股雨浅道:巴菲特及中医(原创干货)。

By admin in mobile.365-838.com on 2018年10月16日

该资源的github地址:Qix

作者:阿樟

《Brief History of Machine
Learning》

mobile.365-838.com 1

介绍:这是一律篇介绍机器上历史的篇章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

   
估计很多人看到我是题材,可能哑然失笑,巴菲特和中医,完全是民歌牛马不相及的工作,何必扯以一道也!佛说,人世间共发生84000单艺术,从一个方法进去,一点突破,融会贯通,就能自愿自度。既然如此,我眷恋投资及中医,只是不同之路和法而已,他们所按照的申,或者说真相应该是平等的?

《Deep Learning in Neural Networks: An
Overview》

 
 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的新星版本《神经网络与深上综述》本综述的特征是因时间排序,从1940年初始说话起,到60-80年间,80-90年份,一直称到2000年晚及近年来几年之拓展。涵盖了deep
learning里各种tricks,引用非常全面.

     
 我莫知底,我拿好的见解,表明清楚没有?我们看在历史及,技术差有多著名的人士,比如说江恩,他发明的波浪理论,但是他余生凡单穷人,再比如说,作手回忆录的原型到新兴饮弹自尽,
再例如,中国的技艺使大师缠中说缠,最后以癌症而充分,在图纸技术派,甚至财务数据派的圈子里自己几看不到有什么大方之家?概率只能证实过去,做个参考,并无可知准确测算未来,否则大量的数学家和统计学家早就富可敌国了,遗憾之凡股神只生一个,就是巴菲特。这个笑话来接触冷,对吧。

《A Gentle Introduction to Scikit-Learn: A Python Machine Learning
Library》

mobile.365-838.com 2

介绍:这是同样客python机器上库,如果您是同一号python工程师而且想深入的习机器学习.那么这篇稿子或能拉到你.

     
在值投资领域,巴菲特,彼得林奇,罗杰斯等等一系列,他们非但富甲天下,而且个个身体健康,谈笑风生。巴菲特,他得矣道,他才是股神,我懂,很多人数拘禁了就首文章之后,会反对,会说巴菲特其实也不怎么样,好吧,就仍你,我不得不说无知者无畏了。你们看到巴菲特向不怕从不写过开,很多有关巴菲特底有些政工,都是他身边的食指,或者研究巴菲特的总人口形容的。为什么吗!因为道可道,非常道,道是可以感悟的,但难以表达
。中医的继,为什么那么难,原因出几触及,第一式中药的制造不如以前,第二中医的承受,用了西方的教学方法,大家懂得,在过去古,中国的科技是负师徒关系来继承的,这是一个万分十分之异样,主要还是赖观察和取暖。中医不是科学,是全人类观照自己之身心以及大自然如何保持阴阳动态平衡的均等种植
洞察和论证,中医的实质就是是 “悟”和“证”。

《How to Layout and Manage Your Machine Learning
Project》

mobile.365-838.com 3

介绍:这同样篇介绍如果计划及管制属于你自己之机器上型之稿子,里面提供了保管模版、数据管理暨执行方法.

     
所以到了今,我无太情愿去具体地引进某一个股票,或者说自己之所以啦一样栽办法去投资,甚至自己和徒弟和爱好者,谈起底时节,我会讲到有些常识,谈到有的战略,谈到有的母之题材,谈到有入股的历史观以及方法论,甚至是斥资信仰,我们无是说那些数据完全没因此,但它就是一个参照,真正适应我们,看对充分方向的,是本着宏观模糊的高精度的把,然后再次增长一些运气。即使从技术指标来拘禁,比如说macd指标,长线指标的精确程度,也遥高于中线和短线,其实就也是蛮方向的题材。我曾于前面,写了有些开投资的精粹,但是并无招大家之讲究,反躬自问,这吗是常规的,一切都要靠觉悟和缘分,你一旦是乐此不疲于老相,我还要岂能拉得动你为!

