神级厉害人物最新章节,神级厉害人物无弹窗全文阅读 - 八一中文网
& 神级厉害人物最新章节列表
系统布的第一个任务竟然是——跳楼！系统把主角坑了，主角却坑了全世界，坑与被坑，其妙无穷。
各位书友要是觉得《神级厉害人物》还不错的话请不要忘记向您QQ群和微博里的朋友推荐哦！
推荐阅读：
《神级厉害人物》正文首先想到的不应该是Michael Collins吗……&br&&br&Michael Collins (Columbia), Jason Eisner (JHU), David Yarowsky (JHU)三位师兄弟（David & Michael & Jason）均师承于Upenn的Mitchell Marcus教授，也就是著名的Penn Treebank的作者。这三位是NLP界公认的大神，研究领域各有侧重。collins/eisner对NLP结构学习领域贡献极大，yarowsky早年研究词义消歧，是著名的yarowsky algorithm的作者，后来做了很多跨语言学习的开创性工作。&br&&br&Michael Collins的学生中著名的有Terry Koo (Google), Percy Liang (Stanford), Luke Zettlemoyer (UW)；Jason Eisner的得意弟子当首推Noah Smith (CMU-&UW)；David Yarowsky似乎没有什么特别杰出的学生。&br&&br&Stanford NLP掌门Chris Manning，以《统计自然语言处理基础》一书以及Stanford NLP (toolkit) 而闻名。Dan Jurafsky，著有《语音与语言处理》一书，具有深厚的语言学背景。稍微提一下Manning的学生Richard Socher，近几年声名鹊起，在dl4nlp领域风头一时无两，属年轻一代翘楚。&br&&br&UCBerkeley的Dan Klein，早些年在无指导学习领域建树颇多。Percy Liang也是他的学生。&br&UIUC的Dan Roth，Chengxiang Zhai （偏IR）；MIT的Regina Barzilay；哦，当然还有Brown大学的Eugene Charniak大神（Charniak parser），Brown大学也可算是没落的贵族了，和UPenn有点儿相似。&br&&br&欧洲方面，Joakim Nivre (Uppsala University)，代表工作是基于转移的依存句法分析。Philipp Koehn，著名机器翻译开源系统Moses作者，14年加入JHU。&br&&br&当然，在工业界也是NLP群星璀璨。Google有Fernando Pereira坐镇，此外还有Ryan McDonald，Slav Petrov等句法分析领域绕不开的名字；而最近Michael Collins也加入了Google；IBM则有Kenneth Church；提一嘴Tomas Mikolov (Facebook)吧，word2vec作者，虽然他严格意义上并不属于NLP核心圈子，但是不得不说，近两年acl/emnlp近半数文章都给他贡献了citation，能做到这种程度的人极少。&br&&br&以上我提到的人都是对NLP领域有重要基础性贡献并经过时间考验的（citation超过或者接近1W），除了以上提到的，还有很多非常优秀的学者，比如Kevin Knight，Daniel Marcu， Mark Johnson，Eduard Hovy，Chris Callison-Burch，年轻一代的David Chiang，Hal Daume III等。&br&&br&暂时想到的就这些人，水平有限，抛砖引玉。相对而言，虽然华人学者近几年在ACL/EMNLP等顶级会议上占据越来越重要的地位，但是对NLP领域具有重要基础性贡献的学者相对还是很少的。
首先想到的不应该是Michael Collins吗…… Michael Collins (Columbia), Jason Eisner (JHU), David Yarowsky (JHU)三位师兄弟（David & Michael & Jason）均师承于Upenn的Mitchell Marcus教授，也就是著名的Penn Treebank的作者。这三位是NLP界公认的大神…
&img src=&/v2-3ceb18afa2fe_b.jpg& data-rawwidth=&600& data-rawheight=&232& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-3ceb18afa2fe_r.jpg&&&p&PS：本文分析略深，需要一定的RL和GAN的基础。&/p&&p&前两天，Stanford的NLP小组出了一篇神经网络对话生成的论文：&/p&&p&&img src=&/v2-aa57d19befb57d33c1afecd_b.png& data-rawwidth=&2006& data-rawheight=&734& class=&origin_image zh-lightbox-thumb& width=&2006& data-original=&/v2-aa57d19befb57d33c1afecd_r.png&&原文链接：&a href=&/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&7.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&标题就是使用对抗学习来做神经对话生成。&/p&&p&这个idea非常的赞！在我看来是通往图灵测试的正确一步。&/p&&p&以前的对话生成，我们使用Seq2Seq的监督学习，其实也就是模仿学习。但是模仿学习的问题是神经网络的理解能力有限，训练样本有限，只能生成一定程度的对话。&/p&&p&那么，有没有可能让计算机真正理解对话的意思，然后自己学会对话呢？