上学总是浅尝辄止?因为您遇上了平台期

知乎上收看一个题目:为什么有人当学新截效率惊人,而于了了入门级之后兴趣以及上能力且快下滑?

机上(Machine Learning)&深度上(Deep Learning)资料(Chapter 1)

思同一相思我为一度发现此情景出现在自己之身上,也举行了一些询问,所以总如下:

注:机器上材料篇目一共500条,篇目二启更新

回答是:卿是浅尝辄止型的丁。

企转载的恋人,你可以不要联系我.但是必然要是保留原文链接,因为是路还在此起彼伏为于不定期更新.希望见到文章的意中人能模拟到再也多.此外:某些材料在华夏拜访需要梯子.
  • 《Brief History of Machine
    Learning》

介绍:这是如出一辙首介绍机器上历史之章,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.

  • 《Deep Learning in Neural Networks: An
    Overview》

介绍:这是瑞士人造智能实验室Jurgen
Schmidhuber写的新颖版本《神经网络与深度上综述》本综述的特性是盖时间排序,从1940年初始讲话起,到60-80年代,80-90年间,一直讲到2000年后以及近年来几年之拓展。涵盖了deep
learning里各种tricks,引用非常全面.

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

介绍:这是一致卖python机器上库,如果你是平等个python工程师而且想深入之念机器学习.那么就篇稿子或能帮到你.

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

介绍:这无异首介绍如果规划以及保管属于你协调之机上型之篇章,里面提供了管住模版、数据管理及履行方法.

  • 《Machine Learning is
    Fun!》

介绍:如果您还非理解呀是机械上,或则是刚刚上感觉到死枯燥乏味。那么推荐一朗诵。这首文章已让翻成中文,如果生趣味可以倒http://blog.jobbole.com/67616/

  • 《R语言参考卡片》

介绍:R语言是机器上之首要语言,有很多底朋友想深造R语言,但是连忘记一些函数和第一字之含义。那么这首文章或能够拉及您

  • 《Choosing a Machine Learning
    Classifier》

介绍:我欠怎么选择机器上算法,这首文章于直观的比了Naive
Bayes,Logistic
Regression,SVM,决策树等办法的优劣,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已翻了之本子: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,作者对例子的抉择、理论的介绍都不行到位,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>这是平据机器上的小册子,
短短300基本上页道尽机器学习之方方面面. 图文并茂, 生动易懂,
没有一样垛坨公式的烦恼. 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:作者是根源百度,不过他自个儿现已于2014年4月份申请离职了。但是就篇稿子很是如果你免知道深度上和支持为量机/统计上理论出啊关系?那么应该立即看看这篇文章.

  • 《计算机科学中之数学》

介绍:这本书是出于谷歌公司与MIT共同出品的微处理器是中之数学:[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

  • 《信息时代的微处理器科学理论(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:这是相同以由雪城大学新编的次本子《数据是入门》教材:偏实用型,浅显易懂,适合想读R语言的同桌选读。

  • 《Twenty Questions for Donald
    Knuth》

介绍:这并无是平等篇文档或书籍。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只问题,内容连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:不见面统计怎么惩罚?不清楚怎么抉择相当的统计模型怎么收拾?那立首文章你的漂亮读一读了麻省理工Joshua
B. Tenenbaum和剑桥Zoubin Ghahramani合作,写了同一首关于automatic
statistician的章。可以自行选择回归模型类别,还能够自行写报告…

  • 《ICLR
    2014论文集》

介绍:对纵深上和representation learning最新进展产生趣味的同学可以了解一下

  • 《Introduction to Information
    Retrieval》

介绍:这是千篇一律随信息寻找相关的书籍,是出于斯坦福Manning以及谷歌副总裁Raghavan等合著的Introduction
to Information
Retrieval一直是北美最被欢迎的信息搜索教材之一。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摆放好的觊觎来解释机器上重点概念: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.很清楚

  • 《雅虎研究院的数量集汇总》

介绍:雅虎研究院的数码集汇总:
包括语言类数据,图和团交类数据,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。

  • 《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,并且于2014年元月已开盘: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资料汇集是独占为机械上新家推荐的上乘学习资源,帮助新家快速入门。而且就首稿子的牵线都深受翻译成中文版。如果您有点熟悉,那么自己提议你先押一样拘禁中文的牵线。

  • My deep learning reading
    list

介绍:主要是挨Bengio的PAMI
review的文章找出来的。包括几按照综述文章,将近100篇论文,各位山头们的Presentation。全部都得以于google上找到。

  • Cross-Language Information
    Retrieval

介绍:这是同样本图书,主要介绍的凡跨语言信息寻找方面的学识。理论很多

  • 探讨推荐引擎内部的密,第 1 片段:
    推荐引擎初探

介绍:本文共有三只密密麻麻,作者是出自IBM的工程师。它根本介绍了引进引擎相关算法,并支援读者很快的贯彻这些算法。
探讨推荐引擎内部的心腹,第 2 有些: 深度推荐引擎相关算法 –
协同过滤,探究推荐引擎内部的密,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相关助手教授David
Mimno写的《对机械上新师的一点提议》,
写的不可开交实在,强调实行以及理论做,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目

介绍:这是如出一辙论关于分布式并行处理的数据《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”是呀?》