《Machine Learning is
Fun!》

mobile.365-838.com 4

介绍:如果您还不知情啊是机械上,或虽然是刚刚上感觉到那个枯燥乏味。那么推荐一念。这首文章都深受翻成中文,如果发趣味可以移动http://blog.jobbole.com/67616/

《R语言参考卡片》

介绍:R语言是机器上之主要语言,有成百上千之朋友想学学R语言,但是连忘记一些函数和第一字的意思。那么这篇稿子或能扶助及公

《Choosing a Machine Learning
Classifier》

介绍:我欠怎么选机器上算法,这篇稿子于直观的较了Naive
Bayes,Logistic
Regression,SVM,决策树等艺术的好坏,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了之版本:http://www.52ml.net/15063.html

《An Introduction to Deep Learning: From Perceptrons to Deep
Networks》

介绍:深度上概述:从感知机到深度网络,作者对例子的选料、理论的介绍都非常成功,由浅入深。翻译版本:http://www.cnblogs.com/xiaowanyer/p/3701944.html

《The LION Way: Machine Learning plus Intelligent
Optimization》

介绍:<机器上和优化>这是一律论机器上的小册子,
短短300大抵页道尽机器学习之方方面面. 图文并茂, 生动易懂,
没有同堆坨公式的烦恼. 适合新手入门打基础, 也顺应老手温故而知新.
比打MLAPP/PRML等大部头,
也许就按照你再度得!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

《深度上和统计上理论》

介绍:作者是源于百度,不过他我曾当2014年4月份提请离职了。但是及时篇稿子大不错如果你不知情深度上与支持于量机/统计上理论出什么联系?那么当及时看看就篇文章.

《计算机是中的数学》

介绍:这本书是由谷歌公司及MIT共同出品的微机科学中之数学:Mathematics
for Computer
Science,Eric
Lehman et al 2013
。分为5多数:1)证明,归纳。2)结构,数论,图。3)计数,求与,生成函数。4)概率,随机行。5)递归。等等

《信息时代的处理器对理论(Foundations of Data
Science)》

介绍:信息时代的电脑科学理论,目前境内发出纸质书购买,iTunes购买

《Data Science with
R》

介绍:这是千篇一律论由雪城大学新编的第二版本《数据正确入门》教材:偏实用型,浅显易懂,适合想学习R语言的同学选读。

《Twenty Questions for Donald
Knuth》

介绍:这并无是一样首文档或书籍。这是首向图灵奖得主Donald Knuth提问记录稿:
近日, Charles Leiserson, Al Aho, Jon
Bentley等大神向Knuth提出了20只问题,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。

《Automatic Construction and Natural-Language Description of
Nonparametric Regression
Models》

介绍:不见面统计怎么收拾?不了解什么选适宜的统计模型怎么处置?那就首稿子你的脍炙人口读一念了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了平等篇有关automatic
statistician的稿子。可以自行选择回归模型类别,还能够半自动写报告…

《ICLR
2014论文集》

介绍:对纵深上及representation learning最新进展发趣味之同窗可以了解一下

《Introduction to Information
Retrieval》

介绍:这是均等依信息寻找相关的图书,是出于斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美尽受欢迎的音信寻找教材之一。最近作者多了拖欠学科的幻灯片和课业。IR相关资源:http://www-nlp.stanford.edu/IR-book/information-retrieval.html

《Machine learning in 10
pictures》

介绍:Deniz Yuret用10摆放精彩的希冀来说明机器上要概念: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.很鲜明

《雅虎研究院的多少集汇总》

介绍:雅虎研究院的数集汇总:
包括语言类数据,图与团伙交类数据,评分和分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数。

《An Introduction to Statistical Learning with Applications in
R》

介绍:这是一本斯坦福统计学著名教授Trevor Hastie和Robert
Tibshirani的新书,并且在2014年一月既开张:https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

Best Machine Learning Resources for Getting
Started

介绍:机器上最佳入门学习材料汇集是据为机上新学者推荐的上学习资源,帮助新家快速入门。而且这篇稿子的介绍曾被翻译成中文版。如果你稍微熟悉,那么自己建议你先押同样拘留中文的介绍。