&/p&&p&有了深度增强学习，有了AlphaGo大家可以知道这是可能的。事实上这篇论文的作者Jiwei Li之前的一篇文章就是用深度增强学习来做对话生成。&/p&&p&但是使用深度增强学习最大的问题就是需要有reward。没有reward没法训练。&/p&&p&但是怎么定义一个对话的reward呢？好困难，有太多评价标准。但是有一个标准是绝对的，就是图灵测试的标准。只要这个对话看起来像人说的就行了。&/p&&p&这就不得不联系到了GAN生成对抗网络。把GAN中的分类器用来对对话做分类就行了。这样训练出来的分类器可以一定程度上判断计算机生成的对话与人的对话的差距。而这个&strong&差距就是reward&/strong&！&/p&&p&这篇文章可以说把DRL和GAN的思想很好的结合起来并应用在对话生成问题上，也取得了比较好的效果。相信在这个方法的基础上进一步发展，比如改进网络结构，将对话拓展到段落，更多的训练等等。&strong&也许3-5年图灵测试就真正通过了，而这一次，是机器自己真正学会了交流！&/strong&&/p&&br&&p&&strong&PS：本文同步发于“智能单元”微信公众号，欢迎大家关注，第一时间获取通用人工智能原创资讯！&/strong&&/p&
PS：本文分析略深，需要一定的RL和GAN的基础。前两天，Stanford的NLP小组出了一篇神经网络对话生成的论文：原文链接：标题就是使用对抗学习来做神经对话生成。这个idea非常的赞！在我看来是通往图灵测试的正确一步。以前的对话生成，我…
已有帐号？
无法登录？
社交帐号登录
183 人关注
215 条内容
124 条内容
18925 人关注
811 条内容
455 人关注
372 条内容
209 条内容深度学习/机器学习（33）
算法（15）
最近在学深度学习相关的东西，在网上搜集到了一些不错的资料，现在汇总一下：
Free Online Books
&by Yoshua Bengio, Ian Goodfellow
and Aaron Courville&by Michael Nielsen&by Microsoft Research&by LISA lab, University of Montreal
&by Andrew Ng in Coursera&by Geoffrey Hinton in Coursera&by Hugo Larochelle from Université de Sherbrooke&by CILVR lab @ NYU
Video and Lectures
&By Ray Kurzweil - Is a inspiring talk&By Andrew Ng&By Geoff Hinton&by Yann LeCun&by Yoshua bengio&by Jeff Hawkins&by Adam Coates&By Adam CoatesBy Adam Coates&By Yann LeCun：在Oxford开设的深度学习课程，有全套视频
&- 一个导论性质的文章，让你大致了解深度学习是什么，用来干什么的。&- (Review Article in Nature, May 2015) 三大神 Yann LeCun, Yoshua Bengio, and Geoffrey Hinton的文章，不解释。&- This technical report provides an overview of deep learning and related techniques
with a special focus on developments in recent years. 主要看点是深度学习近两年（）的进展情况。
:斯坦福的官方Tutorial
&Handwritten digits&from street view4.&&&80 Million tiny images6.&&&100 Million Yahoo dataset
Frameworks
2.&&5.&&：Java和Scala写的，能在Hadoop和Spark上应用，功能非常强大
Miscellaneous
&My personal favourite. Also check out&
& ：一个简单的CNN实现（Python）
几个常见应用领域
&- finding and/or identifying specific items in videos or images&- just like it says, cars that drive without humans&- getting computers
to understand human vocal languages&- A free book chapter on many applications of deep learning
几个常用的深度学习代码库
&- 一个开源的可扩展的库，支持Java, Python, Scala, and R
&- Java库，整合了Hadoop和Spark
&- Yangqing Jia读研究生的时候开发的，现在还是由Berkeley维护。
&- 最流行的Python库
&- 紧跟深度学习的新闻、研究进展和相关的创业项目。
CV和NLP方面的应用（左边的链接是论文，右边的是代码）
最后一定得推荐这个Github：
（篇目一是机器学习的资料汇总，篇目二是深度学习的汇总，并且在不断更新中）
介绍:使用卷积神经网络的图像缩放.
介绍:ICML2015 论文集,优化4个+稀疏优化1个；强化学习4个，深度学习3个+深度学习计算1个；贝叶斯非参、高斯过程和学习理论3个；还有计算广告和社会选择..
介绍:使用卷积神经网络的图像缩放.
介绍:，第28届IEEE计算机视觉与模式识别(CVPR)大会在美国波士顿举行。微软研究员们在大会上展示了比以往更快更准的计算机视觉图像分类新模型，并介绍了如何使用Kinect等传感器实现在动态或低光环境的快速大规模3D扫描技术.