介绍:【“机器上”是呀?】John
Platt是微软研究院独立科学家,17年来他直接在机械上世界耕耘。近年来机器上变得炙手可热,Platt和同事等遂决定设立博客,向民众介绍机器上的研究进展。机器上是啊,被使用在哪?来拘禁Platt的当下首博文

  • 《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)已经为6月21-26日当江山议会着力热闹举办。本次大会由微软亚洲研究院暨清华大学同步主办,是其一有30大多年历史并著名世界之机械上园地的盛会首不行到中国,已成功掀起全世界1200几近号学者的申请参与。干货很多,值得深入学下

  • 《Machine Learning for Industry: A Case
    Study》

介绍:这篇稿子要是为Learning to
Rank为条例说明企业界机器上之有血有肉以,RankNet对NDCG之类不灵活,加入NDCG因素后变成了LambdaRank,同样的构思从神经网络改吗用到Boosted
Tree模型就成功了LambdaMART。Chirs
Burges,微软的机上大神,Yahoo
2010 Learning to Rank
Challenge第一誉为得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文呢:
From RankNet to LambdaRank to LambdaMART: An
Overview
此外,Burges还有不少名牌的代表作,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:本课程将阐述无监督特征上与深上之机要意见。通过学习,你啊用贯彻多独效益学/深度上算法,能见到它啊你工作,并就学怎么下/适应这些想法到新题材及。本课程假定机器上的基本知识(特别是习的监督上,逻辑回归,梯度下降之想法),如果你切莫熟识这些想法,我们建议您去这里机械上课程,并优先形成第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。如果用了知道,需要一定的机器上基础。不过有些地方会给丁面前同样亮,茅塞顿开。

  • Understanding
    Convolutions

介绍:这是同等篇介绍图像卷积运算的篇章,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,主要涉及机械上,大数目解析,并行计算以及人脑研究。https://www.youtube.com/user/smolix
(需翻墙)

  • 《Awesome Machine
    Learning》

介绍:一个至上完整的机械上开源库总结,如果你以为是碉堡了,那背后是列表会另行于您怪:【Awesome
Awesomeness】,国内已发出热情的对象进行了翻译汉语介绍,机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、斯坦福大学计算机系Chris
Manning教授的《自然语言处理》课程有视频已经可以在斯坦福明课网站上看出了(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:神经网络的免费在线书,已经勾勒了三章了,还有相应之开源代码:https://github.com/mnielsen/neural-networks-and-deep-learning
爱好者的教义。

  • 《Java Machine
    Learning》

介绍:Java机器上有关平台跟开源的机上库,按照大数额、NLP、计算机视觉与Deep
Learning分类开展了整治。看起很全的,Java爱好者值得珍藏。

  • 《Machine Learning Theory: An Introductory
    Primer》

介绍:机器上最好基本的入门文章,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。很多时节困惑人们还是,很多算法是同近乎算法,而稍算法又是打外算法中延长出的。这里,我们由区区只地方来受大家介绍,第一个点是读书的法子,第二只地方是算法的类似性。

  • 《机器上藏论文/survey合集》

介绍:看题目你已了解了是呀内容,没错。里面有好多经典的机上论文值得仔细跟数的读书。

  • 《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。

  • 《机器上藏图书》

介绍:总结了机械上之经文书籍,包括数学基础与算法理论的书,可举行啊入门参考书单。

  • 《16 Free eBooks On Machine
    Learning》

介绍:16论机器上之电子书,可以下载下来当pad,手机者任意时刻去读。不多我建议您看了一如约再下充斥同按照。

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

介绍:标题非常特别,从新手到大方。不过看罢上面装有素材。肯定是大家了

  • 《机器上最佳入门学习资料汇集》

介绍:入门的书真的要命多,而且自一度帮助你寻找一块了。

  • 《Sibyl》

介绍:Sibyl 是一个监督式机器上系统,用来化解预测方面的问题,比如
YouTube 的视频推荐。

  • 《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:计算机视觉入门的实践人检测

  • 《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:这又是同首机器上新师的入门文章。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 & 机器学习 &
    数据挖掘兵器谱》

介绍:python的17独关于机器上之家伙

  • 《神奇的伽玛函数(上)》

介绍:下集在这里神乎其神之伽玛函数(下)

  • 《分布式机器上之故事》

介绍:作者王益时凡是腾讯广告算法总监,王益博士毕业后以google任研究。这篇稿子王益博士7年来打谷歌到腾讯对于分布机器上之眼界。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,每级需要上的读本和操纵的知。这样,给机器学习者提供一个迈入的路线图,以免走弯路。另外,整个网站都是关于机器上之,资源十分丰富。

  • 《Machine Learning
    Surveys》

介绍:机器上各个方向概括的网站

  • 《Deep Learning Reading
    list》

介绍:深度上经验资源列表

  • 《Deep Learning: Methods and
    Applications》

介绍:这是一样依来自小的研究员 li Peng和Dong
Yu所著的关于深度上之方以及运的电子书

  • 《Machine Learning Summer School
    2014》

介绍:2014年七月CMU举办的机上夏季课刚刚完结
有靠近50时的视频、十基本上个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称讲师都是牛人:包括大牛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的科普机器上体系》

