該資源的github地址:Qix

《Statistical foundations of machine learning》

介紹:《機(jī)器學(xué)習(xí)的統(tǒng)計(jì)基礎(chǔ)》在線版，該手冊(cè)希望在理論與實(shí)踐之間找到平衡點(diǎn)，各主要內(nèi)容都伴有實(shí)際例子及數(shù)據(jù)，書中的例子程序都是用R語言編寫的。

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

介紹:IVAN VASILEV寫的深度學(xué)習(xí)導(dǎo)引：從淺層感知機(jī)到深度網(wǎng)絡(luò)。高可讀

《Research priorities for robust and beneficial artificial intelligence》

介紹:魯棒及有益的人工智能優(yōu)先研究計(jì)劃：一封公開信,目前已經(jīng)有Stuart Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom Mitchell, Geoffrey Hinton, Elon Musk等人簽署The Future of Life Institute (FLI).這封信的背景是最近霍金和Elon Musk提醒人們注意AI的潛在威脅。公開信的內(nèi)容是AI科學(xué)家們站在造福社會(huì)的角度，展望人工智能的未來發(fā)展方向，提出開發(fā)AI系統(tǒng)的Verification，Validity, Security, Control四點(diǎn)要求，以及需要注意的社會(huì)問題。畢竟當(dāng)前AI在經(jīng)濟(jì)領(lǐng)域，法律，以及道德領(lǐng)域相關(guān)研究較少。其實(shí)還有一部美劇《疑犯追蹤》,介紹了AI的演進(jìn)從一開始的自我學(xué)習(xí)，過濾，圖像識(shí)別，語音識(shí)別等判斷危險(xiǎn)，到第四季的時(shí)候出現(xiàn)了機(jī)器通過學(xué)習(xí)成長之后想控制世界的狀態(tài)。說到這里推薦收看。

《metacademy》

介紹:里面根據(jù)詞條提供了許多資源，還有相關(guān)知識(shí)結(jié)構(gòu)，路線圖，用時(shí)長短等。號(hào)稱是”機(jī)器學(xué)習(xí)“搜索引擎

《FAIR open sources deep-learning modules for Torch》

介紹:Facebook人工智能研究院（FAIR）開源了一系列軟件庫，以幫助開發(fā)者建立更大、更快的深度學(xué)習(xí)模型。開放的軟件庫在 Facebook 被稱作模塊。用它們替代機(jī)器學(xué)習(xí)領(lǐng)域常用的開發(fā)環(huán)境 Torch 中的默認(rèn)模塊，可以在更短的時(shí)間內(nèi)訓(xùn)練更大規(guī)模的神經(jīng)網(wǎng)絡(luò)模型。

《淺析人臉檢測(cè)之Haar分類器方法》

介紹:本文雖然是寫于2012年，但是這篇文章完全是作者的經(jīng)驗(yàn)之作。

《如何成為一位數(shù)據(jù)科學(xué)家》

介紹:本文是對(duì)《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》作者Peter Harrington做的一個(gè)訪談。包含了書中部分的疑問解答和一點(diǎn)個(gè)人學(xué)習(xí)建議

《Deep learning from the bottom up》

介紹:非常好的深度學(xué)習(xí)概述，對(duì)幾種流行的深度學(xué)習(xí)模型都進(jìn)行了介紹和討論

《Hands-On Data Science with R Text Mining》

介紹:主要是講述了利用R語言進(jìn)行數(shù)據(jù)挖掘

《Understanding Convolutions》

介紹:幫你理解卷積神經(jīng)網(wǎng)絡(luò)，講解很清晰，此外還有兩篇Conv Nets: A Modular Perspective，Groups & Group Convolutions. 作者的其他的關(guān)于神經(jīng)網(wǎng)絡(luò)文章也很棒