介绍:(文本)机器学习可视化分析工具.
介绍:机器学习工具包/库的综述/比较.
介绍:数据可视化最佳实践指南.
介绍:、、、、.
介绍:深度学习之“深”——DNN的隐喻分析.
介绍:混合密度网络.
介绍:数据科学家职位面试题.
介绍:准确评估模型预测误差.
介绍:Continually updated Data Science Python Notebooks.
介绍:How to share data with a statistician.
介绍:来自Facebook的图像自动生成.
介绍:How to share data with a statistician.
介绍:(Google)神经(感知)会话模型.
介绍:The 50 Best Masters in Data Science.
介绍:NLP常用信息资源.
介绍:语义图像分割的实况,通过深度学习技术和概率图模型的语义图像分割.
介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,.
介绍:深度学习——成长的烦恼.
介绍:基于三元树方法的文本流聚类.
介绍:Free Ebook:数据挖掘基础及最新进展.
介绍:深度学习革命.
介绍:数据科学(实践)权威指南.
介绍:37G的微软学术图谱数据集.
介绍:生产环境(产品级)机器学习的机遇与挑战.
介绍:神经网络入门.
介绍:来自麻省理工的结构化稀疏论文.
介绍:来自雅虎的机器学习小组关于在线Boosting的论文 .
介绍:20个最热门的开源(Python)机器学习项目.
介绍:C++并行贝叶斯推理统计库QUESO,.
介绍:Nature:LeCun/Bengio/Hinton的最新文章《深度学习》,Jürgen Schmidhuber的最新评论文章.
介绍:基于Scikit-Learn的预测分析服务框架Palladium.
介绍:John Langford和Hal Daume III在ICML2015上关于Learning to Search的教学讲座幻灯片.
介绍:读完这100篇论文 就能成大数据高手,.
介绍:NLP课程《社交媒体与文本分析》精选阅读列表.
介绍:写给开发者的机器学习指南.
介绍:基于维基百科的热点新闻发现.
介绍:(Harvard)HIPS将发布可扩展/自动调参贝叶斯推理神经网络.
介绍:面向上下文感知查询建议的层次递归编解码器.
介绍:GPU上基于Mean-for-Mode估计的高效LDA训练.
介绍:从实验室到工厂——构建机器学习生产架构.
介绍:适合做数据挖掘的6个经典数据集(及另外100个列表).
介绍:Google面向机器视觉的深度学习.
介绍:构建预测类应用时如何选择机器学习API.
介绍:Python+情感分析API实现故事情节(曲线)分析.
介绍:(R)基于Twitter/情感分析的口碑电影推荐,此外推荐.
介绍:CMU(ACL +页)面向NLP基于图的半监督学习算法.
介绍:从贝叶斯分析NIPS，看同行评审的意义.
介绍:(RLDM 2015)计算强化学习入门.
介绍:David Silver的深度强化学习教程.
介绍:深度神经网络的可解释性.
介绍:Spark快速入门.
介绍:TalkingMachines:面向体育/政治和实时预测的机器学习.
介绍:Stanford社交网络与信息网络分析课程++.
介绍:David Silver(DeeMind)的强化学习课程,.
介绍:基于Theano/GPU的高效深度学习.
介绍:来自微软的.
介绍:(Go)情感分析API服务Sentiment Server.
介绍:受限波尔兹曼机初学者指南.
介绍:Nvidia深度学习课程.
介绍:2015年深度学习暑期课程，推荐.
介绍:这是一篇关于百度文章的摘要,建议两篇文章结合起来阅读.
介绍:视频标注中的机器学习技术.
介绍:博士论文:(Ilya Sutskever)RNN训练.
介绍:深度神经网络的灰色区域：可解释性问题，.
介绍:Golang 实现的机器学习库资源汇总.
介绍:深度学习的统计分析.
介绍:面向NLP的深度学习技术与技巧.
介绍:Kaggle's CrowdFlower竞赛NLP代码集锦.
介绍:斯坦福的自然语言理解课程.
介绍:Deep Learning与Shallow Learning 介绍
介绍:这是一本机器学习的电子书,作者先生在机器学习教学上面有着丰富的经验,这本书小但精致.
介绍:由荷兰阿姆斯特丹大学 & 谷歌瑞士著.
介绍:介绍个乐于总结和翻译机器学习和计算机视觉类资料的博客,包含的内容：Hinton的CSC321课程的总结；Deep Learning综述；Notes on CNN的总结；python的原理总结；Theano基础知识和练习总结；CUDA原理和编程；OpenCV一些总结.
