mobile.365-838.com机上及深上材料

• 《Brief History of Machine
  Learning》

2015年的到2016年初，短短几单月之时日，PAPI酱火的均等垮糊涂，谁吗搞不清楚她是怎么火起来的，但是及时不伤我们粗暴的查获几独结论：第一，短视频风口已经落空起；第二，内涵型网红将成为平等栽趋势；第三，网红经济之青春既交了。

介绍:这是如出一辙篇介绍机器上历史的文章，介绍好周全，从感知机、神经网络、决策树、SVM、Adaboost到任意森林、Deep
Learning.

以逍遥子乌镇提出网红经济这个词之前，网红是平等栽情景，是王思聪同罗志祥等演员们的女性对象，是微博高达一致堆放一堆放的自拍女郎，而于papi酱之后，网红终于变成了扳平像样经济，全世界忽然开口必言网红经济了，然而就同样帐篷却总被自身当似乎已相似。

• 《Deep Learning in Neural Networks: An
  Overview》

那些年吃我们忘记的纱写手们

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的最新版本《神经网络与深度上综述》本综述的特性是以日排序，从1940年始说起，到60-80年份，80-90年份，一直说到2000年晚与近年来几年的开展。涵盖了deep
learning里各种tricks，引用非常全面.

曾经几乎何时我们常看这般的消息，他们讲述，这个世界上闹一样森口，他们因为在老伴才凭一出笔、一个键盘，便创造了月可万第一还是百万底神话，他们为网络写手。唐家三少、天蚕土豆、西红柿、月关和南派三叔等等，他们受网文界称之为大神。

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

于这些大神当中南派三叔创造了新生为称为超级IP的《盗墓笔记》一挥毫，超级IP这个词也因为及时按照开要生气了起，从某种程度上引爆了IP这个词。其他的大神们，出写、改编漫画和出售游戏版权等等，一个个在得都风声水起，引得巨大巨底后来者扎入了网文界。

介绍:这是一律卖python机器上库,如果您是同等各python工程师而且想深入之就学机器学习.那么就首文章或会助及你.

当吴文辉团队产生活动起点中文网之前，在盛大“网络迪斯尼”还不梦碎的时候，在阅文集团宏观收购盛大文学以前，仅盛大文学旗下，就有着160万网络写手，而中会称之为大神者却是寥寥，月入百万级不过数人罢了。在这些景点的不胜神背后，无数之写手们挤在小独木桥上，做在同一准“封神”的理想化。

• 《How to Layout and Manage Your Machine Learning
  Project》

以那些少数使大神风光的背后，网文写手的生存状况堪忧，新人们要在与网站签约，以为那样就相差“封神”之日不多。他们每天努力的写稿、加群、刷群、求转发和求分享，他们竞相抱团在一块，在分级的推荐榜上有助于对方的书写，他们以评论区里互相刷来刷求写评论，他们每个人即都发生几十过多独网文群，每天花在扩及之光阴远远超越写稿的年华。

介绍:这等同首介绍如果计划与管理属于您协调的机器上型之稿子，里面提供了保管模版、数据管理和执行方法.

然后中间略微人一不留神就签了，但是可发现现实远较他们感念像的残酷无情，很多签署作者每个月在保持续重复的景下，每个月只是能够将到几百元之全本奖，没有海量的读者打赏的她们并温饱都是题材。他们每天起早贪黑的写稿，接到各家小编的特邀，到各个写作平台上发稿，他们饿着肚子等着“封神”之日的赶来，最后却仅是成了大神背后的浮尸。

• 《Machine Learning is
  Fun!》

于是乎在新兴之新生，有一些写手，成为了网文界的“枪手”，他们拿好艰辛写出来但是没人看的底稿，以二十万交三十万配左右呢单位卖于了有“枪手公司”，然而得到的报也可500冠左右。网络写手的邮箱里不时会面接各种收废稿的邮件，这样的废稿市场价格不及到天怒人怨，然而不少出无了头的写手们也也只好无奈接受。

介绍:如果你还非理解啊是机械上，或虽然是刚上感觉到充分枯燥乏味。那么推荐一诵读。这篇稿子曾给翻译成中文,如果有趣味可以走http://blog.jobbole.com/67616/

相同开发笔、一统无绳话机和同等玉微机的诱惑

• 《R语言参考卡片》

极早的尽早。那时还是PC互联网的秋，传统电商正当年，我们常常得收到一模一样起奇怪而以怀有诱惑力的邮件。那些邮件告诉我们，只要同尊电脑，你就是好在家轻轻松松赚钱，创业零资本的时日已来临。这样的始末以邮箱里、在QQ群里、在角落、在猫扑，在各种各种的BBS里随处可见。

介绍:R语言是机械上之显要语言,有不少之意中人想上R语言，但是连忘记一些函数和根本字之意义。那么就篇稿子或会助及你

他们说80年代摆个地摊就可知盈利，可是多人数不迷信；他们说90年份买出股票就能够赚钱，可是多总人口非信仰；他们说20世纪开始单网店便能盈利，可是多丁无信教；当年成千上万人数认为马云是只骗子，现在这些人口并后悔的时机还无了。

• 《Choosing a Machine Learning
  Classifier》

她俩总是苦口婆心的晓我们，只要同总理无绳话机、只要同高电脑，你就算足以在家轻轻松松创业挣钱，只要同总统、只要同玉，不是998也未是988。后来马上同样拟说辞在微商的圈子里改变了，轻轻松松变成了勤勤恳恳，正使当年那些网络写手们一律。

介绍:我该怎么挑选机器上算法，这首文章于直观的于了Naive
Bayes，Logistic
Regression，SVM，决策树等方法的高低，另外讨论了范本大小、Feature与Model权衡等问题。此外还有已翻了底本:http://www.52ml.net/15063.html

每当房价、人力、物价和各种创业成本压得吃每个人喘不了气来之时节，对于老百姓来说创业最深的痛点，是资本，零股本、去中介、打破中间层，这些歌词连能够吸引到多总人口，更何况这资金只剩余了平等总统无绳话机或者同一高计算机。

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

而所有人数而都遗忘了千篇一律项事情，互联网或者能零资产，但是连无意味着零门槛，你就是摆个地摊几百片钱之血本，你吧得挑个地方号还非爱被城管赶的地方；你做菜股而零本而若得有价投资的根底；你不怕是开微商零成本，你吗得清楚怎么抱流量及用户；做只自媒体内容创业，你最好起码要针对某一个行当有深的询问；有形之工本可吃互联网打掉，无形之三昧也照样是。

介绍：深度上概述：从感知机到深度网络，作者对例子的抉择、理论的介绍都颇到位，由浅入深。翻译版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html

任凭摆地摊、炒股、网络写手、开网店、做微商、自媒体抑或是网红，成功者皆是勿了寥寥，挤了了独木桥背后还有黑森森，能够最终走出去面朝大海，春暖花开的就是重新少了。每个人且幻想着好非是太倒霉的十分，最终却成了一如既往拿效能万骨头枯的老大“万骨”。

• 《The LION Way: Machine Learning plus Intelligent
  Optimization》

网红同演员，一个面朝大海，一个春暖花开

介绍:<机器上和优化>这是一模一样本机器上之小册子,
短短300几近页道尽机器学习的方方面面. 图文并茂, 生动易懂,
没有一样堆坨公式的烦恼. 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,
也许这按照你再次亟待!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/

网红最早只是一个互联网的光景，然而就网红越来越内容化，他们轰的一声就提高了。最早的时节他们“作丑弄怪”，火后尽管死，然而随着自媒体时代的志趣，网红也开产生了温馨之内容，于是有人说内涵型网红的春天来了。

• 《深度上及统计上理论》

就话实际呢从未说错，如今底网红已经不再是靠“作好来怪”而一举成名了，他们初步一发珍视团结之定位了，长相、生活、调性以及内容，都成为了网红们开使劲的样子。而当起矣逍遥子站台，王思聪、罗志祥等艺人做话题，以及PAPI酱爆红之后，网红似乎成为了同栽必然，更起甚者出现了做网红的店堂，很多年前他们被推手。

介绍:作者是自百度，不过他本身现已于2014年4月份申请离职了。但是这篇稿子特别科学如果您免亮深度上与支持为量机/统计上理论来什么关系？那么该马上看看就篇文章.