介绍:在当年底IEEE/IFIP可靠系统和网(DSN)国际会及,Google软件工程师Tushar
Chandra做了一个关于Sibyl系统的主题发言。
Sibyl是一个监督式机器上体系,用来缓解预测方面的题材,比如YouTube的视频推荐。详情请阅读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大概地介绍了她们当年到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。如果无是很绝望可省概率编程语言与贝叶斯方法执行

  • 《AMA: Michael I
    Jordan》

介绍:网友咨询伯克利机器上大牛、美国对院士Michael I.
Jordan:”如果您出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,此外作者还有一些任何的机器上和数挖掘文章和深上文章,不仅是辩论还有源码。

  • 《文本及数挖掘视频汇总》

介绍:Videolectures上无比受欢迎的25单公文以及数挖掘视频汇总

  • 《怎么挑深度上之GPUs》

介绍:在Kaggle上不时得是成绩的Tim
Dettmers介绍了他好是怎么选择深度上之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,国内的机械上爱好者很热心的管这科目翻译成了国文。如果你英语不好,可以望这

  • 《Deep Learning
    101》

介绍:因为近两年来,深度上在媒体界被炒作死厉害(就比如非常数据)。其实过多人口还还非知底什么是深度上。这首文章由浅入深。告诉您深度学究竟是什么!

  • 《UFLDL
    Tutorial》

介绍:这是斯坦福大学举行的如出一辙免费课程(很勉强),这个好被你以深上之旅途吃你一个学习之思路。里面涉及了片着力的算法。而且告诉您如何去用到实际条件受到。中文版

  • 《Toronto Deep Learning
    Demos》

介绍:这是多伦多大学举行的一个深上用来识别图片标签/图转文字的demo。是一个其实使用案例。有源码

  • 《Deep learning from the bottom
    up》

介绍:机器上型,阅读者情要发必然的底子。

  • 《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,多复变量分析,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看好内容。很多丁以平常底干活屡遭还或多或者有失会用到机械上的算法。本文也汝总结一下宽广的机上算法,以供而在干活以及学习着参考.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:
很多干货,而且撰稿人还总结了少数只系列。另外还作者还了一个章导航.非常的感谢作者总结。

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)学习笔记整理系列之(六)

Deep
Learning(深度上)学习笔记整理系列的(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的所以深度上做计算机是苏的NIPS 2013科目。有mp4,
mp3,
pdf各种下载
他是纽约大学教授,目前为当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)工具保证
Fudan
NLP里含中文分词、关键词抽得、命名实体识别、词性标注、时间词抽得、语法分析等作用,对找引擎
文本分析等极为有价。

  • 《Open Sourcing
    ml-ease》

介绍:LinkedIn 开源之机上工具确保,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,但以充分想念学习机器上之爱侣。是一个好的惠及。机器上周刊目前紧要提供中文版,还是面向广大国内爱好者,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》的关键数学先导课程。其实《线代》这宗课称得浅显易懂特别不容易,如果同达标来就是提逆序数及陈行列式性质,很轻让生去学习的兴趣。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:大数据数据处理资源、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:雅虎邀请了同名源于本古里安大学之访问学者,制作了同一模仿关于机器上之多级视频课程。本学科并分为7期,详细讲解了有关SVM,
boosting, nearest neighbors, decision trees
等正常机器上算法的理论基础知识。

  • 《Entanglement-Based Quantum Machine
    Learning》

介绍:应本着那个数量时代,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杂志报道了UCLA数学博士Chris McKinlay
(图1)通过杀数量手段+机器上方法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单账号,下载了相恋网站2万女性用户的600万问题答案,对她们开展了统计抽样及聚类分析(图2,3),最后竟获得了真爱。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研究生级别之课,对机器人及非线性动力系统感兴趣的对象不妨可以挑战一下马上宗科目!

  • 《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年开头在计算机是的舆论中叫引述次数最多的舆论

  • 《InfiniTAM:
    基于深度图像的样式数据并框架》

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3D数据、重建起三维模型。Online
learning,GPU Random forest,GPU CRF也会连续公开。

  • 《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),怎样更好习她?可以叫您在浏览器被,跑起深度学习效果的超酷开源项目ConvNetJS笔者karpathy告诉你,最佳技巧是,当您开写代码,一切将转移得明明白白。他碰巧宣布了相同依图书,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
讲述工业界和学术界机器上之异同,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,而且还对小材料做了诠释。

  • 《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:机器上教会了俺们什么?

  • 《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:解析领域受到各模型》

介绍:乔丹教授(Michael I.
Jordan)教授是机上世界神经网络的大牛,他本着纵深上、神经网络有着好深刻的兴味。因此,很多问的题材吃含有了机上园地的各项模型,乔丹教授对这一一做了说明与展望。

  • 《A*搜索算法的可视化短教程》

介绍:A*摸是人为智能基本算法,用于高效地寻找图中简单接触之特级路线,
核心是 g(n)+h(n):
g(n)是从起点到顶点n之莫过于代价,h(n)大凡顶点n到对象顶点的估价代价。合集

  • 《基于云的自然语言处理开源项目FudanNLP》

介绍:本档动了Microsoft Azure,可以当几乎分割种内就NLP on Azure
Website的配置,立即开始针对FNLP各种风味的试用,或者以REST
API的款式调用FNLP的言语分析效益

  • 《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。计算机科学研究所符所长.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年开头深度上文献》