介绍:针对具体问题(应用场景)如何选择机器学习算法(系列).
介绍:数据科学免费书分类集合
介绍:深度学习在语音合成最新进展有哪些？推荐MSRA的Frank Soong老师关于语音合成的深度学习方法的录像和幻灯片与以及谷歌的LSTM-RNN合成,
介绍:新书(可免费下载):数据科学的艺术
介绍:模式识别与机器学习书籍推荐,本书是微软剑桥研究院大神Bishop所写，算是最为广为认知的机器学习教材之一，内容覆盖全面，难度中上，适合研究生&or&
介绍:数据可视化介绍(23页袖珍小册子)
介绍:这篇论文荣获EMNLP2015的最佳数据/资源奖优秀奖,
介绍:作者在深度学习的思考.
介绍:数据可视化常用工具软件资源汇总
介绍:Buffalo大学教授Sargur Srihari的“机器学习和概率图模型”的视频课程
介绍:耶路撒冷希伯来大学教授Shai Shalev-Shwartz和滑铁卢大学教授Shai Ben-David的新书Understanding Machine Learning: From Theory to Algorithms,此书写的比较偏理论，适合对机器学习理论有兴趣的同学选读
介绍:机器学习学习清单
介绍:知乎上面的一篇关于NLP界有哪些神级人物？提问。首推Michael Collins&
介绍:机器学习与NLP专家、MonkeyLearn联合创始人&CEO Raúl Garreta面向初学者大体概括使用机器学习过程中的重要概念，应用程序和挑战，旨在让读者能够继续探寻机器学习知识。
介绍:(IPN)基于Scikit-Learn的GBRT(Gradient Boost Regression Tree)教程，
介绍: 无需做深度学习就能用的分布式深度学习软件.
介绍: 在亚马逊数据和众包Mechanical Turk上，实现了来自彩票和拍卖的机制，以收集用户对产品的乐意购买价格（WTP，willingness-to-pay）训练集。 E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15] 回归模型预测未知WTP，提升卖家利润和消费者满意度
介绍:来自伯克利分校的大规模机器学习.
介绍:来自52ml的机器学习资料大汇总.
介绍:这本书的作是2013年世界首个数据科学院（位于哥伦比亚大学）主任，她亦是ACL、AAAI和ACM Fellow .
介绍:EMNLP-15文本摘要若干.
介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @ CMU上长达4小时的报告，共248页，是对推荐系统发展的一次全面综述，其中还包括Netflix在个性化推荐方面的一些经验介绍.
介绍:(ECML PKDD 2015)大数据流挖掘教程,此外推荐.
介绍:Spark上的深度学习框架Elephas.
介绍:Surya Ganguli深度学习统计物理学.
介绍:(系统/算法/机器学习/深度学习/图模型/优化/...)在线视频课程列表.
介绍:(PyTexas 2015)Python主题建模.
介绍:Hadoop集群上的大规模分布式机器学习.
介绍:基于LinkedIn数据得出的深度学习热门&东家&排行.
介绍:(c++)神经网络手把手实现教程.
介绍:香港中文大学汤晓鸥教授实验室公布的大型人脸识别数据集： Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人，202K 脸部图像，每个图像40余标注属性.
介绍:面向机器视觉的无监督特征学习,.
介绍:谷歌研究院Samy Bengio等人最近写的RNN的Scheduled Sampling训练方法论文.
介绍:机器学习基本算法简要入门.
介绍:Github机器学习/数学/统计/可视化/深度学习相关项目大列表.
介绍:CMU的信息论课程.
介绍:谷歌研究院等人最近写的RNN的Scheduled Sampling训练方法论文.
介绍:基于Hadoop集群的大规模分布式深度学习.
介绍:来自斯坦福大学及NVIDIA的工作，很实在很实用。采用裁剪网络连接及重训练方法，可大幅度减少CNN模型参数。针对AlexNet、VGG等模型及ImageNet数据，不损失识别精度情况下，模型参数可大幅度减少9-13倍.
介绍:无需做深度学习就能用的分布式深度学习软件,.
介绍:当今世界最NB的25位大数据科学家,通过他们的名字然后放在google中搜索肯定能找到很多很棒的资源.
介绍:Nils Reimers面向NLP的深度学习(Theano/Lasagne)系列教程.
介绍:主讲人是,资料,.
介绍:数据科学(学习)资源列表.
介绍:应对非均衡数据集分类问题的八大策略.
介绍:重点推荐的20个数据科学相关课程.
介绍:递归神经网络.
介绍:(HOG)学习笔记.
介绍:计算建模/计算神经学课程汇总.
介绍:(Yelp)基于深度学习的商业图片分类.