网红就等同群体究竟能不能够被批量制造？这事咱得事先以网红和演员做一个比，从价显现的角度来说，他们实际是同一之职业群体，也即是咱们俗称的明星。这样的道或会见叫有些星的难过，因为艺人出身的影星其实有头瞧不上网红底，但是不管他们愿不愿意承认，网红其实也是大腕的同等种档次。

• 《计算机是中的数学》

网红与表演者都是大腕，只不过他们出道的措施各异，变现的门路吗不比。艺人们靠演戏唱唱积累人气，然后又通过演戏唱唱歌连广告来显现，网红们因晒自己的生活要坐部分社会事件使名声鹊起，草根（大部分）出身的网红没有偶像包袱，他们大概粗暴的靠卖东西很快积累惊人之财富。这是他们的两样，除此之外，他们吗并未什么两样。

介绍:这本书是出于谷歌公司与MIT共同出品的电脑是中的数学：[Mathematics
for Computer Science](Mathematics for Computer Science)，Eric Lehman et
al 2013
。分为5大部分：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

事实上很多三四线发自己没法出头的饰演者、模特，是颜值类网红的显要结合群体，她们手上的资源虽然并未辙扶持她们以演艺事业上进步，但是援助他们得有粉丝卖东西可是曾经够了，说及此处还无形的三昧已出去了。

• 《信息时代的微处理器是理论(Foundations of Data
  Science)》

结语：网红经济其实是一个存量的玩

介绍：信息时代的微处理器是理论,目前国内发生纸质书购买，iTunes购买

方前问了一个问题，网红究竟能不能够被做，从某种意义上的话是唯恐的。网红其实是一个界定词，绝大多数之网红并无求一定要是炸之比如PAPI酱或者范冰冰那样，她们要是来得之粉，几万几十万即使早已够，然后为之来电商化变现。

• 《Data Science with
  R》

韩国批量造艺人、SNH48的急、以及各种选秀告诉我们，网红其实呢是得做的，但是这些选秀背后同样批判一批好掉的替补告诉我们，这个门槛也是强不可攀的，不是孰都得以出时机以里头出头的。

介绍:这是同等遵照由雪城大学新编的老二版本《数据正确入门》教材：偏实用型，浅显易懂，适合想学习R语言的同窗选读。

打网红这行最终必然会与蜕变成为演员经纪，因为马上两头其实界线非常模糊，SNH48官网上各种大规模销售，其实和淘宝上的网红经纪公司之逻辑是一致的，让妹妹们冲锋陷阵吸引流量回来，然后公司来拉她们管流量变现。

• 《Twenty Questions for Donald
  Knuth》

对于没那个之理公司支持的普通人来说，想做网红这从，和思念做演员其实呢无什么界别，北影中戏招生的时刻失去看看，就明白就之中的巡起差不多深了。看无异看那时的网写手们、看无异禁闭遍地不充分不生的群众号以及微博，看无异看押风公司之新媒体便理解，这实质上是一个什么获得和制从出流量的转业，这个中不断是晾一晒照片，或者露露肉卖卖丑就尽了底。

介绍:这并无是同一篇文档或书籍。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单问题，内容包括TAOCP，P/NP问题，图灵机，逻辑，以及为何大神不用电邮等等。

以打网红这从之外，网红经济本质上是一个存量游戏，是将那些都红和来或红的人口集合起来，然后通过平台来掏他们的价值，帮助她们见的经济模式。网红本身即恍如是同幢宝库，网红经济就是是同一漫漫挖矿的路，而普通人想使变为这金矿，没个千百万年之陷落也是免可能的。

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

用老百姓想使活动这条路之前，想同一想以她们要他们风光的背后，有稍许饿殍滋养了他们脚下的土地，而思只要打网红经济价值之丁，也要不要受莫容许的人数一个非可能的梦想。

介绍：不会见统计怎么处置？不知晓什么挑选适合的统计模型怎么收拾？那立首文章你的美妙读一朗诵了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作，写了千篇一律篇有关automatic
statistician的文章。可以活动选择回归模型类别，还能半自动写报告…

• 《ICLR
  2014论文集》

介绍:对纵深上和representation learning最新进展发趣味之同桌可以了解一下

• 《Introduction to Information
  Retrieval》

介绍：这是千篇一律随信息寻找有关的书，是出于斯坦福Manning同谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最让欢迎之音信寻找教材之一。最近作者多了该科目的幻灯片和学业。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张好的希冀来诠释机器上重大概念：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

• 《雅虎研究院的数目集汇总》

介绍：雅虎研究院的数量集汇总：
包括语言类数据，图跟团交类数据，评分和分类数据，计算广告学数据，图像数据，竞赛数据，以及系统类的数目。

• 《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，并且以2014年元月既开课：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总揽为机上新家推荐的上乘学习资源，帮助新家快速入门。而且就首稿子的介绍都于翻成中文版。如果你小熟悉，那么自己提议你先看一样禁闭中文的介绍。

• My deep learning reading
  list

介绍:主要是沿着Bengio的PAMI
review的章找出来的。包括几遵照综述文章，将近100篇论文，各位山头们的Presentation。全部且得于google上找到。

• Cross-Language Information
  Retrieval

介绍：这是同样按部就班图书，主要介绍的是跨语言信息寻找方面的文化。理论很多

• 追究推荐引擎内部的隐秘，第 1 片:
  推荐引擎初探

介绍:本文共有三单密密麻麻，作者是自IBM的工程师。它至关重要介绍了引进引擎相关算法，并辅助读者很快的兑现这些算法。
探讨推荐引擎内部的秘，第 2 局部: 深度推荐引擎相关算法 –
协同过滤,追推荐引擎内部的机要，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有关助手教授David
Mimno写的《对机械上新师的少数提议》，
写的异常实在，强调实行以及辩论结合，最后还援引了冯 • 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目

介绍：这是同样如约有关分布式并行处理的数目《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”是什么？》

介绍:【“机器上”是啊？】John
Platt是微软研究院独立科学家，17年来他直以机上园地耕耘。近年来机器上变得炙手可热，Platt和共事等遂决定办博客，向民众介绍机器上之研究进展。机器上是呀，被用在乌？来拘禁Platt的就篇博文

• 《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日在国会着力隆重举办。本次大会由微软亚洲研究院跟清华大学一块主办，是以此拥有30大抵年历史并著名世界的机械上园地的盛会首次于至华，已成掀起全世界1200几近员专家的申请与。干货很多，值得深入学习下

• 《Machine Learning for Industry: A Case
  Study》

介绍：这首文章要是坐Learning to
Rank为条例说明企业界机器上的求实行使，RankNet对NDCG之类不灵动，加入NDCG因素后成了LambdaRank，同样的思想从神经网络改呢下到Boosted
Tree模型就形成了LambdaMART。Chirs
Burges，微软的机上大神，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，代表论文呢：
From RankNet to LambdaRank to LambdaMART: An
Overview
此外，Burges还有许多名的代表作，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:本课程将阐述无监控特征上及纵深上之首要意见。通过上，你吗拿落实多单效益学/深度上算法，能看到它们啊你办事，并就学怎么样运用/适应这些想法到新题材上。本课程假定机器上的基本知识（特别是轻车熟路的监控上，逻辑回归，梯度下降之想法），如果您切莫熟悉这些想法，我们建议您去这里机械上课程，并事先得第II，III，IV章（到逻辑回归）。此外这有关这套教程的源代码在github上面已经产生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。如果急需了明了，需要自然的机上基础。不过小地方会于人眼前一律亮,毛塞顿开。

• Understanding
  Convolutions

介绍:这是同样首介绍图像卷积运算的篇章，讲的都算是比较详细的了

• 《Machine Learning Summer
  School》

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

• 《Awesome Machine
  Learning》

介绍：一个极品完整的机械上开源库总结，如果你看这碉堡了，那后面是列表会再次于您惊叹：【Awesome
Awesomeness】,国内曾经发出热情的对象进行了翻汉语介绍，机械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》课程有视频都得以于斯坦福公开课网站上见到了（如Chrome不行，可用IE观看）
作业以及试验呢可以下载。

• 《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：神经网络的免费于线书，已经勾勒了三章节了，还有相应的开源代码：https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的福音。

• 《Java Machine
  Learning》

介绍：Java机器上相关平台和开源的机上库，按照好数目、NLP、计算机视觉及Deep
Learning分类进行了整。看起格外全的，Java爱好者值得珍藏。

• 《Machine Learning Theory: An Introductory
  Primer》

介绍：机器上最好核心的入门文章，适合零基础者

• 《机器上常见算法分类集中》

介绍：机器上之算法很多。很多时刻困惑人们还是，很多算法是同等近乎算法，而稍算法又是打外算法中拉开出的。这里，我们从少只地方来让大家介绍，第一单方面是习之法门，第二独点是算法的类似性。

• 《机器上藏论文/survey合集》

介绍：看问题你早就明白了是呀内容,没错。里面有那么些经典的机器上论文值得仔细跟一再的读书。

• 《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。

• 《机器上藏书籍》

介绍：总结了机器上之经典图书，包括数学基础和算法理论的书籍，可做也入门参考书单。

• 《16 Free eBooks On Machine
  Learning》

介绍:16据机器上的电子书，可以下载下来当pad，手机方面任意时刻去读。不多我提议您看罢一仍再下充斥同依。

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

介绍:标题很要命，从新手到大家。不过看罢上面装有素材。肯定是师了

• 《机器上最佳入门学习材料汇集》

介绍：入门的书真的不得了多，而且我既拉你追寻手拉手了。

• 《Sibyl》

介绍：Sibyl 是一个监督式机器上体系，用来化解预测方面的题材，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:这又是平等首机器上新大方的入门文章。值得一诵读

