相機模塊進行人臉識別
《利用深度學習與大數(shù)據(jù)構建對話系統(tǒng) 》
介紹：如何利用深度學習與大數(shù)據(jù)構建對話系統(tǒng)
《經(jīng)典論文 Leo Breiman：Statistical Modeling: The Two Cultures 》
介紹：Francis Bach 合作的有關稀疏建模的新綜述(書)：Sparse Modeling for Image and Vision Processing，內(nèi)容涉及 Sparsity， Dictionary Learning, PCA, Matrix Factorization 等理論，以及在圖像和視覺上的應用，而且第一部分關于 Why does the l1-norm induce sparsity 的解釋也很不錯。
《Reproducing Kernel Hilbert Space》
介紹：RKHS 是機器學習中重要的概念，其在 large margin 分類器上的應用也是廣為熟知的。如果沒有較好的數(shù)學基礎，直接理解 RKHS 可能會不易。本文從基本運算空間講到 Banach 和 Hilbert 空間，深入淺出，一共才 12 頁。
《Hacker's guide to Neural Networks》
介紹：許多同學對于機器學習及深度學習的困惑在于，數(shù)學方面已經(jīng)大致理解了，但是動
名稱欄目：近200篇機器學習&深度學習資料分享（含各種文檔，視頻，源碼等）
本文URL：http://www.dlmjj.cn/article/djjdseg.html