《Introduction to Deep Learning Algorithms》

介紹:Deep Learning算法介紹，里面介紹了06年3篇讓deep learning崛起的論文

《Learning Deep Architectures for AI》

介紹:一本學(xué)習(xí)人工智能的書籍，作者是Yoshua Bengio，相關(guān)國內(nèi)報(bào)道

《Geoffrey E. Hinton個(gè)人主頁》

介紹:Geoffrey Hinton是Deep Learning的大牛，他的主頁放了一些介紹性文章和課件值得學(xué)習(xí)

《PROBABILITY THEORY: THE LOGIC OF SCIENCE》

介紹:概率論：數(shù)理邏輯書籍

《H2O》

介紹:一個(gè)用來快速的統(tǒng)計(jì)，機(jī)器學(xué)習(xí)并且對(duì)于數(shù)據(jù)量大的數(shù)學(xué)庫

《ICLR 2015會(huì)議的arXiv稿件合集》

介紹:在這里你可以看到最近深度學(xué)習(xí)有什么新動(dòng)向。

《Introduction to Information Retrieval》

介紹:此書在信息檢索領(lǐng)域家喻戶曉， 除提供該書的免費(fèi)電子版外，還提供一個(gè)IR資源列表，收錄了信息檢索、網(wǎng)絡(luò)信息檢索、搜索引擎實(shí)現(xiàn)等方面相關(guān)的圖書、研究中心、相關(guān)課程、子領(lǐng)域、會(huì)議、期刊等等，堪稱全集，值得收藏

《Information Geometry and its Applications to Machine Learning》

介紹:信息幾何學(xué)及其在機(jī)器學(xué)習(xí)中的應(yīng)用

《Legal Analytics – Introduction to the Course》

介紹:課程《法律分析》介紹幻燈片。用機(jī)器學(xué)習(xí)解決法律相關(guān)分析和預(yù)測(cè)問題，相關(guān)的法律應(yīng)用包括預(yù)測(cè)編碼、早期案例評(píng)估、案件整體情況的預(yù)測(cè)，定價(jià)和工作人員預(yù)測(cè)，司法行為預(yù)測(cè)等。法律領(lǐng)域大家可能都比較陌生，不妨了解下。

《文本上的算法》

介紹: 文中提到了最優(yōu)，模型，最大熵等等理論，此外還有應(yīng)用篇。推薦系統(tǒng)可以說是一本不錯(cuò)的閱讀稿，關(guān)于模型還推薦一篇Generative Model 與 Discriminative Model

《NeuralTalk》

介紹: NeuralTalk is a Python+numpy project for learning Multimodal Recurrent Neural Networks that describe images with sentences.NeuralTalk是一個(gè)Python的從圖像生成自然語言描述的工具。它實(shí)現(xiàn)了Google (Vinyals等，卷積神經(jīng)網(wǎng)絡(luò)CNN + 長短期記憶LSTM) 和斯坦福 (Karpathy and Fei-Fei， CNN + 遞歸神經(jīng)網(wǎng)絡(luò)RNN)的算法。NeuralTalk自帶了一個(gè)訓(xùn)練好的動(dòng)物模型，你可以拿獅子大象的照片來試試看

《Deep Learning on Hadoop 2.0》

介紹:本文主要介紹了在Hadoop2.0上使用深度學(xué)習(xí),文章來自paypal

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

介紹:用基于梯度下降的方法訓(xùn)練深度框架的實(shí)踐推薦指導(dǎo),作者是Yoshua Bengio.感謝@xuewei4d 推薦

《Machine Learning With Statistical And Causal Methods》

介紹: 用統(tǒng)計(jì)和因果方法做機(jī)器學(xué)習(xí)（視頻報(bào)告）

《Machine Learning Course 180’》

介紹: 一個(gè)講機(jī)器學(xué)習(xí)的Youtube視頻教程。160集。系統(tǒng)程度跟書可比擬。

《回歸(regression)、梯度下降(gradient descent)》

介紹: 機(jī)器學(xué)習(xí)中的數(shù)學(xué)，作者的研究方向是機(jī)器學(xué)習(xí)，并行計(jì)算如果你還想了解一點(diǎn)其他的可以看看他博客的其他文章