• 《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 & 机器求学 &
  数据挖掘兵器谱》

介绍:python的17单关于机器上之工具

• 《神奇的伽玛函数(上)》

介绍:下集在此间神奇之伽玛函数(下)

• 《分布式机器上的故事》

介绍:作者王益时凡腾讯广告算法总监，王益博士毕业后当google任研究。这首稿子王益博士7年来起谷歌到腾讯对于分布机器上之视界。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级，每级需要上之讲义和控制的知。这样，给机器学习者提供一个升华的路线图，以免走弯路。另外，整个网站还是有关机器上的，资源异常丰富。

• 《Machine Learning
  Surveys》

介绍:机器上各个方向概括的网站

• 《Deep Learning Reading
  list》

介绍:深度上经验资源列表

• 《Deep Learning: Methods and
  Applications》

介绍：这是同一以来自小的研究员 li Peng和Dong
Yu所出示的关于深度上之道及应用之电子书

• 《Machine Learning Summer School
  2014》

介绍:2014年七月CMU举办的机上夏季课刚刚竣工
有靠近50钟头的视频、十几近单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称作讲师都是牛人：包括充分牛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的大面积机器上系统》

介绍:在今年之IEEE/IFIP可靠系统和网络（DSN）国际会议达成，Google软件工程师Tushar
Chandra做了一个关于Sibyl系统的主题演讲。
Sibyl是一个监督式机器上系统，用来化解预测方面的题材，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他们当年在座ImageNet取得好成绩的GoogLeNet系统.是有关图像处理的。

• 《Bayesian network
  与python概率编程实战入门》

介绍:贝叶斯学习。如果无是挺彻底可看概率编程语言和贝叶斯方法执行

• 《AMA: Michael I
  Jordan》

介绍:网友问伯克利机器上大牛、美国夹院士Michael I.
Jordan：”如果你闹10亿美金，你怎么花？Jordan:
“我会见因此当下10亿美金建造一个NASA级别之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,此外作者还有一部分其他的机械上和数据挖掘文章和纵深上文章,不仅是理论还有源码。

• 《文本以及数码挖掘视频汇总》

介绍：Videolectures上无限给欢迎之25单公文以及数挖掘视频汇总

• 《怎么选择深度上之GPUs》

介绍:在Kaggle上不时得正确成绩的Tim
Dettmers介绍了外协调是怎选深度上的GPUs,
以及个体怎么构建深度上之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，国内的机器上爱好者非常热情的拿这个科目翻译成了中文。如果您英语不好，可以望是

• 《Deep Learning
  101》

介绍:因为近两年来，深度上以媒体界被炒作好厉害（就比如非常数量）。其实过多总人口犹还免晓得啊是深浅上。这首文章由浅入深。告诉您深度学究竟是啊！

• 《UFLDL
  Tutorial》

介绍:这是斯坦福大学举行的同样免费课程（很勉强），这个可以给您于深上的旅途被你一个读书之笔触。里面涉及了一些主干的算法。而且告诉你哪些错过用到实在条件受到。中文版

• 《Toronto Deep Learning
  Demos》

介绍:这是多伦多大学开的一个深上用来识别图片标签／图转文字的demo。是一个实在采用案例。有源码

• 《Deep learning from the bottom
  up》

介绍:机器上型，阅读是情节需出肯定的底子。

• 《R工具包的归类集中》

介绍: (CRAN Task Views,
34种植普遍任务,每个任务而分别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，多还变量分析，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
等

• 《机器上常见算法分类集中》

介绍:
机器学习的是现阶段多少解析世界的一个吃香内容。很多丁当平常底干活面临还或多或有失会为此到机械上之算法。本文也公总结一下大面积的机上算法，以供应而在办事暨习着参考.

• 《Deep
  Learning（深度上）学习笔记整理系列》

介绍:
很多干货，而且撰稿人还总了某些独密密麻麻。另外还作者还了一个文章导航.非常的谢作者总结。

Deep
Learning（深度上）学习笔记整理系列的（二）

Deep
Learning（深度上）学习笔记整理系列的（三）

Deep
Learning（深度上）学习笔记整理系列之（四）

Deep
Learning（深度上）学习笔记整理系列的（五）

Deep
Learning（深度上）学习笔记整理系列的（六）

Deep
Learning（深度上）学习笔记整理系列之（七）

DeepLearning（深度上）学习笔记整理系列的（八）

• 《Tutorials Session A – Deep Learning for Computer
  Vision》

介绍:传送理由：Rob Fergus的所以深度上做计算机是苏的NIPS 2013学科。有mp4,
mp3,
pdf各种下载
他是纽约大学教授，目前为以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开支之开源中文自然语言处理（NLP）工具保管
Fudan
NLP里带有中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等力量，对找引擎
文本分析等多有价。

• 《Open Sourcing
  ml-ease》

介绍:LinkedIn 开源的机器上工具确保,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，但又非常怀念学学机器上之朋友。是一个不行之便民。机器上周刊目前最主要提供中文版，还是面向周边国内爱好者，内容涉嫌机械上、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》的要害数学先导课程。其实《线代》这门课称得浅显易懂特别非轻，如果相同齐来就算称逆序数及陈行列式性质，很易受学员去学习之兴味。我个人推举的极品《线性代数》课程是麻省理工Gilbert
Strang教授的科目。
课程主页

• 《Big-data》

介绍:大数量数据处理资源、工具不全列表，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。很赞赏的资源集中。

• 《machine learning for smart
  dummies》

介绍:雅虎邀请了同样曰源于本古里怎么大学的访问学者，制作了同等学关于机器上的文山会海视频课程。本学科并分为7期，详细讲解了关于SVM,
boosting, nearest neighbors, decision trees
等正常机器上算法的驳斥基础知识。

• 《Entanglement-Based Quantum Machine
  Learning》

介绍:应本着异常数额时代，量子机器上的率先只试验 paper
下载

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

介绍:Wired杂志报道了UCLA数学博士Chris McKinlay
（图1）通过非常数目手段+机器上方式破解婚恋网站配对算法找到真爱的故事,通过Python脚论决定着12只账号，下载了婚恋网站2万女用户之600万题目答案，对她们开展了统计抽样及聚类分析（图2，3），最后到底抱了真爱。科技改变命运！

• 《Underactuated
  Robotics》

介绍:MIT的Underactuated Robotics于
2014年10月1日开张，该课属于MIT研究生级别之学科，对机器人和非线性动力系统感兴趣的恋人不妨可以挑战一下立门学科！

• 《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年上马以计算机对的舆论被给引述次数最多的舆论

• 《InfiniTAM:
  基于深度图像的体裁数据并框架》

介绍：把当年之一个ACM Trans. on Graphics
(TOG)论文中的代码整理也一个开源的算法框架，共享出来了。欢迎大家使用。可以实时的采3D数据、重建起三维模型。Online
learning，GPU Random forest，GPU CRF为会见持续公开。

• 《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），怎样更好上她？可以吃您于浏览器被，跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉你，最佳技巧是，当您起来写代码，一切将易得一清二楚。他刚颁布了千篇一律按图书，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之异议,大实话

• 《Deep Learning Sentiment Analysis for Movie Reviews using
  Neo4j》

介绍：使用Neo4j
做影视评论的情愫分析。

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

介绍：不仅是材料，而且还针对性小材料做了诠释。

• 《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：机器上教会了我们什么？

• 《scikit-learn：用于机器上之Python模块》

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

• 《对话机器上大神Michael
  Jordan：解析领域面临各类模型》

介绍：乔丹教授（Michael I.
Jordan）教授是机器上世界神经网络的大牛，他针对性纵深上、神经网络有着充分浓的兴趣。因此，很多咨询的题材吃含有了机上世界的个模型，乔丹教授对准是一一做了解释和展望。

• 《A*搜索算法的可视化短教程》

介绍：A*摸索是人造智能基本算法，用于高效地搜寻图被少点之顶尖路线,
核心是 g(n)+h(n):
g(n)是打起点到顶点n之莫过于代价，h(n)凡是顶点n到目标顶点的量代价。合集

• 《基于云的自然语言处理开源项目FudanNLP》

介绍：本档下了Microsoft Azure，可以以几乎细分种内做到NLP on Azure
Website的安排，立即开始针对FNLP各种风味的试用，或者以REST
API的款型调用FNLP的言语分析功能

• 《吴立德《概率主题模型&数据对基础》》

介绍：现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所入所长.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年开始深度上文献》