介绍:从硬件、图像及健康、生物、大数目、生物信息还到量子计算相当于,Amund
Tveit等保障了一个DeepLearning.University小类:收集从2014年开班深度上文献,相信可以看作深度上之起点,github

  • 《EMNLP上简单篇有关股票方向的下论文

介绍:EMNLP上少首关于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:作者是深上一线很牛Bengio组写的学科,算法深入显出,还有实现代码,一步步开展。

  • 《学习算法的Neural Turing Machine

介绍:许多风俗习惯的机械上任务还是当攻读function,不过谷歌目前生起修算法的自由化。谷歌另外的就篇学习Python程序的Learning
to
Execute否发相似之处

  • 《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有关信息寻找和自然语言处理的文章

  • 《Rumor has it: Identifying Misinformation in
    Microblogs》

介绍:利用机用器学习以谣言的辨识上的使用,此外还有零星只。一个凡甄别垃圾及假信息之paper.还发生一个凡是网络舆情及其分析技术

  • 《R机器学习履》

介绍:该课程是网易公开课的收费课程,不贵,超级福利。主要适合给对下R语言进行机上,数据挖掘感兴趣之人。

  • 《大数量解析:机器上算法实现之嬗变》

介绍:本章中笔者总结了三代机上算法实现之演化:第一替非分布式的,
第二替代工具如Mahout和Rapidminer实现基于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,分析以及机具视觉》

介绍:讲计算机视觉的季总统奇书(应该受经典吧)之一,另外三本是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最新的引荐系统文章Browsemaps》

介绍:里面基本没涉及到现实算法,但笔者介绍了CF在LinkedIn的居多使用,以及她们当开推荐过程遭到赢得的有更。最后一长经验是应当监控log数据的色,因为推荐的成色不行靠数据的质量!

  • 《初家如何查阅自然语言处理(NLP)领域学术材料》

介绍:初师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:用树莓派和相机模块进行人脸识别

  • 《利用深度上和大数量构建对话系统

介绍:如何使用深度上和特别数据构建对话系统

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

介绍:Francis Bach合作的有关稀疏建模的初概括(书):Sparse Modeling for
Image and Vision Processing,内容涉及Sparsity, Dictionary Learning, PCA,
Matrix
Factorization等理论,以及以图像以及视觉及的下,而且首先组成部分有关Why does
the l1-norm induce sparsity的解释吗深是。

  • 《Reproducing Kernel Hilbert
    Space》

介绍:RKHS是机器上中根本之概念,其当large
margin分类器上的行使也是广为熟知的。如果没有比较好之数学基础,直接了解RKHS可能会见不错。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:许多校友对于机器上和深度上之迷离在于,数学方面曾盖知道了,但是动于手来可未掌握什么样下手写代码。斯坦福深度上博士Andrej
Karpathy写了一如既往首实战版本的深上及机上课程,手把手教你用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

  • 《机器上算法的一起》

介绍:本文会过相同尽最盛行的机器上算法,大致了解哪些措施可用,很有帮扶。

  • 《Reproducible Research in Computational
    Science》

介绍:这个里面来许多关于机器上、信号处理、计算机视觉、深入上、神经网络等领域的汪洋源代码(或可尽代码)及连锁论文。科研写论文的好资源

  • 《NYU
    2014年之吃水上课程资料》

介绍:NYU 2014年的纵深上课程资料,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完全集中

  • 《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:数码挖掘十雅经典算法之一

  • 《100 Best GitHub: Deep
    Learning》

介绍:github上面100只特别高的类

  • 《加州大学欧文分校(UCI)机器上数据集仓库》

介绍:当前加州高等学校欧文分校为机械上社区保安着306单数据集。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达到之突破,发之章不多,但每个都格外实在,在列一个问题达到还得了state-of-art.

  • 《Andrej
    Karpathy的深加深学习演示》

介绍:Andrej
Karpathy的深浅加深学习演示,论文在此地

  • 《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号。

  • 《Geoffrey E.
    Hinton》

介绍:杰弗里·埃弗里斯特·辛顿
FRS是同样员英国出生之计机学家和心理学家,以其以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,也是深上的能动促进者.

  • 《自然语言处理的纵深上理论和实际》

介绍:微软研究院深度学习技术中心在CIKM2014
上有关《自然语言处理的纵深上理论以及事实上》教学讲座的幻灯片

  • 《用好数目与机具上做股票价格预计》

介绍: 本文基于<支持为量机的高频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.

  • 《关于机器上之多少辩护问题》

介绍:徐宗本
院士将为爱机器上的伴联手探索有关于机器上的几乎独理论性问题,并吃起一些产生意义的定论。最后经一些实例来证实这些理论问题的物理意义以及事实上使用价值。

  • 《深度上以自然语言处理的以》

介绍:作者还亮有《这便是寻觅引擎:核心技术详解》一挥毫,主要是介绍应用层的物

  • 《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:统计上是有关电脑基于数据构建的概率统计模型并动用模型对数码进行前瞻及剖析的均等派系是,统计上啊变成统计机器上。课程来自上海交通大学

  • 《机器上导论》

介绍:机器上之对象是针对性计算机编程,以便使样本数要以往的经历来解决给定的问题.