《美團(tuán)推薦算法實(shí)踐》

介紹: 美團(tuán)推薦算法實(shí)踐，從框架，應(yīng)用，策略，查詢等分析

《Deep Learning for Answer Sentence Selection》

介紹: 深度學(xué)習(xí)用于問答系統(tǒng)答案句的選取

《Learning Semantic Representations Using Convolutional Neural Networks for Web Search 》

介紹: CNN用于WEB搜索，深度學(xué)習(xí)在文本計(jì)算中的應(yīng)用

《Awesome Public Datasets》

介紹: Awesome系列中的公開數(shù)據(jù)集

《Search Engine & Community》

介紹: 一個(gè)學(xué)術(shù)搜索引擎

《spaCy》

介紹: 用Python和Cython寫的工業(yè)級(jí)自然語言處理庫，號(hào)稱是速度最快的NLP庫，快的原因一是用Cython寫的，二是用了個(gè)很巧妙的hash技術(shù)，加速系統(tǒng)的瓶頸，NLP中稀松特征的存取

《Collaborative Filtering with Spark》

介紹:Fields是個(gè)數(shù)學(xué)研究中心,上面的這份ppt是來自Fields舉辦的活動(dòng)中Russ Salakhutdinov帶來的《大規(guī)模機(jī)器學(xué)習(xí)》分享

《Topic modeling 的經(jīng)典論文》

介紹: Topic modeling 的經(jīng)典論文,標(biāo)注了關(guān)鍵點(diǎn)

《Move Evaluation in Go Using Deep Convolutional Neural Networks》

介紹: 多倫多大學(xué)與Google合作的新論文，深度學(xué)習(xí)也可以用來下圍棋，據(jù)說能達(dá)到六段水平

《機(jī)器學(xué)習(xí)周刊第二期》

介紹: 新聞，paper,課程，book，system,CES,Roboot，此外還推薦一個(gè)深度學(xué)習(xí)入門與綜述資料

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

介紹: 18 free eBooks on Machine Learning

《Recommend :Hang Li Home》

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

《DEEPLEARNING.UNIVERSITY – AN ANNOTATED DEEP LEARNING BIBLIOGRAPHY》

介紹: DEEPLEARNING.UNIVERSITY的論文庫已經(jīng)收錄了963篇經(jīng)過分類的深度學(xué)習(xí)論文了，很多經(jīng)典論文都已經(jīng)收錄

《MLMU.cz - Radim ?eh??ek - Word2vec & friends (7.1.2015)》

介紹: Radim ?eh??ek(Gensim開發(fā)者)在一次機(jī)器學(xué)習(xí)聚會(huì)上的報(bào)告，關(guān)于word2vec及其優(yōu)化、應(yīng)用和擴(kuò)展，很實(shí)用.國內(nèi)網(wǎng)盤

《Introducing streaming k-means in Spark 1.2》

介紹:很多公司都用機(jī)器學(xué)習(xí)來解決問題，提高用戶體驗(yàn)。那么怎么可以讓機(jī)器學(xué)習(xí)更實(shí)時(shí)和有效呢？Spark MLlib 1.2里面的Streaming K-means，由斑馬魚腦神經(jīng)研究的Jeremy Freeman腦神經(jīng)科學(xué)家編寫，最初是為了實(shí)時(shí)處理他們每半小時(shí)1TB的研究數(shù)據(jù)，現(xiàn)在發(fā)布給大家用了。

《LDA入門與Java實(shí)現(xiàn)》

介紹: 這是一篇面向工程師的LDA入門筆記，并且提供一份開箱即用Java實(shí)現(xiàn)。本文只記錄基本概念與原理，并不涉及公式推導(dǎo)。文中的LDA實(shí)現(xiàn)核心部分采用了arbylon的LdaGibbsSampler并力所能及地注解了，在搜狗分類語料庫上測(cè)試良好，開源在GitHub上。