My deep learning reading
list

介绍:主要是沿Bengio的PAMI
review的章找出来的。包括几据综述文章,将近100篇论文,各位山头们的Presentation。全部都好在google上找到。

Cross-Language Information
Retrieval

介绍:这是一样依照图书,主要介绍的是跨语言信息寻找方面的学问。理论很多

深究推荐引擎内部的绝密,第 1 有的:
推荐引擎初探

介绍:本文共有三只系列,作者是来IBM的工程师。它根本介绍了推荐引擎相关算法,并帮忙读者很快的实现这些算法。探究推荐引擎内部的秘,第
2 有: 深度推荐引擎相关算法 –
协同过滤,深究推荐引擎内部的黑,第
3 部分: 深度推荐引擎相关算法 –
聚类

《Advice for students of machine
learning》

介绍:康奈尔大学信息科学系助手教授David
Mimno写的《对机械上新学者的少数建议》,
写的生实在,强调实行与理论做,最后还引用了冯 • 诺依曼的名言: “Young
man, in mathematics you don’t understand things. You just get used to
them.”

分布式并行处理的数量

介绍:这是一样论有关分布式并行处理的数码《Explorations in Parallel
Distributed Processing: A Handbook of Models, Programs, and
Exercises》,作者是斯坦福的James L.
McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep
Learning 的童鞋可以参见下

《“机器上”是啊?》

介绍:【“机器上”是呀?】John
Platt是微软研究院独立科学家,17年来他径直于机上园地耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定设立博客,向公众介绍机器上的研究进展。机器上是什么,被运在乌?来拘禁Platt的立即首博文

《2014年国际机器上大会ICML 2014
论文》

介绍:2014年国际机器上大会(ICML)已经深受6月21-26日以江山议会着力热闹举办。本次大会由微软亚洲研究院跟清华大学一起主办,是是拥有30大抵年历史并著名世界之机器上世界的盛会首不成至华,已成引发全球1200几近各学者的申请参与。干货很多,值得深入学下

《Machine Learning for Industry: A Case
Study》

介绍:这首文章要是盖Learning to
Rank为例说明企业界机器上之现实性使用,RankNet对NDCG之类不灵活,加入NDCG因素后变成了LambdaRank,同样的琢磨从神经网络改也用到Boosted
Tree模型就完成了LambdaMART。Chirs
Burges,微软的机器上大神,Yahoo
2010 Learning to Rank
Challenge第一叫作得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其为LambdaMART最为突出,代表论文也:From
RankNet to LambdaRank to LambdaMART: An
Overview此外,Burges还有众多举世闻名的代表作,比如:A
Tutorial on Support Vector Machines for Pattern
Recognition

Some Notes on Applied Mathematics for Machine
Learning

100 Best GitHub: Deep
Learning

介绍:100 Best GitHub: Deep Learning

《UFLDL-斯坦福大学Andrew Ng教授“Deep
Learning”教程》

介绍:本学科将阐述无监控特征上及纵深上的第一意见。通过学习,你呢将促成多个作用学/深度上算法,能看她啊汝办事,并就学怎么样利用/适应这些想法及新题材及。本课程假定机器上的基本知识(特别是习的督察上,逻辑回归,梯度下降的想法),如果你免熟识这些想法,我们建议您去这里机上课程,并先成功第II,III,IV章(到逻辑回归)。此外这有关这套教程的源代码在github上面已发python版本了UFLDL
Tutorial
Code

*《Deep Learning for Natural Language Processing and Related
Applications》

介绍:这卖文档来自微软研究院,精髓多。如果用了掌握,需要一定的机械上基础。不过有点地方会受人口前一致亮,毛塞顿开。

Understanding
Convolutions

介绍:这是相同首介绍图像卷积运算的稿子,讲的已算是比较详细的了

《Machine Learning Summer
School》

介绍:每天要一个大牛来讲座,主要涉嫌机械上,大数量解析,并行计算以及人脑研究。https://www.youtube.com/user/smolix(需翻墙)