  • 《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

  • 《人工智能与机械上园地有趣之开源项目》

介绍:部分国语列表

  • 《机器上藏算法详解及Python实现–基于SMO的SVM分类器》

介绍:此外作者还有平等篇元算法、AdaBoost python实现文章

  • 《Numerical Optimization: Understanding
    L-BFGS》

介绍:加州伯克利大学博士Aria
Haghighi写了同一篇超赞的数值优化博文,从牛顿法讲到拟牛顿法,再称到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:还有续集旗帜鲜明深度上方法概述(二)

  • 《R language for
    programmers》

介绍:R语言程序员私人定制版

  • 《谷歌地图解密:大数量和机具上之成》

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跟deep learning做NLP“
里面全套教程教平步一步用python和gensim包的word2vec模型,并在实际上比里比调参数和清数据。
如果既装过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:这文章说将多年来型识别达到的突破用至围棋软件上,打16万摆放业棋谱训练模型识别功能。想法是。训练后即亦可不负众望永不计算,只拘留棋盘就吃出下一致步,大约10层棋力。但当时篇稿子最过乐观,说啊人类的末梢一片堡垒马上快要超过掉了。话说得极度早。不过,如果同别的软件做该还有潜力可开。@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,他意味着,根据这次实验的结果,如果今年NIPS重新审稿的口舌,会起一半底舆论被拒绝。

  • 《2014年超级的酷数据,数据科学文章》

介绍:KDNuggets分别总结了2014年14单阅读最多同享受最多的篇章。我们从中可以看多单主题——深度上,数据科学家职业,教育及薪酬,学习数据正确的工具比如R和Python以及公众投票的不过给欢迎的数目科学和数码挖掘语言

  • 《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,作者还生另甚硬的稿子援引可看看

  • 《2014中华大数目技术大会33位中心专家发言PDF》

介绍:2014华夏杀数量技术大会33各项中心专家发言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在感情分析功能是,[项目代码](https://github.com/mesnilgr/iclr15)公布于github(目前凡是空的)。这象征Paragraph
Vector终于揭秘面纱了呗。

  • 《NLPIR/ICTCLAS2015私分词系大会上的技能演讲

介绍:NLPIR/ICTCLAS2015瓜分词系发布和用户交流大会上之讲演,请复多朋友检阅新版分词吧。
我们实验室同学的演讲包括:孙梦姝-基于评论意见挖掘的商品搜索技术研讨
李然-主题模型

  • 《Machine Learning is
    Fun!》

介绍:Convex Neural Networks 解决维数灾难

  • 《CNN的反往求导及练习》

介绍:介绍CNN参数在动用bp算法时该怎么训练,毕竟CNN中生卷积层和下采样层,虽然与MLP的bp算法本质上同样,但花样达到还是有点区别之,很引人注目以好CNN反朝传播前询问bp算法是必须的。此外作者也做了一个资源聚集:机器上,深度上,视觉,数学等

  • 《正则表达式优化成Trie树

介绍:如果要于平等篇文章被匹配配十万独根本词怎么收拾?Aho-Corasick
算法利用上加了回到边的Trie树,能够当线性时间外得匹配。
但如果匹配十万独正则表达式呢 ?
这上可就此到管多单刚刚则优化成Trie树的法子,如日本丁形容的
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,作者目前在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实现之开源人工神经网络库

介绍:LambdaNetLambdaNet是由于Haskell实现之一个开源的人工神经网络库,它抽象了网络创建、训练并利用了高阶函数。该库还提供了平组预定义函数,用户可使多种措施结合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:如果您行互联网搜索,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,那么就宗核心课程你要深入了解。

  • 《杨强于TEDxNanjing谈智能的根源》

介绍:”人工智能研究分众帮派。其中之一为IBM为表示,认为要出强性能计算就可得智能,他们之‘深蓝’击败了世界象棋冠军;另一样派认为智能来自动物本能;还出个特别强的派系认为一旦找来专家,把他们的思用逻辑一条条写下,放到计算机里就实行……”
杨强于TEDxNanjing谈智能的来

  • 《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:网易有道的老三号工程师写的word2vec底剖析文档,从中心的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear,到CBOW和Skip-gram模型,再至word2vec之各种tricks,公式推导与代码,基本上是网上关于word2vec材料之大合集,对word2vec感谢兴趣的冤家可看看

  • 《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商的开源软件.与这个类似之还有好多像:[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:作者是电脑研二(写稿子的下,现在凡是2015年了应当将毕业了),专业方向自然语言处理.这是少数他的阅历的谈.对于入门的对象可能会生出救助

  • 《A Tour of Machine Learning
    Algorithms》

介绍:这是一模一样首关于机器上算法分类的文章,非常好

  • 《2014年的《机器上日报》大合集》

介绍:机器上日报中推荐多情节,在此处来一些底佳内容就是是缘于机器上日报.