《AMiner - Open Science Platform》

介紹: AMiner是一個(gè)學(xué)術(shù)搜索引擎，從學(xué)術(shù)網(wǎng)絡(luò)中挖掘深度知識(shí)、面向科技大數(shù)據(jù)的挖掘。收集近4000萬作者信息、8000萬論文信息、1億多引用關(guān)系、鏈接近8百萬知識(shí)點(diǎn)；支持專家搜索、機(jī)構(gòu)排名、科研成果評(píng)價(jià)、會(huì)議排名。

《What are some interesting Word2Vec results?》

介紹: Quora上的主題，討論Word2Vec的有趣應(yīng)用，Omer Levy提到了他在CoNLL2014最佳論文里的分析結(jié)果和新方法，Daniel Hammack給出了找特異詞的小應(yīng)用并提供了(Python)代碼

《機(jī)器學(xué)習(xí)公開課匯總》

介紹: 機(jī)器學(xué)習(xí)公開課匯總,雖然里面的有些課程已經(jīng)歸檔過了，但是還有個(gè)別的信息沒有。感謝課程圖譜的小編

《A First Course in Linear Algebra》

介紹: 【A First Course in Linear Algebra】Robert Beezer 有答案 有移動(dòng)版、打印版 使用GNU自由文檔協(xié)議 引用了杰弗遜1813年的信

《libfacedetection》

介紹:libfacedetection是深圳大學(xué)開源的一個(gè)人臉圖像識(shí)別庫。包含正面和多視角人臉檢測(cè)兩個(gè)算法.優(yōu)點(diǎn):速度快(OpenCV haar+adaboost的2-3倍), 準(zhǔn)確度高 (FDDB非公開類評(píng)測(cè)排名第二），能估計(jì)人臉角度。

《Inverting a Steady-State》

介紹:WSDM2015最佳論文 把馬爾可夫鏈理論用在了圖分析上面，比一般的propagation model更加深刻一些。通過全局的平穩(wěn)分布去求解每個(gè)節(jié)點(diǎn)影響系數(shù)模型。假設(shè)合理（轉(zhuǎn)移受到相鄰的影響系數(shù)影響）。可以用來反求每個(gè)節(jié)點(diǎn)的影響系數(shù)

《機(jī)器學(xué)習(xí)入門書單》

介紹:機(jī)器學(xué)習(xí)入門書籍，具體介紹

《The Trouble with SVMs》

介紹: 非常棒的強(qiáng)調(diào)特征選擇對(duì)分類器重要性的文章。情感分類中，根據(jù)互信息對(duì)復(fù)雜高維特征降維再使用樸素貝葉斯分類器，取得了比SVM更理想的效果，訓(xùn)練和分類時(shí)間也大大降低——更重要的是，不必花大量時(shí)間在學(xué)習(xí)和優(yōu)化SVM上——特征也一樣no free lunch

《Rise of the Machines》

介紹:CMU的統(tǒng)計(jì)系和計(jì)算機(jī)系知名教授Larry Wasserman 在《機(jī)器崛起》,對(duì)比了統(tǒng)計(jì)和機(jī)器學(xué)習(xí)的差異

《實(shí)例詳解機(jī)器學(xué)習(xí)如何解決問題》

介紹:隨著大數(shù)據(jù)時(shí)代的到來，機(jī)器學(xué)習(xí)成為解決問題的一種重要且關(guān)鍵的工具。不管是工業(yè)界還是學(xué)術(shù)界，機(jī)器學(xué)習(xí)都是一個(gè)炙手可熱的方向，但是學(xué)術(shù)界和工業(yè)界對(duì)機(jī)器學(xué)習(xí)的研究各有側(cè)重，學(xué)術(shù)界側(cè)重于對(duì)機(jī)器學(xué)習(xí)理論的研究，工業(yè)界側(cè)重于如何用機(jī)器學(xué)習(xí)來解決實(shí)際問題。這篇文章是美團(tuán)的實(shí)際環(huán)境中的實(shí)戰(zhàn)篇