《Awesome Machine
Learning》

介绍:一个极品完整的机上开源库总结,如果你看这碉堡了,那背后是列表会重复被你怪:【Awesome
Awesomeness】,国内曾经产生热心的情侣进行了翻译中文介绍,机器上数据挖掘免费电子书

斯坦福《自然语言处理》课程视频

介绍:ACL候任主席、斯坦福大学电脑系Chris
Manning教授的《自然语言处理》课程有视频已经足以当斯坦福公开课网站上望了(如Chrome不行,可用IE观看)
作业及考试也可下载。

《Deep Learning and Shallow
Learning》

介绍:对比 Deep Learning 和 Shallow Learning 的好文,来在浙大毕业、MIT
读博的 Chiyuan Zhang 的博客。

《Recommending music on Spotify with deep
learning》

介绍:利用卷积神经网络做音乐推荐。

《Neural Networks and Deep
Learning》

介绍:神经网络的免费在线书,已经写了三段了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning爱好者的福音。

《Java Machine
Learning》

介绍:Java机器上有关平台及开源之机械上库,按照好数额、NLP、计算机视觉与Deep
Learning分类开展了整。看起非常全的,Java爱好者值得珍藏。

《Machine Learning Theory: An Introductory
Primer》

介绍:机器上太核心的入门文章,适合零基础者

《机器上常见算法分类集中》

介绍:机器上的算法很多。很多下困惑人们都是,很多算法是一致接近算法,而稍算法又是从其他算法中拉开出的。这里,我们从零星只地方来给大家介绍,第一独面是读的措施,第二个点是算法的类似性。

《机器上藏论文/survey合集》

介绍:看问题你就知道了凡啊内容,没错。里面来广大经典的机械上论文值得仔细跟数的读。

《机器上相频库》

介绍:视频由加州理工学院(Caltech)出品。需要英语底子。

《机器上藏图书》

介绍:总结了机上之经典图书,包括数学基础及算法理论的书,可举行啊入门参考书单。

《16 Free eBooks On Machine
Learning》

介绍:16以机器上的电子书,可以下载下来当pad,手机端任意时刻去读书。不多我建议乃看了一据再下充斥同随。

《A Large set of Machine Learning Resources for Beginners to
Mavens》

介绍:标题很老,从新手到学者。不过看了上面装有材料。肯定是大方了

《机器上最佳入门学习材料汇集》

介绍:入门的书真的异常多,而且自早已帮助你找一块了。

《Sibyl》

介绍:Sibyl 是一个监督式机器上体系,用来解决预测方面的题目,比如
YouTube 的视频推荐。

《Deep
Learning》

介绍:Yoshua Bengio, Ian Goodfellow, Aaron Courville著

《Neural Network & Text
Mining》

介绍:关于(Deep) Neural Networks在 NLP 和 Text Mining 方面有paper的下结论

《前景目标检测1(总结)》

介绍:计算机视觉入门的前景目标检测1(总结)

《行人检测》

介绍:计算机视觉入门的行人检测

《Deep Learning – important resources for learning and
understanding》

介绍:Important resources for learning and understanding . Is awesome

《Machine Learning Theory: An Introductory
Primer》

介绍:这还要是相同首机器上新学者的入门文章。值得一念

《Neural Networks and Deep
Learning》

介绍:在线Neural Networks and Deep Learning电子书

《Python 网页爬虫 & 文本处理 & 科学计算 & 机器修 &
数据挖掘兵器谱》

介绍:python的17只有关机器上之工具

《神奇的伽玛函数(上)》

介绍:下集在此处神奇的伽玛函数(下)

《分布式机器上的故事》

介绍:作者王益时是腾讯广告算法总监,王益博士毕业后当google任研究。这首文章王益博士7年来起谷歌到腾讯对于分布机器上的耳目。值得细读

《机器上提升的志(Level-Up Your Machine
Learning)》

介绍:把机器上提升的级别分为0~4层,每级需要学习的讲义及左右的文化。这样,给机器学习者提供一个迈入的途径图,以免走弯路。另外,整个网站还是关于机器上之,资源充分丰富。