介绍：从硬件、图像及正常、生物、大数目、生物信息还至量子计算等，Amund
Tveit等保障了一个DeepLearning.University小类：收集从2014年始深度上文献，相信可以看成深度上之起点,github

• 《EMNLP上点儿首关于股票方向的行使论文
  》

介绍：EMNLP上简单首关于stock
trend
用到了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：作者是深度上一丝很牛Bengio组写的课，算法深入显出，还有实现代码，一步步拓展。

• 《学习算法的Neural Turing Machine
  》

介绍：许多民俗的机上任务还是以上学function，不过谷歌目前产生始发学算法的取向。谷歌另外的就篇学习Python程序的Learning
to
Execute否起相似之处

• 《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搜索和自然语言处理的篇章

• 《Rumor has it: Identifying Misinformation in
  Microblogs》

介绍：利用机用器学习在谣言的甄别上的施用,此外还有点儿独。一个凡是可辨垃圾及虚假消息之paper.还发生一个凡纱舆论及其分析技术

• 《R机器学习实践》

介绍：该科目是网易公开课的收费课程，不值钱，超级福利。主要适合为对运R语言进行机上，数据挖掘感兴趣的人头。

• 《大数据解析：机器上算法实现的演化》

介绍：本章中笔者总结了三代机上算法实现的演变：第一替代非分布式的，
第二代表工具要Mahout和Rapidminer实现基于Hadoop的扩充，第三代表如Spark和Storm实现了实时和迭代数据处理。BIG
DATA ANALYTICS BEYOND
HADOOP

• 《图像处理，分析以及机具视觉》

介绍：讲计算机视觉的季管辖奇书（应该受经典吧）之一，另外三随是Hartley的《多图几哪》、Gonzalez的《数字图像处理》、Rafael
C.Gonzalez / Richard E.Woods
的《数字图像处理》

• 《LinkedIn最新的推介系统文章Browsemaps》

介绍：里面基本没干到现实算法，但作者介绍了CF在LinkedIn的重重采用，以及他们当做推荐过程被赢得的局部历。最后一长达经验是应当监控log数据的色，因为推荐的成色非常靠数据的质！

• 《初家如何查阅自然语言处理（NLP）领域学术材料》

介绍：初专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

• 《利用深度上和坏数据构建对话系统
  》

介绍：如何运用深度上和老数目构建对话系统

• 《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，内容涉嫌Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论，以及在图像及视觉及的下，而且率先片关于Why does
the l1-norm induce sparsity的解说也蛮正确。

• 《Reproducing Kernel Hilbert
  Space》

介绍：RKHS是机器上着重点的定义，其于large
margin分类器上的下也是广为熟知的。如果无于好之数学基础，直接了解RKHS可能会见是。本文由基本运算空间讲到Banach和Hilbert空间，深入浅出，一共才12页。

• 《Hacker’s guide to Neural
  Networks》

介绍：许多同班对机器上和深度上的迷惑在于，数学方面曾约知道了，但是动于手来可无懂得怎么入手写代码。斯坦福深度上博士Andrej
Karpathy写了一如既往首实战版本的深浅上和机上课程，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：本文会了同样不折不扣最风靡的机上算法，大致了解什么方法可用，很有赞助。

• 《Reproducible Research in Computational
  Science》

介绍：这个里面来过多关于机器上、信号处理、计算机视觉、深入学、神经网络等世界的雅量源代码（或可尽代码）及相关论文。科研写论文的好资源

• 《NYU
  2014年之深度上课程资料》

介绍：NYU 2014年之深度上课程资料，有视频

• 《计算机视觉数据集不全集中》

介绍：计算机视觉数据集不全集中

• 《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：数量挖掘十不行经典算法之一

• 《100 Best GitHub: Deep
  Learning》

介绍：github上面100独雅棒的类

• 《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械上社区保护在306个数据集。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，使用机器上在图像、视频语义分析世界取得了科研与工程及的突破，发之稿子非多，但每个都充分朴实，在各一个问题达成还形成了state-of-art.

• 《Andrej
  Karpathy的吃水加深学习演示》

介绍：Andrej
Karpathy的深加深学习演示，舆论在此地

• 《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举办的国际数码挖掘竞赛的称呼。

• 《Geoffrey E.
  Hinton》

介绍：杰弗里·埃弗里斯特·辛顿
FRS是同个英国生之测算机学家和心理学家，以那于神经网络方面的孝敬闻名。辛顿是相反为传来算法和对照散度算法的发明人之一，也是深上之积极促进者.

• 《自然语言处理的吃水上理论以及实际》

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

• 《用十分数据以及机具上做股票价格预计》

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

• 《关于机器上之多少争辩问题》

介绍：徐宗本
院士将受爱机器上的伙伴联手探索有关于机器上之几单理论性问题，并叫闹一部分生含义之结论。最后经过有实例来验证这些理论问题的大体意义及骨子里应用价值。

• 《深度上以自然语言处理的下》

介绍：作者还展示有《这便是寻觅引擎：核心技术详解》一开，主要是介绍应用层的事物

• 《Undergraduate machine learning at
  UBC》

介绍：机器上课程

• 《人脸识别必读之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与业界应用》

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”机器上及其应用”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据构建的几率统计模型并利用模型对数据进行展望及剖析的如出一辙流派科学，统计上吧变成统计机器上。课程来自上海交通大学

• 《机器上导论》

介绍：机器上之靶子是针对电脑编程，以便利用样本数或者以往之经历来缓解给定的问题.

• 《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

• 《人工智能和机械上园地有趣之开源项目》

介绍：部分汉语列表

• 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有雷同篇元算法、AdaBoost　python实现文章

• 《Numerical Optimization: Understanding
  L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了一如既往篇超赞的数值优化博文，从牛顿法讲到拟牛顿法，再张嘴到BFGS以及L-BFGS,
图文并茂，还有伪代码。强烈推荐。

• 《简明深度上方法概述（一）》

介绍:还有续集一目了然深度上方法概述（二）

• 《R language for
  programmers》

介绍:Ｒ语言程序员私人定制版

• 《谷歌地图解密：大数目及机具上的三结合》

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’s Word2Vec for movie
  reviews》

介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka
”边学边用word2vec暨deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型，并在其实比中间比调参数与清数据。
如果就装过gensim不要遗忘升级

• 《PyNLPIR》

介绍:PyNLPIR提供了NLPIR/ICTCLAS汉语分词的Python接口,此外Zhon供了常用汉字常量，如CJK字符和偏旁，中文标点，拼音，和汉字正则表达式（如找到文本中之繁体字）

• 《深度卷积神经网络下围棋》

介绍:这文章说拿多年来型识别及的突破用及围棋软件达到，打16万摆业棋谱训练模型识别功能。想法是。训练后即能成功永不计算，只拘留棋盘就于有下同样步，大约10层棋力。但这篇稿子最过乐观，说啊人类的末段一片堡垒马上将过掉了。话说得最早。不过，如果跟别的软件成该还有潜力可打。@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重新审稿的话语，会出一半之论文被驳回。

• 《2014年超级的百般数目，数据对文章》

介绍:KDNuggets分别总结了2014年14独阅读最多跟享受最多的文章。我们从中可以看来多独主题——深度上，数据科学家职业，教育和薪酬，学习数据正确的家伙比如R和Python以及民众投票的极其受欢迎之数据正确与数据挖掘语言

• 《机器上藏算法详解及Python实现–线性回归（Linear
  Regression）算法》

介绍:Python实现线性回归,作者还发生任何大棒的文章推荐可看

• 《2014神州充分数额技术大会33各项中心专家发言PDF》

介绍：2014华很数目技术大会33员中心专家发言PDF下载

• 《使用RNN和Paragraph
  Vector做情感分析》

介绍：这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and
Discriminative Techniques for Sentiment Analysis of Movie Reviews
，使用RNN和PV在情感分析效益是，［项目代码］(https://github.com/mesnilgr/iclr15)公布在github(目前凡拖欠的)。这意味Paragraph
Vector终于揭开面纱了嘛。

• 《NLPIR/ICTCLAS2015区划词系大会上之技艺演讲
  》

介绍:NLPIR/ICTCLAS2015分割词系发布与用户交流大会上的演说，请复多朋友检阅新版分词吧。
我们实验室同学的讲演包括：孙梦姝-基于评论意见挖掘的货色搜索技术研究
李然-主题模型

• 《Machine Learning is
  Fun!》

介绍:Convex Neural Networks 解决维数灾难

• 《CNN的倒朝求导及练习》

介绍:介绍CNN参数在应用bp算法时该怎么训练，毕竟CNN中生出卷积层和下采样层，虽然同MLP的bp算法本质上一致，但形式上或稍区别的，很明显以做到CNN反为传播前询问bp算法是须的。此外作者也开了一个资源聚集:机器上，深度上，视觉，数学等

• 《正则表达式优化成Trie树
  》

介绍:如果如在相同首稿子中相当配十万只重要词怎么处置？Aho-Corasick
算法利用上加了回到边的Trie树，能够在线性时间外到位匹配。
但如果配合十万只正则表达式呢 ？
这上可以为此到将多个刚则优化成Trie树的法门，如日本口形容的
Regexp::Trie

• 《Deep learning Reading
  List》

介绍:深度上阅读清单

• 《Caffe》

介绍:Caffe是一个开源之深上框架，作者目前以google工作，作者主页Yangqing
Jia (贾扬清)

• 《GoogLeNet深度上型的Caffe复现
  》

介绍:2014
ImageNet冠军GoogLeNet深度上型的Caffe复现模型,GoogleNet论文.