《Gaussian Processes for Machine Learning》

介紹:面向機(jī)器學(xué)習(xí)的高斯過程，章節(jié)概要：回歸、分類、協(xié)方差函數(shù)、模型選擇與超參優(yōu)化、高斯模型與其他模型關(guān)系、大數(shù)據(jù)集的逼近方法等,微盤下載

《FuzzyWuzzy: Fuzzy String Matching in Python》

介紹:Python下的文本模糊匹配庫，老庫新推，可計(jì)算串間ratio(簡單相似系數(shù))、partial_ratio(局部相似系數(shù))、token_sort_ratio(詞排序相似系數(shù))、token_set_ratio(詞集合相似系數(shù))等github

《Blocks》

介紹:Blocks是基于Theano的神經(jīng)網(wǎng)絡(luò)搭建框架，集成相關(guān)函數(shù)、管道和算法，幫你更快地創(chuàng)建和管理NN模塊.

《Introduction to Machine Learning》

介紹:機(jī)器學(xué)習(xí)大神Alex Smola在CMU新一期的機(jī)器學(xué)習(xí)入門課程”Introduction to Machine Learning“近期剛剛開課，課程4K高清視頻同步到Y(jié)outube上，目前剛剛更新到 2.4 Exponential Families,課程視頻playlist, 感興趣的同學(xué)可以關(guān)注，非常適合入門.

《Collaborative Feature Learning from Social Media》

介紹:用社交用戶行為學(xué)習(xí)圖片的協(xié)同特征，可更好地表達(dá)圖片內(nèi)容相似性。由于不依賴于人工標(biāo)簽(標(biāo)注)，可用于大規(guī)模圖片處理，難在用戶行為數(shù)據(jù)的獲取和清洗；利用社會(huì)化特征的思路值得借鑒.

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

介紹:Twitter技術(shù)團(tuán)隊(duì)對(duì)前段時(shí)間開源的時(shí)間序列異常檢測(cè)算法(S-H-ESD)R包的介紹，其中對(duì)異常的定義和分析很值得參考，文中也提到——異常是強(qiáng)針對(duì)性的，某個(gè)領(lǐng)域開發(fā)的異常檢測(cè)在其他領(lǐng)域直接用可不行.

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

介紹:聚焦數(shù)據(jù)質(zhì)量問題的應(yīng)對(duì)，數(shù)據(jù)質(zhì)量對(duì)各種規(guī)模企業(yè)的性能和效率都至關(guān)重要，文中總結(jié)出(不限于)22種典型數(shù)據(jù)質(zhì)量問題顯現(xiàn)的信號(hào)，以及典型的數(shù)據(jù)質(zhì)量解決方案(清洗、去重、統(tǒng)一、匹配、權(quán)限清理等)

《中文分詞入門之資源》

介紹:中文分詞入門之資源.

《Deep Learning Summit, San Francisco, 2015》

介紹:15年舊金山深度學(xué)習(xí)峰會(huì)視頻集萃,國內(nèi)云盤

《Introduction to Conditional Random Fields》

介紹:很好的條件隨機(jī)場(chǎng)(CRF)介紹文章,作者的學(xué)習(xí)筆記

《A Fast and Accurate Dependency Parser using Neural Networks》

介紹: 來自Stanford，用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)快速準(zhǔn)確的依存關(guān)系解析器

《Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning》

介紹:做深度學(xué)習(xí)如何選擇GPU的建議

《Sparse Linear Models》

介紹: Stanford的Trevor Hastie教授在H2O.ai Meet-Up上的報(bào)告，講稀疏線性模型——面向“寬數(shù)據(jù)”(特征維數(shù)超過樣本數(shù))的線性模型,13年同主題報(bào)告、講義.