《Machine Learning
Surveys》

介绍:机器上各个方向概括的网站

《Deep Learning Reading
list》

介绍:深度上经历资源列表

《Deep Learning: Methods and
Applications》

介绍:这是一样依照来自小的研究员 li Peng和Dong
Yu所展示的关于深度上的方法以及使用之电子书

《Machine Learning Summer School
2014》

介绍:2014年七月CMU举办的机械上夏季课刚刚竣工
有近50小时的视频、十大多只PDF版幻灯片,覆盖
深度上,贝叶斯,分布式机器上,伸缩性
等热点话题。所有13号称讲师都是牛人:包括特别牛Tom Mitchell
(他的[机器上]是名校的常用教材),还有CMU李沐 .(1080P高清哟)

《Sibyl:
来自Google的普遍机器上系统》

介绍:在当年底IEEE/IFIP可靠系统跟网络(DSN)国际会议达到,Google软件工程师Tushar
Chandra做了一个有关Sibyl系统的主题演讲。
Sibyl是一个监督式机器上体系,用来解决预测方面的题目,比如YouTube的视频推荐。详情请看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单地介绍了她们当年列席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。如果非是殊绝望可看概率编程语言和贝叶斯方法执行

《AMA: Michael I
Jordan》

介绍:网友提问伯克利机器上大牛、美国偶院士Michael I.
Jordan:”如果您发出10亿美金,你怎么花?Jordan:
“我会见用当下10亿美金建造一个NASA级别的自然语言处理研究项目。”

《机器上&数据挖掘笔记_16(常见面试的机上算法思想简单梳理)》

介绍:常见面试的机上算法思想简单梳理,此外作者还有一些另的机械上和数码挖掘文章和深度上文章,不仅是理论还有源码。

《文本和数挖掘视频汇总》

介绍:Videolectures上极其受欢迎之25个公文以及数量挖掘视频汇总

《怎么取舍深度上之GPUs》

介绍:在Kaggle上经常得是成绩的Tim
Dettmers介绍了他自己是怎么取舍深度上的GPUs,
以及个人怎么构建深度上之GPU集群:http://t.cn/RhpuD1G

《对话机器上大神Michael
Jordan:深度模型》

介绍:对话机器上大神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\_46d0a3930101gs5h.html

《Deep Learning
教程翻译》

介绍:是Stanford 教授 Andrew Ng 的 Deep Learning
教程,国内的机械上爱好者非常热情的拿这个课程翻译成了汉语。如果你英语不好,可以望是

《Deep Learning
101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就比如非常数目)。其实过多丁犹还非理解啊是深浅上。这篇稿子由浅入深。告诉你深度学究竟是啊!

《UFLDL
Tutorial》

介绍:这是斯坦福大学举行的一样免费课程(很勉强),这个得于您于深度上的途中被你一个读之思绪。里面涉及了有些骨干的算法。而且告诉您哪错过用到实在条件面临。中文版

《Toronto Deep Learning
Demos》

介绍:这是多伦多大学举行的一个深度上用来分辨图片标签/图转文字的demo。是一个实际应用案例。有源码

《Deep learning from the bottom
up》

介绍:机器上型,阅读者情要发出早晚之底子。

《R工具包的归类集中》

介绍: (CRAN Task Views,
34种普遍任务,每个任务而各自分类列举若干常用相关工具包) 例如:
机器学习,自然语言处理,时间序列分析,空间信息分析,多再变量分析,计量经济学,心理统计学,社会学统计,化学计量学,环境科学,药物代谢动力学

《机器上常见算法分类集中》

介绍:
机器学习的是当下数量解析世界的一个紧俏内容。很多口于平常之劳作被还还是多还是掉会就此到机械上之算法。本文为你总结一下科普的机上算法,以供而当做事跟上学中参考.