• 《LambdaNet，Haskell实现的开源人工神经网络库
  》

介绍:LambdaNetLambdaNet是由Haskell实现的一个开源之人工神经网络库，它抽象了网创建、训练并利用了高阶函数。该库还提供了同等组预定义函数，用户可以多计做这些函数来操作实际世界数据。

• 《百度余凯&张潼机器学习视频》

介绍:如果你从互联网搜索，在线广告，用户作为分析，图像识别，自然语言理解，或者生物信息学，智能机器人，金融展望，那么就门核心课程你要深刻摸底。

• 《杨强在TEDxNanjing谈智能的来自》

介绍:”人工智能研究分众流派。其中有为IBM为代表，认为如果来强性能计算就不过收获智能，他们的‘深蓝’击败了世道象棋冠军；另一样派别认为智能来自动物本能；还产生只非常强的派别认为一旦找来大家，把他们的思考用逻辑一条条写下，放到计算机里就是行……”
杨强以TEDxNanjing谈智能的来自

• 《深度RNN/LSTM用于结构化学习 0)序列标注Connectionist Temporal
  ClassificationICML06》

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

• 《Deep
  Learning实战之word2vec》

介绍:网易有道的老三各类工程师写的word2vec之分析文档，从着力的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear，到CBOW和Skip-gram模型，再届word2vec的各种tricks，公式推导与代码，基本上是网上有关word2vec资料的大合集，对word2vec谢谢兴趣的恋人可看看

• 《Machine learning open source
  software》

介绍:机器上起来源软件,收录了各种机械上的各种编程语言学术和经贸的开源软件．与是类似之还有为数不少如:[DMOZ

• Computers: Artificial Intelligence: Machine Learning:
  Software](https://link.jianshu.com?t=http://www.dmoz.org/Computers/Artificial_Intelligence/Machine_Learning/Software/),　LIBSVM
  — A Library for Support Vector
  Machines,　Weka
  3: Data Mining Software in
  Java,　scikit-learn:Machine
  Learning in
  Python,　Natural
  Language
  Toolkit:NLTK,　MAchine
  Learning for LanguagE
  Toolkit,　Data
  Mining – Fruitful and
  Fun,　Open Source
  Computer Vision
  Library

• 《机器上入门者学习指南》

介绍:作者是计算机研二(写篇的时光，现在是2015年了该将毕业了)，专业方向自然语言处理．这是某些客的涉的谈．对于入门的情人或会起帮衬

• 《A Tour of Machine Learning
  Algorithms》

介绍:这是均等首关于机器上算法分类的章，非常好

• 《2014年之《机器上日报》大合集》

介绍:机器上日报中推荐多情，在此发生部分的精粹内容即是源于机器上日报．

• 《 Image classification with deep
  learning常因此型》

介绍:这是均等篇关于图像分类在深度上着之稿子

• 《自动语音识别：深度上方法》

介绍:作者和Bengio的哥们儿Samy 09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、94年图灵奖得主Raj Reddy作序

• 《NLP中的国语分词技术》

介绍: 作者是360电商技术组成员,这是同首NLP在汉语言分词中之采用

• 《Using convolutional neural nets to detect facial keypoints
  tutorial》

介绍: 使用deep
learning的丁脸要点检测，此外还有平等篇AWS部署教程

• 《书籍推荐:Advanced Structured
  Prediction》

介绍: 由Sebastian Nowozin等人口编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
，汇集了结构化预测世界众多牛文，涉及CV、NLP等世界，值得一诵读。网上公开之几章节草稿:一,二,三,四,五

• 《An Introduction to Matrix Concentration
  Inequalities》

介绍:
Tropp把数学家用大深装逼的数学语言描绘的矩阵概率不等式用初等之计勾勒出来，是生好之手册，领域内的paper各种证明都以就此中的结果。虽说是初等的，但要么十分的难以

• 《The free big data sources you should
  know》

介绍:
不容错过之免费不行数据集，有些都是驾轻就熟，有些可能还是率先次听说，内容越文本、数据、多媒体等，让他俩随同您从头数据正确的一起吧，具体包括：Data.gov、US
Census Bureau、European Union Open Data Portal、Data.gov.uk等

• 《A Brief Overview of Deep
  Learning》

介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的吃水上综述及实际建议

• 《A Deep Dive into Recurrent Neural
  Nets》

介绍:
非常好之议论递归神经网络的篇章，覆盖了RNN的概念、原理、训练和优化等各个方面内容，强烈推荐！本文作者Nikhil
Buduma还来平等首Deep Learning in a
Nutshell值得推介

• 《机器上：学习资源》

介绍:里面融合了广大之资源，例如角，在线课程，demo，数据整合等。有分类

• 《Statistical foundations of machine
  learning》

介绍:《机器上之统计基础》在线版，该手册希望当理论以及实践里找到平衡点，各要内容都伴随有实在例子及数码，书中之例子程序还是因此R语言编写的。

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

介绍:IVAN VASILEV写的吃水上导引：从浅层感知机到深度网络。高可读

• 《Research priorities for robust and beneficial artificial
  intelligence》

介绍:鲁棒与便宜的人工智能优先研究计划：一查封公开信,目前已闹Stuart
Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom
Mitchell, Geoffrey Hinton, Elon Musk等人口签署The Future of Life
Institute
(FLI).这封信的背景是近来霍金及Elon
Musk提醒人们注意AI的神秘威胁。公开信的情是AI科学家等站于便利社会的角度，展望人工智能的前景发展趋势，提出开发AI系统的Verification，Validity,
Security,
Control四点要求，以及要留意的社会问题。毕竟当前AI在经济领域，法律，以及道德领域相关研究于少。其实还有一样管辖美剧《疑犯追踪》,介绍了AI的演进从平开始之自身学习，过滤，图像识别，语音识别等判定危险，到第四季的时节起了机通过学习成长之后想操纵世界之状态。说及此推荐收看。

• 《metacademy》

介绍:里面冲词条提供了众资源，还时有发生连锁文化结构，路线图，用时长等。号称是”机器上“搜索引擎

• 《FAIR open sources deep-learning modules for
  Torch》

介绍:Facebook人工智能研究院（FAIR）开源了同一雨后春笋软件库，以帮扶开发者建立重可怜、更快之深浅上型。开放的软件库在
Facebook 被称模块。用它替代机械上世界常用之支出环境 Torch
中的默认模块，可以以还缺少的时间内训练再度甚局面之神经网络模型。

• 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是写于2012年，但是就首文章完全是笔者的涉的作。

• 《如何变成平等各类数据科学家》

介绍:本文是对《机器上实战》作者Peter
Harrington做的一个访谈。包含了写中有的的疑云解答和一些私房学习建议

• 《Deep learning from the bottom
  up》

介绍:非常好之吃水上概述，对几栽流行的深浅上型都进行了介绍与讨论

• 《Hands-On Data Science with R Text
  Mining》

介绍:主要是讲述了运用R语言进行多少挖掘

• 《Understanding
  Convolutions》

介绍:帮你明白卷积神经网络，讲解很清楚，此外还有个别首Conv Nets: A Modular
Perspective，Groups
& Group
Convolutions.
作者的别的关于神经网络文章也罢坏棒

• 《Introduction to Deep Learning
  Algorithms》

介绍:Deep Learning算法介绍，里面介绍了06年3首被deep learning崛起的舆论

• 《Learning Deep Architectures for
  AI》

介绍:一以学习人工智能的书本，作者是Yoshua
Bengio，相关境内通讯

• 《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与课件值得学习

• 《PROBABILITY THEORY: THE LOGIC OF
  SCIENCE》

介绍:概率论：数理逻辑书籍

• 《H2O》

介绍:一个就此来很快的统计，机器上以于数据量大之数学库

• 《ICLR
  2015集会的arXiv稿件合集》

介绍:在此间你可以看来最近深度上有啊新取向。

• 《Introduction to Information
  Retrieval》

介绍:此书在信息搜索领域显著，
除提供该书的免费电子版外，还提供一个IR资源列表
，收录了消息寻找、网络消息寻找、搜索引擎实现等方面相关的图书、研究为主、相关学科、子领域、会议、期刊等等，堪称全集，值得珍藏