  • 《 Image classification with deep
    learning常因此模子》

介绍:这是一模一样首关于图像分类在深上着的篇章

  • 《自动语音识别:深度上方式》

介绍:作者及Bengio的哥们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中之中文分词技术》

介绍: 作者是360电商技术组成员,这是相同篇NLP在汉语言分词中的利用

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

介绍: 使用deep
learning的人口脸要点检测,此外还有同首AWS部署教程

  • 《书籍推荐:Advanced Structured
    Prediction》

介绍: 由Sebastian Nowozin等人编纂MIT出版的新书《Advanced Structured
Prediction》http://t.cn/RZxipKG
,汇集了结构化预测世界过多牛文,涉及CV、NLP等领域,值得一读。网上公开的几乎章节草稿:一,二,三,四,五

  • 《An Introduction to Matrix Concentration
    Inequalities》

介绍:
Tropp把数学家用强深装逼的数学语言形容的矩阵概率不等式用初等的章程勾勒出来,是蛮好的手册,领域外之paper各种证明还在用中的结果。虽说是初等的,但还是大之难

  • 《The free big data sources you should
    know》

介绍:
不容错过之免费生数据集,有些已经是驾轻就熟,有些可能要第一坏听说,内容超文本、数据、多媒体等,让他们陪你起来数据对的一起吧,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章,覆盖了RNN的定义、原理、训练以及优化等各个方面内容,强烈推荐!本文作者Nikhil
Buduma还起同一篇Deep Learning in a
Nutshell值得推荐

  • 《机器上:学习资源》

介绍:里面融合了过多的资源,例如角,在线课程,demo,数据做等。有分类

  • 《Statistical foundations of machine
    learning》

介绍:《机器上的统计基础》在线版,该手册希望在辩论及执行之间找到平衡点,各重大内容还伴随有实际例子及数量,书被的例子程序都是用R语言编写的。

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

介绍:IVAN VASILEV写的深上导引:从浅层感知机到深度网络。高但读

  • 《Research priorities for robust and beneficial artificial
    intelligence》

介绍:鲁棒与便宜的人为智能优先研究计划:一查封公开信,目前曾闹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).这封信的背景是近些年霍金及Elon
Musk提醒人们注意AI的秘闻威胁。公开信的内容是AI科学家等站于便利社会的角度,展望人工智能的未来发展势头,提出开发AI系统的Verification,Validity,
Security,
Control四点要求,以及要专注的社会问题。毕竟当前AI在经济领域,法律,以及道德领域有关研究于少。其实还有同管辖美剧《疑犯追踪》,介绍了AI的变异从平开始之自家学习,过滤,图像识别,语音识别等判定危险,到第四季的上起了机器通过学习成长之后想操纵世界之状态。说到这里推荐收看。

  • 《metacademy》

介绍:里面冲词条提供了过多资源,还闹有关文化结构,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)开源了同样文山会海软件库,以助开发者建立更怪、更快的深上型。开放之软件库在
Facebook 被叫作模块。用它们替代机械上园地常用之开销条件 Torch
中之默认模块,可以当重复少的流年外训练还特别范围之神经网络模型。

  • 《浅析人脸检测的Haar分类器方法》

介绍:本文虽然是摹写给2012年,但是及时首稿子意是笔者的阅历的作。

  • 《如何变成同员数据科学家》

介绍:本文是对准《机器上实战》作者Peter
Harrington做的一个访谈。包含了开被部分的问号解答和某些私家学习建议

  • 《Deep learning from the bottom
    up》

介绍:非常好的纵深上概述,对几种流行的深上型都开展了介绍和议论

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

介绍:主要是描述了利用R语言进行数量挖掘

  • 《Understanding
    Convolutions》

介绍:帮您了解卷积神经网络,讲解很清晰,此外还有少数篇Conv Nets: A Modular
Perspective,Groups
& Group
Convolutions.
作者的外的有关神经网络文章为不行硬

  • 《Introduction to Deep Learning
    Algorithms》

介绍:Deep Learning算法介绍,里面介绍了06年3首让deep learning崛起之舆论

  • 《Learning Deep Architectures for
    AI》

介绍:一以上人工智能的书籍,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,他的主页放了有介绍性文章和课件值得学习

  • 《PROBABILITY THEORY: THE LOGIC OF
    SCIENCE》

介绍:概率论:数理逻辑书籍

  • 《H2O》

介绍:一个用来迅速的统计,机器上而于数据量大的数学库

  • 《ICLR
    2015会的arXiv稿件合集》

介绍:在这边而可看最近深度上产生啊新取向。

  • 《Introduction to Information
    Retrieval》

介绍:此书在信寻找领域显著,
除提供该书的免费电子版外,还提供一个IR资源列表
,收录了音信寻找、网络信息搜索、搜索引擎实现等方面有关的书本、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:信息几何法及其于机器上着的下

  • 《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及预测问题,相关的王法运用包括预测编码、早期案例评估、案件完全情况的展望,定价和工作人员预测,司法行为预测相当。法律领域大家兴许都较陌生,不妨了解下。

  • 《文本上的算法》

介绍:
文中提到了极度地道,模型,最大熵等等理论,此外还有用篇。推荐系统可以说凡是同等按照对的阅读稿,关于模型还引进一篇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的起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自带了一个训好的动物模型,你可拿狮子大象的照片来试试看

  • 《Deep Learning on Hadoop
    2.0》

介绍:本文主要介绍了于Hadoop2.0达成使深度上,文章来源paypal

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

介绍:用基于梯度下降之计训练深度框架的实践推荐指导,作者是Yoshua
Bengio
.感谢@xuewei4d 推荐

  • 《Machine Learning With Statistical And Causal
    Methods》

介绍: 用统计以及报方法做机械上(视频告诉)

  • 《Machine Learning Course
    180’》

介绍: 一个提机器上之Youtube视频教程。160集。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,作者的研究方向是机上,并行计算如果您还惦记打听一些别的可看看外博客的别样文章