介绍:免费在线书《Neural Networks and Deep Learning》神经网络与深度学习。目前提供了前四章的草稿，通过手写数字识别的例子介绍NN，第二章讲反向传播算法，第三章讲反向传播算法的优化，第四章讲NN为什么能拟合任意函数。大量python代码例子和交互动画，生动有趣.
介绍:数据科学大咖荐书(入门).
介绍:NLP 深度学习资源列表.
介绍:很多arXiv上面知名论文可以在这个网站找到github的项目链接.
介绍:深度学习在视觉跟踪的探索.
介绍:Spark机器学习入门实例——大数据集(30+g)二分类.
介绍:保罗艾伦人工智能实验室表示，Google Scholar是十年前的产物，他们现在想要做进一步的提高。于是推出了全新的，专门针对科学家设计的学术搜索引擎Semantic Scholar.
介绍:半监督学习,Chapelle.篇篇都是经典,作者包括Vapnik,Bengio,Lafferty,Jordan.此外推荐编写的.
介绍:Spark机器学习入门实例——大数据集(30+g)二分类.
介绍:为入门者准备的深度学习与神经网络免费资源.
介绍:Google 开源最新机器学习系统 TensorFlow,此外提供TensorFlow白皮书.,
介绍:三星开源的快速深度学习应用程序开发分布式平台.
介绍:分布式机器学习工具包.
介绍:语义大数据——大数据/事件处理的语义方法.
介绍:LSTM(Long Short Term Memory)和RNN(Recurrent)学习教程.
介绍:Princeton Vision Group的深度学习库开源.
介绍:基于AWS的自动分布式科学计算库Ufora,.
介绍:(PyCon SE 2015)深度学习与深度数据科学.
介绍:推荐南京大学机器学习与数据挖掘研究所所长——周志华教授的Google学术主页.
介绍:免费书:面向数据科学的高级线性模型.
介绍:基于知识迁移的神经网络高效训练Net2Net.
介绍:徐亦达机器学习课程 Variational Inference.
介绍:深度神经网络结构学习.
介绍:来自斯坦福大学的Multimodal Deep Learning papers.
介绍:深度学习简析,TensorFlow,Torch,Theano,.
介绍:这个专栏是一个stanford学生做的CS183c课程的一个note，该课程是由Reid Hoffman等互联网boss级人物开设的，每节课请一位巨头公司的相关负责人来做访谈，讲述该公司是怎么scale的。最新两期分别请到了雅虎的梅姐和airbnb创始人Brian Chesky。.
介绍:基于分布式表示的自然语言理解(100+页),.
介绍:推荐系统手册.
介绍:理解LSTM网络.
介绍:机器学习在quora中的应用.
介绍:思维学习——RL+RNN算法信息论.
介绍:数据科学家毕业后继续学习的5种方式.
介绍:深度学习在神经网络的应用.
介绍:上下文学习,.
介绍:机器学习零基础入门,.
介绍:2015年度CCF优秀博士学位论文奖论文列表.
介绍:Learning to Hash Paper, Code and Dataset.
介绍:(PyData2015)基于Theano/Lasagne的CNN/RNN教程,.
介绍:复旦大学老师编写的神经网络与深度学习讲义,.
介绍:微软亚洲研究院开源分布式机器学习工具包.
介绍:语音识别的技术原理浅析
介绍:迈克尔·I.乔丹的主页.根据主页可以找到很多资源。迈克尔·I.乔丹是知名的计算机科学和统计学学者，主要研究机器学习和人工智能。他的重要贡献包括指出了机器学习与统计学之间的联系，并推动机器学习界广泛认识到贝叶斯网络的重要性。
介绍:杰弗里·埃弗里斯特·辛顿 FRS是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一，也是深度学习的积极推动者.通过他的主页可以发掘到很多Paper以及优秀学生的paper,此外推荐他的学生主页
介绍:Yoshua Bengio是机器学习方向的牛人,如果你不知道可以阅读,
介绍:google大规模深度学习应用演进
介绍:MIT出版的深度学习电子书,公开电子书
介绍:深度卷积神经网络(CNN)提取特征的数学理论
介绍:推荐微软亚洲研究院何恺明主页
介绍:《语音与语言处理》第三版(草稿)
介绍:Stanford新课&计算词汇语义学&
介绍:上海交大张志华老师的统计机器学习与机器学习导论视频密码: r9ak .