• 《Information Geometry and its Applications to Machine
  Learning》

介绍:信息几哪法及其在机械上着之利用

• 《Legal Analytics – Introduction to the
  Course》

介绍:课程《法律分析》介绍幻灯片。用机器上解决法规相关分析和预测问题，相关的律运用包括预测编码、早期案例评估、案件完全情况的预测，定价以及工作人员预测，司法行为预测相当。法律领域大家或许都比陌生，不妨了解下。

• 《文本上的算法》

介绍:
文中干了极其优异，模型，最大熵等等理论，此外还有使用篇。推荐系统可以说凡是千篇一律比照科学的阅读稿，关于模型还援引一篇Generative
Model 与 Discriminative
Model

• 《NeuralTalk》

介绍: NeuralTalk is a Python+numpy project for learning Multimodal
Recurrent Neural Networks that describe images with
sentences.NeuralTalk是一个Python的从图像生成自然语言描述的家伙。它实现了Google
(Vinyals等，卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and
Fei-Fei， CNN +
递归神经网络RNN)的算法。NeuralTalk自带了一个训练好的动物模型，你得拿狮子大象的照来尝试看

• 《Deep Learning on Hadoop
  2.0》

介绍:本文主要介绍了以Hadoop2.0直达采取深度上,文章来源paypal

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

介绍:用基于梯度下降之点子训练深度框架的施行推荐指导,作者是Yoshua
Bengio
.感谢@xuewei4d 推荐

• 《Machine Learning With Statistical And Causal
  Methods》

介绍: 用统计与报方法做机械上（视频告诉）

• 《Machine Learning Course
  180’》

介绍: 一个语机器上之Youtube视频教程。160成团。系统程度跟书可比拟。

• 《回归(regression)、梯度下降(gradient
  descent)》

介绍:
机器学习中之数学，作者的钻方向是机器上，并行计算如果您还想了解一些其他的得望外博客的其余文章

• 《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 for Answer Sentence
  Selection》

介绍: 深度上用于问答系统答案句的选取

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

介绍: CNN用于WEB搜索，深度上以文书计算着之用

• 《Awesome Public
  Datasets》

介绍: Awesome系列中之公开数据集

• 《Search Engine &
  Community》

介绍: 一个学搜索引擎

• 《spaCy》

介绍:
用Python和Cython写的工业级自然语言处理库，号称是速度极抢之NLP库，快之缘故同样是因此Cython写的，二凡是故了只雅巧妙的hash技术，加速系统的瓶颈，NLP中松特征的存取

• 《Collaborative Filtering with
  Spark》

介绍:
Fields凡个数学研究中心,上面的当即卖ppt是来自Fields举办的活动中Russ
Salakhutdinov带来的《大规模机器上》分享

• 《Topic modeling
  的经典论文》

介绍: Topic modeling 的藏论文,标注了重要点

• 《Move Evaluation in Go Using Deep Convolutional Neural
  Networks》

介绍:
多伦多大学同Google合作的初论文，深度上也堪用来下围棋，据说会及六段落水平

• 《机器上周刊第二期望》

介绍:
新闻，paper,课程，book，system,CES,Roboot，此外尚引进一个深度上入门与综合资料

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

介绍: 18 free eBooks on Machine Learning

• 《Recommend :Hang Li
  Home》

介绍: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》

介绍:
DEEPLEARNING.UNIVERSITY的舆论库已经用了963首经过分类的吃水上论文了，很多经论文都曾经选定

• 《MLMU.cz – Radim Řehůřek – Word2vec & friends
  (7.1.2015)》

介绍: Radim
Řehůřek(Gensim开发者)在平不善机器上聚会及之报告，关于word2vec会同优化、应用与扩大，很实用.国内网盘

• 《Introducing streaming k-means in Spark
  1.2》

介绍:很多号还因此机器上来化解问题，提高用户体验。那么怎么好吃机器上又实时和实惠也？Spark
MLlib 1.2里的Streaming K-means，由斑马鱼脑神经研究之Jeremy
Freeman脑神经科学家编写，最初是为着实时处理他们各半小时1TB的研讨数据，现在揭晓让大家之所以了。

• 《LDA入门与Java实现》

介绍:
这是平首面向工程师的LDA入门笔记，并且提供相同客开箱即用Java实现。本文就记录基本概念与原理，并无干公式推导。文中的LDA实现核心部分以了arbylon的LdaGibbsSampler并力所能够及地诠释了，在搜狗分类语料库上测试好，开源在GitHub上。

• 《AMiner – Open Science
  Platform》

介绍:
AMiner是一个学问搜索引擎，从学术网络被掏深度知识、面向科技特别数据的挖沙。收集近4000万作者信息、8000万舆论信息、1亿大多引用关系、链接近8百万知识点；支持专家搜索、机构排名、科研成果评价、会议排名。

• 《What are some interesting Word2Vec
  results?》

介绍: Quora上的主题，讨论Word2Vec之诙谐应用，Omer
Levy提到了他当CoNLL2014至上论文里之分析结果与新章程，Daniel
Hammack给有了寻找特异词的略微应用并提供了(Python)代码

• 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然中的微课程已经归档过了，但是还有个别的消息没有。感谢课程图谱的小编

• 《A First Course in Linear
  Algebra》

介绍: 【A First Course in Linear Algebra】Robert Beezer 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年之信奉

• 《libfacedetection》

介绍:libfacedetection是深圳大学开源之一个人口脸图像识别库。包含正面与多视角口脸检测两个算法.优点:速度快(OpenCV
haar+adaboost的2-3倍), 准确度高
(FDDB非公开类评测排名第二），能估计人数脸角度。

• 《Inverting a
  Steady-State》

介绍:WSDM2015极佳论文
把马尔可夫链理论用在了图分析者，比相似的propagation
model更加深厚一些。通过全局的安澜分布去求解每个节点影响系数模型。假设合理（转移受到隔壁之熏陶系数影响）。可以用来反求每个节点的影响系数

• 《机器上入门书单》

介绍:机器上入门书籍，现实介绍

• 《The Trouble with
  SVMs》

介绍:
非常棒的强调特征选择对分类器重要性的稿子。情感分类中，根据互信息对复杂高维特征降维再运节能贝叶斯分类器，取得了比SVM更美好的力量，训练和归类时间呢大大降低——更重要的凡，不必花费大量工夫以就学与优化SVM上——特征也同样no
free lunch

• 《Rise of the
  Machines》

介绍:CMU的统计系和处理器有关知名教授Larry Wasserman
在《机器崛起》,对比了统计与机具上之出入

• 《实例详解机器上怎么化解问题》

介绍:随着大数额时代之来到，机器上变成解决问题的一样种植要且主要的工具。不管是工业界还是学术界，机器上还是一个炙手可热的来头，但是学术界和工业界对机器上之研讨各个发厚，学术界侧重于对机械上理论的钻，工业界侧重于如何用机器上来缓解实际问题。这篇稿子是美团的骨子里条件遭到之实战篇

• 《Gaussian Processes for Machine
  Learning》

介绍:面向机器上的高斯过程，章节概要：回归、分类、协方差函数、模型选择与超参优化、高斯模型和另模型关系、大数据集的逼方法等,微盘下载

• 《FuzzyWuzzy: Fuzzy String Matching in
  Python》

介绍:Python下的公文模糊匹配库，老库新推，可计算串间ratio(简单相似系数)、partial_ratio(局部相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等
github

• 《Blocks》

介绍:Blocks是因Theano的神经网络搭建框架，集成相关函数、管道和算法，帮您又快地开创和保管NN模块.

• 《Introduction to Machine
  Learning》

介绍:机器上大神Alex Smola在CMU新一企的机械上入门课程”Introduction to
Machine
Learning“近期刚开拍，课程4K高清视频并到Youtube上，目前恰巧更新至 2.4
Exponential
Families,课程视频playlist,
感兴趣之同室可以关注，非常适合入门.

• 《Collaborative Feature Learning from Social
  Media》

介绍:用社交用户作为上图片的合特征，可又好地发挥图片内容相似性。由于未指让人工标签(标注)，可用于大规模图片处理，难在用户作为数据的拿走和清洗；利用社会化特征的思绪值得借鉴.

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

介绍:Twitter技术团队本着前段时间开源之日序列非常检测算法(S-H-ESD)R包的牵线，其中针对充分的定义及剖析颇值得参考，文中也涉嫌——异常是高针对性的，某个圈子支出的不行检测以另世界直接用而不行.

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

介绍:聚焦数据质量问题之报，数据质量对各种框框企业之属性和效率还至关重要，文中总结发生(不限于)22栽典型数据质量问题表现的信号，以及卓越的数目质量解决方案(清洗、去重新、统一、匹配、权限清理等)

• 《中文分词入门的资源》

介绍:中文分词入门的资源.