《Awesome Computer Vision》

介紹: 分類整理的機(jī)器視覺相關(guān)資源列表，秉承Awesome系列風(fēng)格，有質(zhì)有量!作者的更新頻率也很頻繁

《Adam Szeidl》

介紹: social networks course

《Building and deploying large-scale machine learning pipelines》

介紹: 大規(guī)模機(jī)器學(xué)習(xí)流程的構(gòu)建與部署.

《人臉識(shí)別開發(fā)包》

介紹: 人臉識(shí)別二次開發(fā)包，免費(fèi)，可商用，有演示、范例、說明書.

《Understanding Natural Language with Deep Neural Networks Using Torch》

介紹: 采用Torch用深度學(xué)習(xí)網(wǎng)絡(luò)理解NLP，來自Facebook 人工智能的文章.

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

介紹: 來自CMU的Ed Hovy和Stanford的Jiwei Li一篇有意思的Arxiv文章,作者用Shannon Entropy來刻畫NLP中各項(xiàng)任務(wù)的難度.

《TThe Probabilistic Relevance Framework: BM25 and Beyond》

介紹: 信息檢索排序模型BM25(Besting Matching)。1）從經(jīng)典概率模型演變而來 2）捕捉了向量空間模型中三個(gè)影響索引項(xiàng)權(quán)重的因子：IDF逆文檔頻率；TF索引項(xiàng)頻率；文檔長度歸一化。3）并且含有集成學(xué)習(xí)的思想：組合了BM11和BM15兩個(gè)模型。4）作者是BM25的提出者和Okapi實(shí)現(xiàn)者Robertson.

《Introduction to ARMA Time Series Models – simplified》

介紹: 自回歸滑動(dòng)平均(ARMA)時(shí)間序列的簡單介紹，ARMA是研究時(shí)間序列的重要方法，由自回歸模型（AR模型）與滑動(dòng)平均模型（MA模型）為基礎(chǔ)“混合”構(gòu)成.

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

介紹: 把來自target的attention signal加入source encoding CNN的輸入，得到了比BBN的模型好的多neural network joint model

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

介紹: 揭開印度菜的美味秘訣——通過對(duì)大量食譜原料關(guān)系的挖掘，發(fā)現(xiàn)印度菜美味的原因之一是其中的味道互相沖突，很有趣的文本挖掘研究

《HMM相關(guān)文章索引》

介紹: HMM相關(guān)文章

《Zipf's and Heap's law》

介紹: 1)詞頻與其降序排序的關(guān)系,最著名的是語言學(xué)家齊夫(Zipf,1902-1950)1949年提出的Zipf‘s law,即二者成反比關(guān)系. 曼德勃羅(Mandelbrot,1924- 2010)引入?yún)?shù)修正了對(duì)甚高頻和甚低頻詞的刻畫 2)Heaps' law: 詞匯表與語料規(guī)模的平方根(這是一個(gè)參數(shù),英語0.4-0.6)成正比

《I am Jürgen Schmidhuber, AMA》

介紹: Jürgen Schmidhuber在Reddit上的AMA(Ask Me Anything)主題，有不少RNN和AI、ML的干貨內(nèi)容，關(guān)于開源&思想&方法&建議……耐心閱讀，相信你也會(huì)受益匪淺.