  • 《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精选

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

介绍: CNN用于WEB搜索,深度上在文书计算着之采用

  • 《Awesome Public
    Datasets》

介绍: Awesome系列中之明数据集

  • 《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,号称是速度极其抢的NLP库,快之案由一样凡是用Cython写的,二凡为此了个深巧妙的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大凡只数学研究中心,上面的即时卖ppt是自Fields举办的动中Russ
Salakhutdinov带来的《大规模机器上》分享

  • 《Topic modeling
    的藏论文》

介绍: Topic modeling 的经文论文,标注了主要点

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

介绍:
多伦多大学跟Google合作的新论文,深度上呢得以为此来下围棋,据说能够达到六段子水平

  • 《机器上周刊第二意在》

介绍:
新闻,paper,课程,book,system,CES,Roboot,此外尚推荐一个深上入门与综合资料

  • 《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的舆论库已经选定了963首经过分类的纵深上论文了,很多经文论文还曾选定

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

介绍: Radim
Řehůřek(Gensim开发者)在相同糟机器上聚会及之喻,关于word2vec会同优化、应用及扩充,很实用.境内网盘

  • 《Introducing streaming k-means in Spark
    1.2》

介绍:很多商行还用机器上来缓解问题,提高用户体验。那么怎么可以被机器上又实时和有效性也?Spark
MLlib 1.2中的Streaming K-means,由斑马鱼脑神经研究的Jeremy
Freeman脑神经科学家编写,最初是为实时处理他们各半钟头1TB之钻研数据,现在宣告于大家用了。

  • 《LDA入门与Java实现》

介绍:
这是一律篇面向工程师的LDA入门笔记,并且提供平等客开箱即用Java实现。本文特记录基本概念与原理,并无涉及公式推导。文中的LDA实现基本部分采用了arbylon的LdaGibbsSampler并力所能够同地诠释了,在搜狗分类语料库上测试好,开源在GitHub上。

  • 《AMiner – Open Science
    Platform》

介绍:
AMiner是一个学搜索引擎,从学术网络中挖深度知识、面向科技不行数目的打通。收集近4000万作者信息、8000万舆论信息、1亿基本上引用关系、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底好玩应用,Omer
Levy提到了他在CoNLL2014超级论文里之辨析结果及新措施,Daniel
Hammack给出了查找特异词的粗应用并提供了(Python)代码

  • 《机器上公开课汇总》

介绍:
机器学习公开课汇总,虽然其间的稍课程就归档过了,但是还有个别的音信尚未。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

  • 《libfacedetection》

介绍:libfacedetection是深圳大学开源的一个总人口脸图像识别库。包含正面与多视角人数脸检测两只算法.优点:速度快(OpenCV
haar+adaboost的2-3倍增), 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不过佳论文
把马尔可夫链理论用在了图分析者,比相似的propagation
model更加浓厚一些。通过全局的安宁分布去求解每个节点影响系数模型。假设合理(转移受到隔壁之震慑系数影响)。可以为此来反求每个节点的熏陶系数

  • 《机器上入门书单》

介绍:机器上入门书籍,具体介绍

  • 《The Trouble with
    SVMs》

介绍:
非常强的强调特征选择对分类器重要性的章。情感分类中,根据互信息对复杂高维特征降维再以节能贝叶斯分类器,取得了比SVM更漂亮的效力,训练及归类时间也大大降低——更要的凡,不必花费大量时刻以读书及优化SVM上——特征也一律no
free lunch

  • 《Rise of the
    Machines》

介绍:CMU的统计系和计算机有关知名教授Larry Wasserman
在《机器崛起》,对比了统计以及机器上之异样

  • 《实例详解机器上如何缓解问题》

介绍:随着大数量时代之过来,机器上变成解决问题的同种主要且要的工具。不管是工业界还是学术界,机器上还是一个炙手可热的自由化,但是学术界和工业界对机械上之钻研各个有讲究,学术界侧重于对机械上理论的研究,工业界侧重于安用机器上来解决实际问题。这首文章是美团的实际上条件中之实战篇

  • 《Gaussian Processes for Machine
    Learning》

介绍:面向机器上之高斯过程,章节概要:回归、分类、协方差函数、模型选择以及超参优化、高斯模型和其它模型关系、大数据集的侵方法等,微盘下载

  • 《FuzzyWuzzy: Fuzzy String Matching in
    Python》

介绍:Python下的文书模糊匹配库,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是根据Theano的神经网络搭建框架,集成相关函数、管道和算法,帮您再度快地创建与管制NN模块.

  • 《Introduction to Machine
    Learning》

介绍:机器上大神Alex Smola在CMU新一盼的机械上入门课程”Introduction to
Machine
Learning“近期恰巧开拍,课程4K高清视频并到Youtube上,目前恰好更新到 2.4
Exponential
Families,课程视频playlist,
感兴趣的同班可以关注,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一道特征,可还好地表达图片内容相似性。由于匪依赖让人工标签(标注),可用来大规模图片处理,难在用户作为数据的博与漱口;利用社会化特征的笔触值得借鉴.

  • 《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工夫序列非常检测算法(S-H-ESD)R包的牵线,其中对怪的定义和分析好值得参考,文中也事关——异常是青出于蓝针对性的,某个世界支出的慌检测以任何世界直接用而不行.