• 《Deep Learning Summit, San Francisco,
  2015》

介绍:15年旧金山纵深上峰会视频采访,境内云盘

• 《Introduction to Conditional Random
  Fields》

介绍:很好之尺码仍机场(CRF)介绍文章,作者的就学笔记

• 《A Fast and Accurate Dependency Parser using Neural
  Networks》

介绍: 来自Stanford，用神经网络实现长足准确的依存关系解析器

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

介绍:做深上怎样挑选GPU的建议

• 《Sparse Linear
  Models》

介绍: Stanford的Trevor Hastie教授以H2O.ai
Meet-Up上的喻，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年跟主题报告
、讲义.

• 《Awesome Computer
  Vision》

介绍:
分类整理的机器视觉相关资源列表，秉承Awesome系列风格，有质有量!作者的翻新频率也非常频繁

• 《Adam
  Szeidl》

介绍: social networks course

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

介绍: 大规模机器上流程的构建和部署.

• 《人脸识别开发包》

介绍: 人脸识别二次开发包，免费，可商用，有示范、范例、说明书.

• 《Understanding Natural Language with Deep Neural Networks Using
  Torch》

介绍: 采用Torch用深度上网络了解NLP，来自Facebook 人工智能的文章.

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

介绍: 来自CMU的Ed Hovy和Stanford的Jiwei
Li一首有意思的Arxiv文章,作者用Shannon Entropy来形容NLP中各项任务的难度.

• 《TThe Probabilistic Relevance Framework: BM25 and
  Beyond》

介绍: 信息搜索排序模型BM25(Besting Matching)。1）从经概率模型演变而来
2）捕捉了向量空间模型中三个影响索引项权重的因子：IDF逆文档频率；TF索引项频率；文档长度归一化。3）并且带有集成学习之思想：组合了BM11跟BM15片只模型。4）作者是BM25之发起人和Okapi实现者Robertson.

• 《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是钻时序列的重要艺术，由从回归模型（AR模型）与滑动平均模型（MA模型）为底蕴“混合”构成.

• 《Encoding Source Language 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的型好的多neural network joint model

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

介绍:
揭开印度菜之爽口秘诀——通过对大气菜系原料关系之挖沙，发现印度菜肴香的案由之一是其中的含意互相冲突，很风趣之文件挖掘研究

• 《HMM相关文章索引》

介绍: HMM相关文章

• 《Zipf’s and Heap’s
  law》

介绍:
1)词频与那个降序排序的干,最出名的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即两边成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对甚高频同异常低频词的勾勒 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上之AMA(Ask Me
Anything)主题，有过多RNN和AI、ML的干货内容，关于开源&思想&方法&建议……耐心看，相信您啊会见受益匪浅.

• 《学术种子网站：AcademicTorrents》

介绍:
成G上T的学问数据，HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简便易行的章程，通过BT软件，RSS订阅各集合即可

• 《机器上相速查表》

介绍: Scikit-Learn官网提供，在老的Cheat
Sheet基础及长了Scikit-Learn相关文档的链接，方便浏览

• 《A Full Hardware Guide to Deep
  Learning》

介绍: 深度上之应有尽有硬件指南，从GPU到RAM、CPU、SSD、PCIe

• 《行人检测(Pedestrian
  Detection)资源》

介绍:Pedestrian Detection paper & data

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

介绍:
【神经科学碰撞人工智能】在脸部识别达到你本身都是专家，即使细微的歧异吗克识别。研究曾证实人类同灵长类动物在脸部加工及不同让外物种，人类用梭状回面孔区（FFA）。Khaligh-Razavi等经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应有尽有组合。

• 《Neural Net in C++
  Tutorial》

介绍:
神经网络C++教程,本文介绍了为此而调节梯度下降与可调节动量法设计与编码经典BP神经网络，网络经过训练可以做出惊人和优良之东西出来。此外作者博客的另外文章为非常科学。

• 《How to Choose a Neural
  Network》

介绍:deeplearning4j官网提供的其实应用场景NN选择参考表，列举了有杰出问题建议以的神经网络

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

介绍:一个纵深上型,提供了Python, C/C++, Java, Scala, Go多个版的代码

• 《Deep Learning
  Tutorials》

介绍:深度上课程

• 《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 Unified Embedding for Face Recognition and
  Clustering》

介绍:Google对Facebook DeepFace的劲回击—— FaceNet，在LFW(Labeled Faces
in the Wild)上达成99.63%准确率(新记录)，FaceNet
embeddings可用来人脸识别、鉴别以及聚类.

• 《MLlib中的Random
  Forests和Boosting》

介绍:本文自Databricks公司网站的同一首博客文章，由Joseph Bradley和Manish
Amde撰写，文章要介绍了Random Forests和Gradient-Boosted
Trees（GBTs）算法和他们在MLlib中的分布式实现，以及显一些粗略的事例并建议该自何方达手.中文版.

• 《Sum-Product Networks(SPN)
  》

介绍:华盛顿大学Pedro Domingos团队的DNN，提供论文与贯彻代码.

• 《Neural Network Dependency
  Parser》

介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford
CoreNLP)，特点是超快、准确，目前可是处理中英文语料，基于《A Fast and
Accurate Dependency Parser Using Neural
Networks》
思路实现.

• 《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逐个阶段的款型，其中的范包含NNLM[Bengio,2003]、Hierarchical
NNLM[Bengio, 2005], Log-Bilinear[Hinton,
2007],SENNA等重要变形，总结的专门好.

• 《Classifying Spam Emails using Text and Readability
  Features》

介绍:经典问题之初钻：利用文本及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)竞赛优越方案源码及文档，包括完整的数处理流程，是读Python数据处理与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）是图像处理及图像分析的钻期刊，每篇文章都蕴涵一个算法和相应的代码、Demo和实验文档。文本及源码是由此了同行评审的。IPOL是开放之正确性与而又的钻期刊。我一直怀念做点类似的劳作，拉近产品和技能之间的距离.

• 《Machine learning classification over encrypted
  data》

介绍:出自MIT，研究加密多少快速分类问题.

• 《purine2》

介绍:新加坡LV实验室之神经网络并行框架Purine: A bi-graph based deep
learning
framework,支持构建各种互动的架构，在多机多卡，同步更新参数的气象下中心达标线性加速。12片Titan
20钟头可以做到Googlenet的教练。

• 《Machine Learning
  Resources》

介绍:这是一个机械上资源库,虽然比较少.但蚊子再小为是肉.有突出部分.此外还有一个由于zheng
Rui整理的机上资源.

• 《Hands-on with machine
  learning》

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

• 《The Natural Language Processing
  Dictionary》

介绍:这是同如约自然语言处理的词典,从1998年起交手上积累了无数的正规词语解释,如果您是一致各项刚刚入门的朋友.可以借这仍词典让投机成长更快.

• 《PageRank Approach to Ranking National Football
  Teams》

介绍:通过分析1930年届今天的交锋数据，用PageRank计算世界杯参赛球队排名榜.

• 《R
  Tutorial》

介绍:R语言教程,此外尚引进一个R语言教程An Introduction to
R.

• 《Fast unfolding of communities in large
  networks》

介绍:经典老文，复杂网络社区意识的便捷算法，Gephi中的[Community
detection](The Louvain method for community detection in large
networks)即因此.

• 《NUML》

介绍: 一个面向 .net
的开源机器上库,github地址

• 《synaptic.Js》

介绍: 支持node.js的JS神经网络库，可每当客户端浏览器被运行，支持LSTM等
github地址

• 《Machine learning for package users with R (1): Decision
  Tree》

介绍: 决策树

• 《Deep Learning, The Curse of Dimensionality, and
  Autoencoders》

介绍:
讨论深度上自动编码器如何有效应对维数灾难,国内翻译

• 《Advanced Optimization and Randomized
  Methods》

介绍: CMU的优化及人身自由方式课程，由A. Smola和S.
Sra主讲，优化理论是机器上的基业，值得深入上
国内云(视频)

• 《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LDA主题抽取.

• 《Deep Learning for Multi-label
  Classification》

介绍: 基于深度上之大多标签分类,用基于RBM的DBN解决多标签分类(特征)问题

• 《Google DeepMind
  publications》

介绍: DeepMind论文集锦

• 《kaldi》

介绍:
一个开源语音识别工具确保,它时托管在sourceforge上面

• 《Data Journalism
  Handbook》

介绍: 免费电子书《数据新闻手册》,
国内产生热心的情侣翻译了中文版,大家吧得在线阅读

• 《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: 深度上卷积概念详解,深入浅出.

• 《pandas: powerful Python data analysis
  toolkit》

介绍: 非常有力的Python的数额解析工具包.