《學(xué)術(shù)種子網(wǎng)站：AcademicTorrents》

介紹: 成G上T的學(xué)術(shù)數(shù)據(jù)，HN近期熱議話題,主題涉及機(jī)器學(xué)習(xí)、NLP、SNA等。下載最簡單的方法，通過BT軟件，RSS訂閱各集合即可

《機(jī)器學(xué)習(xí)交互速查表》

介紹: Scikit-Learn官網(wǎng)提供，在原有的Cheat Sheet基礎(chǔ)上加上了Scikit-Learn相關(guān)文檔的鏈接，方便瀏覽

《A Full Hardware Guide to Deep Learning》

介紹: 深度學(xué)習(xí)的全面硬件指南，從GPU到RAM、CPU、SSD、PCIe

《行人檢測(cè)(Pedestrian Detection)資源》

介紹:Pedestrian Detection paper & data

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

介紹: 【神經(jīng)科學(xué)碰撞人工智能】在臉部識(shí)別上你我都是專家，即使細(xì)微的差別也能辨認(rèn)。研究已證明人類和靈長類動(dòng)物在面部加工上不同于其他物種，人類使用梭狀回面孔區(qū)（FFA）。Khaligh-Razavi等通過計(jì)算機(jī)模擬出人臉識(shí)別的FFA活動(dòng)，堪稱神經(jīng)科學(xué)與人工智能的完美結(jié)合。

《Neural Net in C++ Tutorial》

介紹: 神經(jīng)網(wǎng)絡(luò)C++教程,本文介紹了用可調(diào)節(jié)梯度下降和可調(diào)節(jié)動(dòng)量法設(shè)計(jì)和編碼經(jīng)典BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)經(jīng)過訓(xùn)練可以做出驚人和美妙的東西出來。此外作者博客的其他文章也很不錯(cuò)。

《How to Choose a Neural Network》

介紹:deeplearning4j官網(wǎng)提供的實(shí)際應(yīng)用場(chǎng)景NN選擇參考表，列舉了一些典型問題建議使用的神經(jīng)網(wǎng)絡(luò)

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

介紹:一個(gè)深度學(xué)習(xí)項(xiàng)目,提供了Python, C/C++, Java, Scala, Go多個(gè)版本的代碼

《Deep Learning Tutorials》

介紹:深度學(xué)習(xí)教程

《自然語言處理的發(fā)展趨勢(shì)——訪卡內(nèi)基梅隆大學(xué)愛德華·霍威教授》

介紹:自然語言處理的發(fā)展趨勢(shì)——訪卡內(nèi)基梅隆大學(xué)愛德華·霍威教授.

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

介紹:Google對(duì)Facebook DeepFace的有力回?fù)簟?FaceNet，在LFW(Labeled Faces in the Wild)上達(dá)到99.63%準(zhǔn)確率(新紀(jì)錄)，FaceNet embeddings可用于人臉識(shí)別、鑒別和聚類.

《MLlib中的Random Forests和Boosting》

介紹:本文來自Databricks公司網(wǎng)站的一篇博客文章，由Joseph Bradley和Manish Amde撰寫，文章主要介紹了Random Forests和Gradient-Boosted Trees（GBTs）算法和他們?cè)贛Llib中的分布式實(shí)現(xiàn)，以及展示一些簡單的例子并建議該從何處上手.中文版.

《Sum-Product Networks(SPN) 》

介紹:華盛頓大學(xué)Pedro Domingos團(tuán)隊(duì)的DNN，提供論文和實(shí)現(xiàn)代碼.

《Neural Network Dependency Parser》

介紹:基于神經(jīng)網(wǎng)絡(luò)的自然語言依存關(guān)系解析器(已集成至Stanford CoreNLP)，特點(diǎn)是超快、準(zhǔn)確，目前可處理中英文語料，基于《A Fast and Accurate Dependency Parser Using Neural Networks》思路實(shí)現(xiàn).

文／ty4z2008（簡書作者）
原文鏈接：http://www.jianshu.com/p/b73b6953e849
著作權(quán)歸作者所有，轉(zhuǎn)載請(qǐng)聯(lián)系作者獲得授權(quán)，并標(biāo)注“簡書作者”。

總結(jié)

以上是生活随笔為你收集整理的机器学习(Machine Learning)深度学习(Deep Learning)资料(下)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。