《Deep
Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总结了一点个系列。另外还作者还了一个文章导航.非常之谢作者总结。

Deep
Learning(深度上)学习笔记整理系列之(二)

Deep
Learning(深度上)学习笔记整理系列之(三)

Deep
Learning(深度上)学习笔记整理系列之(四)

Deep
Learning(深度上)学习笔记整理系列之(五)

Deep
Learning(深度上)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列之(七)

DeepLearning(深度上)学习笔记整理系列之(八)

《Tutorials Session A – Deep Learning for Computer
Vision》

介绍:传送理由:Rob Fergus的用深度上做计算机是苏的NIPS 2013课程。有mp4,
mp3,
pdf各种下载外是纽约大学教授,目前吗当Facebook工作,他2014年之8篇论文

《FudanNLP》

介绍:FudanNLP,这是一个复旦大学计算机学院出的开源中文自然语言处理(NLP)工具包
Fudan
NLP里富含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等功效,对寻找引擎
文本分析等远有价。

《Open Sourcing
ml-ease》

介绍:LinkedIn 开源之机械上工具确保,支持单机, Hadoop cluster,和 Spark
cluster 重点是 logistic regression 算法

《机器上周刊》

介绍:对于英语不好,但又坏想学习机器上的冤家。是一个十分之便利。机器上周刊目前任重而道远提供中文版,还是面向周边国内爱好者,内容涉及机械上、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

《线性代数》

介绍:《线性代数》是《机器上》的要数学先导课程。其实《线代》这门课称得浅显易懂特别不便于,如果同齐来即使叙逆序数及陈行列式性质,很爱为学员去学习之志趣。我个人推举的最佳《线性代数》课程是麻省理工Gilbert
Strang教授的教程。学科主页

《Big-data》

介绍:大数量数据处理资源、工具不完备列表,从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器上等。很赞之资源集中。

《machine learning for smart
dummies》

介绍:雅虎邀请了一致号称源于本古里怎么大学的访问学者,制作了平等仿照关于机器上之多元视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正规机器上算法的争辩基础知识。

《Entanglement-Based Quantum Machine
Learning》

介绍:应针对异常数量时,量子机器上之率先只试验paper
下载

《How a Math Genius Hacked OkCupid to Find True
Love》

介绍:Wired杂志报导了UCLA数学博士Chris McKinlay
(图1)通过杀数据手段+机器上道破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定正在12独账号,下载了谈情说爱网站2万阴用户之600万问题答案,对他们进行了统计抽样及聚类分析(图2,3),最后到底到手了真爱。科技改变命运!

《Underactuated
Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开拍,该课属于MIT研究生级别之课,对机器人和非线性动力系统感兴趣之心上人不妨可以挑战一下及时宗学科!

《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antispam(反垃圾邮件)

《NLP常用信息资源》

介绍:NLP常用信息资源*《NLP常用信息资源》

《机器上速查表》

介绍:机器上速查表

《Best Papers vs. Top Cited Papers in Computer
Science》

介绍:从1996年初步当微机对的舆论中为引述次数最多的论文

《InfiniTAM:
基于深度图像的体数据并框架》

介绍:把当年之一个ACM Trans. on Graphics
(TOG)论文被的代码整理也一个开源之算法框架,共享出来了。欢迎大家利用。可以实时的采访3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会持续公开。

《Hacker’s guide to Neural
Networks》

介绍:【神经网络黑客指南】现在,最火莫过于深度上(Deep
Learning),怎样更好读书她?可以叫您于浏览器被,跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉您,最佳技巧是,当你开始写代码,一切将易得一清二楚。他正好公布了同等如约图书,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
讲述工业界和学界机器上的异议,大实话

《Deep Learning Sentiment Analysis for Movie Reviews using
Neo4j》

介绍:使用Neo4j做影视评论的情丝分析。

《DeepLearning.University – An Annotated Deep Learning
Bibliography》

介绍:不仅是材料,而且还针对性有些资料做了诠释。

《A primer on deeping
learning》

介绍:深度上入门的初级读本

《Machine learning is teaching us the secret to teaching

介绍:机器上教会了咱啊?