• 《Text Analytics
  2015》

介绍: 2015文件分析(商业)应用综述.

• 《Deep Learning libraries and first experiments with
  Theano》

介绍: 深度上框架、库调研与Theano的起来测试体会报告.

• 《DEEP
  learning》

介绍: MIT的Yoshua Bengio等人提深度上之新书，还不定稿，线达提供Draft
chapters收集报告，超赞！强烈推荐.

• 《simplebayes》

介绍: Python下起源而持久化朴素贝叶斯分类库.

• 《Paracel》

介绍:Paracel is a distributed computational framework designed for
machine learning problems, graph algorithms and scientific computing in
C++.

• 《HanLP:Han Language
  processing》

介绍: 开源汉语言处理包.

• 《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 to Neural
  Networks》

介绍:神经网络黑客入门.

• 《The Open-Source Data Science
  Masters》

介绍:好多多少科学家名人推荐,还有资料.

• 《Text Understanding from
  Scratch》

介绍:实现种曾开源在github上面Crepe

• 《 Improving Distributional Similarity with Lessons Learned from
  Word
  Embeddings》

介绍:作者发现，经过调参，传统的法为能够及word2vec获多的成效。另外，无论作者怎么碰，GloVe都于不过word2vec.

• 《CS224d: Deep Learning for Natural Language
  Processing》

介绍:Stanford深度上及自然语言处理课程,Richard Socher主讲.

• 《Math Essentials in Machine
  Learning》

介绍:机器上中的重中之重数学概念.

• 《Improved Semantic Representations From Tree-Structured Long
  Short-Term Memory
  Networks》

介绍:用于改善语义表示的树型LSTM递归神经网络,句子级相关性判断及情感分类效果挺好.贯彻代码.

• 《Statistical Machine
  Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机械上课程，先编制课程也机械上(10-715)和中间统计学(36-705)，聚焦统计理论和方以机上世界应用.

• 《AM207: Monte Carlo Methods, Stochastic
  Optimization》

介绍:《哈佛大学蒙特卡洛方法及自由优化学科》是哈佛应用数学研究生课程，由V
Kaynig-Fittkau、P
Protopapas主讲，Python程序示例，对贝叶斯推理感兴趣之爱侣一定要是探望，提供授课视频及课上IPN讲义.

• 《生物医学的SPARK大数据以》

介绍:生物医学的SPARK大数目应用.并且伯克利开源了他们之big data
genomics系统ADAM，其他的内容可以关注一下官方主页.

• 《ACL
  Anthology》

介绍:对自然语言处理技术还是机器翻译技术感兴趣之亲们，请于提出好牛逼到无以伦比的idea（自动归纳翻译规律、自动理解语境、自动识别语义等等）之前，请通过谷歌学术简单搜一下，如果谷歌不可用，这个网址有是世界几百般顶会的舆论列表,切不可断章取义,胡乱假设.

• 《Twitter Sentiment Detection via Ensemble Classification Using
  Averaged Confidence
  Scores》

介绍:论文+代码:基于集成方法的Twitter情感分类,落实代码.

• 《NIPS 2014 CIML
  workshop》

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

• 《CS231n: Convolutional Neural Networks for Visual
  Recognition》

介绍:斯坦福的纵深上课程的Projects 每个人且使描绘一个论文级别的报告
里面来一些良有趣的下 大家好看看 .

• 《A Speed Comparison Between Flexible Linear Regression
  Alternatives in
  R》

介绍:R语言线性回归多方案速度较具体方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

• 《Back-to-Basics Weekend Reading – Machine
  Learning》

介绍:文中提到的老三首论文（机器上那些事、无监控聚类综述、监督分类归纳）都生经典，Domnigos的机上课为格外精美

• 《A Probabilistic Theory of Deep
  Learning》

介绍:莱斯大学（Rice University）的吃水上之几率理论.

• 《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.

• 《Deep Learning for Natural Language Processing (without
  Magic)》

介绍:视频+讲义:深度上用于自然语言处理教程(NAACL13).

• 《Introduction to Data Analysis using Machine
  Learning》

介绍:用机器上做多少解析,David Taylor最近以McGill
University研讨会达成的告诉，还提供了同多元讲话机器上方式的ipn，很有价
GitHub.国内

• 《Beyond Short Snippets: 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-Driven Decisions at
  Scale》

介绍:亚马逊以机械上点的有下,代码示例.

• 《Parallel Machine Learning with scikit-learn and
  IPython》

介绍:并行机器学习指南(基于scikit-learn和IPython).notebook

• 《Intro to machine learning with
  scikit-learn》

介绍:DataSchool的机上基本概念教学.

• 《DeepCLn》

介绍:一个冲OpenGL实现的卷积神经网络，支持Linux及Windows系.

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

介绍:基于Mahout和Elasticsearch的推介系统.

• 《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《时先后计量经济学》.

• 《A comparison of open source tools for sentiment
  analysis》

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

• 《Pattern Recognition And Machine
  Learning》

介绍:国内Pattern Recognition And Machine
Learning读书会资源集中,各章pdf讲稿,博客.

• 《Probabilistic Data Structures for Web Analytics and Data Mining
  》

介绍:用于Web分析和数目挖掘的概率数据结构.

• 《Machine learning in navigation devices: detect maneuvers using
  accelerometer and
  gyroscope》

介绍:机器上以导航者的应用.

• 《Neural Networks Demystified
  》

介绍:Neural Networks Demystified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&数据对在线交互教程.

• 《Learning to Read with Recurrent Neural Networks
  》

介绍:关于深度上与RNN的座谈 Sequence to Sequence Learning with Neural
Networks.

• 《深度加深学习（Deep Reinforcement
  Learning）的资源》

介绍:Deep Reinforcement Learning.

• 《Machine Learning with
  Scikit-Learn》

介绍:(PyCon2015)Scikit-Learn机器学习课程,Parallel Machine Learning with
scikit-learn and
IPython.

• 《PDNN》

介绍:PDNN: A Python Toolkit for Deep Learning.

• 《Introduction to Machine
  Learning》

介绍:15年春天学期CMU的机械上课程，由Alex
Smola主讲，提供教科书及教学视频，很不错.境内镜像.

• 《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实现好用而扩大的机器上,境内镜像.

• 《Picture: A Probabilistic Programming Language for Scene
  Perception》

介绍:以往上千实行代码概率编程(语言)实现只需要50行.

• 《Beautiful plotting in R: A ggplot2
  cheatsheet》

介绍:ggplot2速查小册子,此外一个,此外尚援引《A
new data processing workflow for R: dplyr, magrittr, tidyr,
ggplot2》.

• 《Using Structured Events to Predict Stock Price Movement: An
  Empirical
  Investigation》

介绍:用结构化模型来预测实时股票行情.

• 《International Joint Conference on Artificial Intelligence
  Accepted
  paper》

介绍:国际人工智能联合会议引用论文列表,大部分舆论而使Google找到.

• 《Why GEMM is at the heart of deep
  learning》

介绍:一般矩阵乘法(GEMM)对纵深上的重要性性.

• 《Distributed (Deep) Machine Learning
  Common》

介绍:A Community of awesome Distributed Machine Learning C++ projects.

• 《Reinforcement Learning: An
  Introduction》

介绍:免费电子书<强化学习介绍>,第一版(1998),第二版(2015草稿),相关学科资料,Reinforcement
Learning.

• 《Free ebook: Microsoft Azure Essentials: Azure Machine
  Learning》

介绍:免费写:Azure ML使用精要.

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

介绍:A Deep Learning Tutorial: From Perceptrons to Deep Networks.

• 《Machine Learning is Fun! – The world’s easiest introduction to
  Machine
  Learning》

介绍:有趣之机械上：最显入门指南,中文版.

• 《A Brief Overview of Deep
  Learning》

介绍:深度上简明介绍,中文版.

• 《Wormhole》

介绍:Portable, scalable and reliable distributed machine learning.

• 《convnet-benchmarks》

介绍:CNN开源实现横向评测,参评框架包括Caffe 、Torch-7、CuDNN
、cudaconvnet2 、fbfft、Nervana Systems等，NervanaSys表现突出.

• 《This catalogue lists resources developed by faculty and students
  of the Language Technologies
  Institute.》

介绍:卡耐基梅隆大学计算机学院语言技术系的资源全,包括大气底NLP开源软件工具确保，基础数据集，论文集，数据挖掘教程，机器上资源.

• 《Sentiment Analysis on
  Twitter》

介绍:Twitter情感分析工具SentiTweet,视频+讲义.

转载请注明作者Jason Ding及其出处
GitCafe博客主页(http://jasonding1354.gitcafe.io/)
Github博客主页(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
简书主页(http://www.jianshu.com/users/2bd9b48f6ea8/latest\_articles)
百度搜索jasonding1354上我之博客主页