介绍:computational linguistics and deep learning,推荐
介绍:(BlackHat2015)深度学习应用之流量鉴别(协议鉴别/异常检测),[slide])()
介绍:一个推荐系统的Java库
介绍:多中心图的谱分解及其在网络入侵检测中的应用(MC-GPCA&MC-GDL)
介绍:用Python学计算统计学
介绍:datumbox-framework——Java的开源机器学习框架，该框架重点是提供大量的机器学习算法和统计检验，并能够处理中小规模的数据集
介绍:递归神经网络awesome系列,涵盖了书籍,项目,paper等
介绍:Pedro Domingos是华盛顿大学的教授,主要研究方向是机器学习与数据挖掘.在2015年的ACM webinar会议,曾发表了关于主题演讲.他的个人主页拥有很多相关研究的paper以及他的教授课程.
介绍:机器学习视频集锦
介绍:深度机器学习库与框架
介绍:这篇文章内的推荐系统资源很丰富,作者很有心,摘录了《推荐系统实战》内引用的论文.
介绍:(天文学)贝叶斯方法/MCMC教程——统计实战
介绍:免费书:统计稀疏学习,作者与都是斯坦福大学的教授,Trevor Hastie更是在统计学学习上建树很多
介绍:R分布式计算的进化,此外推荐,
介绍:Nervana Systems在的主题研讨会——情感分析与深度强化学习
介绍:深度学习卷积概念详解.
介绍:Python推荐系统开发库汇总.
介绍:超棒的神经网络课程，深入浅出介绍深度学习，由Hugo Larochelle（Yoshua Bengio的博士生，Geoffrey Hinton之前的博士后）主讲，强烈推荐.
介绍:斯坦福新课程,面向视觉识别的卷积神经网络(Fei-Fei Li & Andrej Karpathy),,.
介绍:NIPS 2015会议总结第一部分,.
介绍:python机器学习入门资料梳理.
介绍:牛津大学著名视觉几何组VGG在IJCV16年首卷首期: Reading Text in the Wild with Convolutional Neural Networks,Jaderberg。这篇期刊文章融合了之前两篇会议(ECCV14,NIPS14ws)，定位和识别图片中的文本(叫text spotting)。 端到端系统: 检测Region + 识别CNN。论文、数据和代码.
介绍:计算机视觉的一个较大的数据集索引, 包含387个标签，共收录了314个数据集合，点击标签云就可以找到自己需要的库了.
介绍:Tombone 对 ICCV SLAM workshop 的总结： the future of SLAM, SLAM vs deep learning 重点介绍了 monoSLAM 和 LSD-SLAM，而且讨论了 feature-based 和 feature-free method 的长短。在全民deep learning做visual perception的时候，再来读读CV中的 geometry.
介绍:Nervana Systems的开源深度学习框架neon发布.
介绍:ICCV 2015的ImageNet比赛以及MS COCO竞赛联合研讨会的幻灯片和视频.
介绍:Python机器学习入门.
介绍:Neural Enquirer 第二版.
介绍:[Google]基于TensorFlow的深度学习/机器学习课程.
介绍:R-bloggers网站2015&必读&的100篇文章,R语言学习的福音.
介绍:推荐书籍:&机器学习：概率视角&,样章.
介绍:这是一本在线的深度学习书籍,合著者有Ian Goodfellow, Yoshua Bengio 和 Aaron Courville.如果你是一位新入门的学员可以先看这本书籍
介绍:UFLDL推荐的深度学习阅读列表.
介绍:纽约州立大学布法罗分校2015年春季机器学习课程主页.
介绍: Theano是主流的深度学习Python库之一，亦支持GPU,入门比较难.推荐,
介绍:博士论文:神经网络统计语言模型.
介绍:用RNN预测像素，可以把被遮挡的图片补充完整.
介绍:微软研究院把其深度学习工具包CNTK,想进一步了解和学习CNTK的同学可以看前几天公布的《CNTK白皮书》.
介绍: 卡尔曼滤波器教材，用尽量少的数学和推导，传授直觉和经验，全部Python示例，内容覆盖卡尔曼滤波器、扩展卡尔曼滤波，无迹卡尔曼滤波等，包括练习和参考答案
介绍:在线免费书:面向数据科学的统计推断，R示例代码，很不错.
介绍:这本书是由Yoshua Bengio撰写的教程,其内容包含了学习人工智能所使用的深度学习架构的学习资源,书中的项目已停止更新.
介绍:这是一份机器学习和深度学习教程，文章和资源的清单。这张清单根据各个主题进行撰写，包括了许多与深度学习有关的类别、计算机视觉、加强学习以及各种架构.
介绍:这是由Donne Martin策划收集的IPython笔记本。话题涵盖大数据、Hadoop、scikit-learn和科学Python堆栈以及很多其他方面的内容。至于深度学习，像是TensorFlow、Theano和Caffe之类的框架也均被涵盖其中，当然还有相关的特定构架和概念等.