《scikit-learn:用于机器上之Python模块》

介绍:scikit-learn是在SciPy基础及构建的用来机器上的Python模块。

《对话机器上大神Michael
Jordan:解析领域受到各模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机上园地神经网络的大牛,他对纵深上、神经网络有着特别深刻的兴味。因此,很多提问的题目屡遭隐含了机上园地的各类模型,乔丹教授对准之一一做了诠释与展望。

《A*搜索算法的可视化短教程》

介绍:A*招来是人工智能基本算法,用于高效地搜寻图备受有数触及之极品途径,
核心是 g(n)+h(n):
g(n)是于起点到顶点n之莫过于代价,h(n)凡顶点n到目标顶点的估价代价。合集

《基于云的自然语言处理开源项目FudanNLP》

介绍:本档采用了Microsoft Azure,可以当几乎分种内形成NLP on Azure
Website的布,立即开始针对FNLP各种特色的试用,或者以REST
API的样式调用FNLP的语言分析功能

《吴立德《概率主题模型&数据正确基础》》

介绍:现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所合所长.内部课程

《机器上入门资源不完全集中》》

介绍:好东西的干货真的多

《收集从2014年开深度上文献》

介绍:从硬件、图像及正常、生物、大数据、生物信息再至量子计算等,Amund
Tveit等保障了一个DeepLearning.University小类:收集从2014年始发深度上文献,相信可以用作深度上之起点,github

《EMNLP上少篇有关股票方向的使用论文

介绍:EMNLP上片篇有关stock
trend从而到了deep
model组织特征;Exploiting Social Relations and Sentiment for Stock
Prediction用到了stock
network。

《Bengio组(蒙特利尔大学LISA组)深度上教程

介绍:作者是深度上一线很牛Bengio组写的科目,算法深入显出,还有实现代码,一步步展开。

《学习算法的Neural Turing Machine

介绍:许多习俗的机器上任务都是当上function,不过谷歌目前发初步念算法的自由化。谷歌另外的立刻首学习Python程序的Learning
to
Execute啊出相似之处

《Learning to Rank for Information Retrieval and Natural Language
Processing》

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寻找和自然语言处理的章

《Rumor has it: Identifying Misinformation in
Microblogs》

介绍:利用机用器学习以谣言的辨别上的用,此外还有个别只。一个凡是识别垃圾和虚假消息的paper.还产生一个是纱舆论及其分析技术

《R机器学习履》

介绍:该学科是网易公开课的收费课程,不值钱,超级福利。主要适合给对以R语言进行机上,数据挖掘感兴趣的人。

《大数量解析:机器上算法实现的演变》

介绍:本章中笔者总结了三代表机上算法实现之演化:第一替代非分布式的,
第二代工具而Mahout和Rapidminer实现冲Hadoop的恢宏,第三替如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

《图像处理,分析及机具视觉》

介绍:讲计算机视觉的季部奇书(应该让经典吧)之一,另外三以是Hartley的《多图几哪里》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

《LinkedIn最新的引进系统文章Browsemaps》

介绍:里面基本无涉及到实际算法,但作者介绍了CF在LinkedIn的广大用到,以及他们在举行推荐过程被获的一对经历。最后一长长的经验是理所应当监控log数据的色,因为推荐的成色好靠数据的成色!

《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初大家如何查阅自然语言处理(NLP)领域学术材料

《树莓派的人脸识别教程》

介绍:用树莓派和照相机模块进行人脸识别

《利用深度上与坏数额构建对话系统

介绍:如何运用深度上和充分数量构建对话系统

《经典论文Leo Breiman:Statistical Modeling: The Two Cultures

介绍:Francis Bach合作之有关稀疏建模的初综合(书):Sparse Modeling for
Image and Vision Processing,内容涉及Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及当图像以及视觉上的下,而且率先片有关Why does
the l1-norm induce sparsity的诠释为非常科学。

《Reproducing Kernel Hilbert
Space》

介绍:RKHS是机上着最主要之定义,其当large
margin分类器上的施用也是广为熟知的。如果没有比较好的数学基础,直接掌握RKHS可能会见对。本文自中心运算空间讲到Banach和Hilbert空间,深入浅出,一共才12页。

《Hacker’s guide to Neural
Networks》

介绍:许多同室对机械上及深度上的迷离在于,数学方面曾约知道了,但是动于手来也非知底什么样下手写代码。斯坦福深度上博士Andrej
Karpathy写了一样首实战版本的纵深上及机上课程,手把手教而用Javascript写神经网络和SVM.