介绍:开源的深度学习服务,DeepDetect是C++实现的基于外部机器学习/深度学习库（目前是Caffe）的API。给出了图片训练（ILSVRC）和文本训练（基于字的情感分析，NIPS15）的样例，以及根据图片标签索引到ElasticSearch中.
介绍:这是国外的一个科技频道,涵盖了数据挖掘,分析以及数据科学类的文章.偶尔还有机器学习精选.
介绍:经典论文:数据挖掘与统计学.
介绍:NIPS’2015 Tutorial by Yoshua Bengio.
介绍:Nervana Systems的开源深度学习框架neon发布.
介绍:犹他州大学Matt Might教授推荐的研究生阅读清单.
介绍:开放数据集.
介绍:(edX)不确定性的科学——概率论导论(MITx).
介绍:R语言开发常用软件/工具推荐.
介绍:动态记忆网络实现.
介绍:50个大数据分析最佳学习资源(课程、博客、教程等)
介绍:深度学习的全面硬件指南，从GPU到RAM、CPU、SSD、PCIe,
介绍:kaiming开源作品
介绍:自然语言处理(NLP)权威指南
介绍:如何在社会媒体上做语言检测？没有数据怎么办？推特官方公布了一个十分难得的数据集：12万标注过的Tweets，有70种语言
介绍:深度学习和机器学习重要会议ICLR 2016录取文章
介绍:机器学习——深度非技术指南
介绍:数据叙事入门指南——创意生成/数据采集/内容设计相关资源推荐
介绍:WikiTableQuestions——复杂真实问答数据集
介绍:(2016版)35个超棒的免费大数据源
介绍:Ion Stoica和 Michael I. Jordan两位大家首次联手发文，CAFFE和SPARK完美结合，分布式深度学习混搭模式！
介绍:深度学习(分类)文献集
介绍:深度学习阅读列表
介绍:探索R包的好网站Awesome 42
介绍:MLbase是的一个研究项目，MLbase是一个分布式机器学习管理系统
介绍:分布式深度学习平台介绍
介绍:Spark视频集锦
介绍:R语言深度学习第一节:从零开始
介绍:图解机器学习
介绍:AMiner论文引用数据集(v7:2,244,021 papers and 4,354,534 citation relationships)
介绍:10本最佳机器学习免费书
介绍:ICCV15视频集
介绍::(Yahoo)基于Hadoop/Spark的分布式Caffe实现CaffeOnSpark
介绍:Learning to Rank简介
介绍:全球深度学习专家列表,涵盖研究者主页
介绍:论文集
介绍:深入机器学习,,,
介绍:在 Oxford 开设的深度学习课程,,Google DeepMind的研究科学家,此外的内容也很丰富,如果你是做机器视觉方面的研究,推荐也看看其他内容.肯定收获也不小.还有,这位顶过的视频也很有份量
介绍:Geoffrey Hinton在Coursera开设的MOOC
介绍:深度学习领域的Hacker news.紧跟深度学习的新闻、研究进展和相关的创业项目。从事机器学习,深度学习领域的朋友建议每天看一看
介绍:Maxout网络剖析
介绍:NIPS领域的会议paper集锦
介绍:机器学习在生物工程领域的应用,如果你从事生物工程领域,可以先阅读一篇文章
介绍:深度学习在生物信息学领域的应用
介绍:一些关于机器学习需要知道知识,对于刚刚入门机器学习的同学应该读一读
介绍:剑桥大学机器学习用户组主页,网罗了剑桥大学一些机器学习领域专家与新闻
介绍:的一些数据分析与机器学习项目库,是学习实践的好材料
介绍:Golang机器学习库,简单,易扩展
介绍:用Swift开发苹果应用的倒是很多，而用来做机器学习的就比较少了.Swift Ai在这方面做了很多聚集.可以看看
介绍:如何向一位5岁的小朋友解释支持向量机(SVM)
介绍: reddit的机器学习栏目
介绍: 计算机视觉领域的一些牛人博客，超有实力的研究机构等的网站链接.做计算机视觉方向的朋友建议多关注里面的资源
介绍:香港中文大学深度学习研究主页,此外研究小组对做了整理,其中useful links的内容很受益
介绍: 这是一篇关于搜索引擎的博士论文,对现在普遍使用的搜索引擎google，bing等做了分析.对于做搜索类产品的很有技术参考价值
介绍: 深度学习书籍推荐(毕竟这类书比较少).
介绍: 深度学习书籍推荐(毕竟这类书比较少).
介绍: 贝叶斯定理在深度学习方面的研究论文.
介绍: 来自谷歌大脑的重温分布式梯度下降.同时推荐
介绍: 社交计算研究相关问题综述.