《【语料库】语料库资源集中》

介绍:【语料库】语料库资源集中

《机器上算法的同》

介绍:本文会过同样整最盛行的机上算法,大致了解如何方法可用,很有帮。

《Reproducible Research in Computational
Science》

介绍:这个里面有无数关于机器上、信号处理、计算机视觉、深入学、神经网络等领域的大度源代码(或只是实行代码)及相关论文。科研写论文的好资源

《NYU
2014年的深浅上课程资料》

介绍:NYU 2014年的深度上课程资料,有视频

《计算机视觉数据集不完全集中》

介绍:计算机视觉数据集不净集中

《Machine Learning Open Source
Software》

介绍:机器上起来源软件

《LIBSVM》

介绍:A Library for Support Vector Machines

《Support Vector
Machines》

介绍:数挖掘十死经典算法之一

《100 Best GitHub: Deep
Learning》

介绍:github上面100只雅硬的品种

《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州大学欧文分校为机上社区保护在306独数据集。询问数据集

《Andrej
Karpathy个人主页》

介绍:Andrej Karpathy 是斯坦福大学Li
Fei-Fei的博士生,使用机器上以图像、视频语义分析世界获得了科研及工程上之突破,发之章非多,但每个都挺朴实,在各级一个问题及且完成了state-of-art.

《Andrej
Karpathy的深浅加深学习演示》

介绍:Andrej
Karpathy的纵深加深学习演示,舆论在此间

《CIKM数据挖掘竞赛夺冠算法-陈运文》

介绍:CIKM Cup(或者叫做CIKM Competition)是ACM
CIKM举办的国际数据挖掘竞赛的名号。

《Geoffrey E.
Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同样位英国落地之测算机学家和心理学家,以那个在神经网络方面的贡献闻名。辛顿是倒转往传来算法和对照散度算法的发明人之一,也是深度上之能动推进者.

《自然语言处理的纵深上理论以及事实上》

介绍:微软研究院深度学习技术中心以CIKM2014
上有关《自然语言处理的吃水上理论与实际》教学讲座的幻灯片

《用生数额及机械上做股票价格预计》

介绍: 本文基于<支持为量机的多次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活动预测模型。(股票来风险,投资谨慎)GitHub源代码托管地址.

《关于机器上的好多反驳问题》

介绍:徐宗本
院士将受爱机器上的同伴一起探究有关于机器上之几只理论性问题,并让起有产生含义的结论。最后通过有些实例来证明这些理论问题的物理意义与实际行使价值。

《深度上在自然语言处理的运》

介绍:作者还展示有《这就是寻觅引擎:核心技术详解》一书,主要是介绍应用层的东西

《Undergraduate machine learning at
UBC》

介绍:机器上课程

《人脸识别必读的N篇文章》

介绍:人脸识别必读文章推荐

《推荐系统经典论文文献和业界应用》

介绍:推荐系统经典论文文献

《人脸识别必读之N篇文章》

介绍:人脸识别必读文章援引

《第十二届中国”机器上及其使用”研讨会PPT》

介绍:第十二届中国”机器上及其使用”研讨会PPT

《统计机器上》

介绍:统计上是关于电脑基于数构建的概率统计模型并运用模型对数码进行展望与剖析的同宗科学,统计上为成统计机器上。课程来自上海交通大学

《机器上导论》

介绍:机器上之对象是针对性计算机编程,以便利用样本数要以往底更来缓解给定的问题.

《CIKM
2014主题报告的幻灯片》

介绍:CIKM 2014 Jeff Dean、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

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图
Copyright @ 2010-2018 mobile.365-838.com 版权所有