介绍: 社交计算应用领域概览,里面有些经典论文推荐
介绍: 协同过滤在推荐系统应用.
介绍: 协同过滤在内容推荐的研究.
介绍: 协同过滤经典论文.
介绍: 协同过滤算法.
介绍: 亚马逊对于协同过滤算法应用.
介绍: 协同过滤的隐式反馈数据集处理.
介绍: 计算机图形，几何等论文，教程，代码.做计算机图形的推荐收藏.
介绍: 推荐哥伦比亚大学课程，稀疏表示和高维几何.12年由Elsevier、13年至今由PAMI(仍由Elsevier赞助)设立的青年研究者奖(Young Researcher Award)授予完成博士学位后七年内取得杰出贡献的；由CV社区提名，在CVPR会议上宣布。2015年得主是哥大助理教授John Wright，09年引用已超5K.
介绍: CMU机器学习系著名教授Alex Smola在Quora对于《程序员如何学习Machine Learning》的建议：Alex推荐了不少关于线性代数、优化、系统、和统计领域的经典教材和资料.
介绍: 书籍推荐,深度学习基础.
介绍: 软件工程领域现在也对机器学习和自然语言处理很感兴趣，有人推出了“大代码”的概念，分享了不少代码集合，并且觉得ML可以用在预测代码Bug，预测软件行为，自动写新代码等任务上。大代码数据集下载
介绍: 深度学习进行目标识别的资源列表：包括RNN、MultiBox、SPP-Net、DeepID-Net、Fast R-CNN、DeepBox、MR-CNN、Faster R-CNN、YOLO、DenseBox、SSD、Inside-Outside Net、G-CNN
介绍: Yann LeCun 2016深度学习课程的幻灯片（Deep Learning Course by Yann LeCun at Collège de France 2016）密码: cwsm&
介绍: 斯坦福人机交互组五篇CHI16文章。1.众包激励机制的行为经济学研究：批量结算比单任务的完成率高。2.在众包专家和新手间建立联系：微实习。3.词嵌入结合众包验证的词汇主题分类（如猫、狗属于宠物）。4.词嵌入结合目标识别的活动预测。5.鼓励出错以加快众包速度。
介绍: 自学数据科学
介绍: 本课是一节介绍TensorFlow课程，,
介绍: Leaf是一款机器学习的开源框架，专为黑客打造，而非为科学家而作。它用Rust开发，传统的机器学习，现今的深度学习通吃。
介绍:&视频，MXnet的手把手深度学习tutorial,相关参考资料
介绍: OpenAI Gym：开发、比较强化学习算法工具箱
介绍: 机器学习会议ICLR 2016 论文的代码集合
介绍: 此书是斯坦福大学概率图模型大牛Daphne Koller所写，主要涉及的是贝叶斯网络和马尔科夫逻辑网络的learning和inference问题，同时又对PGM有深刻的理论解释，是学习概率图模型必看的书籍。难度中上，适合有一些ML基础的研究生.
介绍: 此书是剑桥大学著名信息论专家David MacKay所写，出发角度与很多机器学习的书籍都不一样，inference和MCMC那章写的最好，难度中。适合研究生和本科生。
介绍: 非常好的Convex Optimization教材，覆盖了各种constrained和unconstrained optimization方法，介绍了convex优化的基本概念和理论。难度中，适合对优化和机器学习有一定基础的人群
介绍: 本书是CMU机器学习系主任Mitchell早年写的机器学习教科书，年代有点久远.难度不高。适合初学者，本科生，研究生
介绍: 本书设计学习Kernel和SVM的各种理论基础，需要较强的数学功底，适合对kernel和SVM感兴趣的同学选读，参考
介绍: 斯坦福统计系三位大神的统计学习教科书，偏统计和学习理论，需要对线性代数、统计和概率论有一定基础、难度高、适合研究生
介绍: 本书是著名机器学习工具Weka作者撰写的应用机器学习指导书、非常实用、难度低、适合文科和各种应用科学做参考
介绍: 本书也是一本比较受欢迎的NLP教科书，难度一般，主要覆盖统计NLP方法，是斯坦福的另一位大牛Chirs manning所写
介绍: 在北美NLP最常用的教材，斯坦福Jurafsky所写的自然语言处理入门教程，覆盖面较为全面，难度中低。适合本科生和研究生
介绍: 实战型教程，著名工具NLTK作者的著作，适合本科生和入门者边动手边学
参考文献：
<span style="color:#.深度学习阅读清单：/t/topic/245
<span style="color:#.深度学习如何入门：/question//answer/
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：30638次
排名：千里之外
原创：11篇
转载：26篇
(2)(2)(8)(10)(12)(8)}