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

介绍:聚焦数据质量问题的回答,数据质量对各种框框企业的性质与效率都紧要,文中总结发生(不制止)22种植典型数据质量问题显现的信号,以及卓越的数额质量解决方案(清洗、去又、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,国内云盘

  • 《Introduction to Conditional Random
    Fields》

介绍:很好的原则仍机场(CRF)介绍文章,作者的学习笔记

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

介绍: 来自Stanford,用神经网络实现快捷准确之依存关系解析器

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

介绍:做深上怎么选择GPU的建议

  • 《Sparse Linear
    Models》

介绍: Stanford的Trevor Hastie教授在H2O.ai
Meet-Up上之告诉,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年同主题报告
、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!作者的创新频率也不行频繁

  • 《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一篇有意思的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: 信息寻找排序模型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单影响索引项权重的因数:IDF逆文档频率;TF索引项频率;文档长度归一化。3)并且包含集成学习之思:组合了BM11及BM15星星独模型。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)时间序列的简练介绍,ARMA是钻时序列的根本方式,由由回归模型(AR模型)与滑动平均模型(MA模型)为根基“混合”构成.

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

介绍: 把来target的attention signal加入source encoding
CNN的输入,得到了比BBN的范好之多neural network joint model

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

介绍:
揭开印度菜肴的水灵秘诀——通过对大气食谱原料关系的打通,发现印度菜香的因由有是里面的含意互相冲突,很风趣的文件挖掘研究

  • 《HMM相关文章索引》

介绍:
HMM相关文章,此外推荐汉语分词之HMM模型详解

  • 《Zipf’s and Heap’s
    law》

介绍:
1)词频与该降序排序的关系,最显赫的凡语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s
law,即双方成反比关系. 曼德勃罗(Mandelbrot,1924-
2010)引入参数修正了针对性甚高频及大低频词的描摹 2)Heaps’ law:
词汇表与语料规模之平方根(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上的AMA(Ask Me
Anything)主题,有成千上万RNN和AI、ML的干货内容,关于开源&思想&方法&建议……耐心看,相信你吧会见受益匪浅.

  • 《学术种子网站:AcademicTorrents》

介绍:
成G上T的学数据,HN近期热议话题,主题涉及机械上、NLP、SNA等。下载最简易的方式,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,在旧的Cheat
Sheet基础及丰富了Scikit-Learn相关文档的链接,方便浏览

  • 《A Full Hardware Guide to Deep
    Learning》

介绍: 深度上的一应俱全硬件指南,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】在面识别及而自都是大方,即使细微之反差呢能辨别。研究已经说明人类和灵长类动物在颜加工上不同于其它物种,人类利用梭状回面孔区(FFA)。Khaligh-Razavi等经过电脑模拟出人脸识别的FFA活动,堪称神经科学与人工智能的一应俱全结合。

  • 《Neural Net in C++
    Tutorial》

介绍:
神经网络C++教程,本文介绍了于是而调试梯度下降和可调节动量法设计和编码经典BP神经网络,网络经过训练可以做出惊人和美好的事物下。此外作者博客的旁文章吧够呛不错。

  • 《How to Choose a Neural
    Network》

介绍:deeplearning4j官网提供的莫过于行使场景NN选择参考表,列举了部分超人问题建议利用的神经网络

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

介绍:一个深上类,提供了Python, C/C++, Java, Scala, Go多独版本的代码

  • 《Deep Learning
    Tutorials》

介绍:深度上课程,github

  • 《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的强回击—— FaceNet,在LFW(Labeled Faces
in the Wild)上及99.63%准确率(新记录),FaceNet
embeddings可用于人脸识别、鉴别以及聚类.

  • 《MLlib中的Random
    Forests和Boosting》

介绍:本文来源Databricks公司网站的同篇博客文章,由Joseph Bradley和Manish
Amde撰写,文章要介绍了Random Forests和Gradient-Boosted
Trees(GBTs)算法和他们以MLlib中之分布式实现,以及展示一些粗略的例证并建议该从哪儿达手.中文版.

  • 《Sum-Product Networks(SPN)

介绍:华盛顿大学Pedro Domingos团队的DNN,提供论文和兑现代码.

  • 《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,目前只是处理中英文语料,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升华进程,详细讲解神经网络语言模型在逐一阶段的款式,其中的型包含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:经典问题之初研究: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)竞赛优化方案源码及文档,包括总体的多少处理流程,是读书Python数据处理同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)是图像处理与图像分析的钻期刊,每篇文章都富含一个算法和相应的代码、Demo和试验文档。文本及源码是经了同行评审的。IPOL是开放的不易与而重新的钻研期刊。我直接惦念做点类似之劳作,拉近产品及技术之间的距离.

  • 《Machine learning classification over encrypted
    data》

介绍:出自MIT,研究加密数快速分类问题.

  • 《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,在多机多卡,同步创新参数的景象下中心达线性加速。12块Titan
20小时可以好Googlenet的训。

  • 《Machine Learning
    Resources》

介绍:这是一个机上资源库,虽然比少.但蚊子再稍微吗是肉.有隆起部分.此外还有一个是因为zheng
Rui整理的机上资源.

  • 《Hands-on with machine
    learning》

介绍:Chase
Davis在NICAR15达成之主题报告材料,用Scikit-Learn做监督上之入门例子.

  • 《The Natural Language Processing
    Dictionary》

介绍:这是均等依照自然语言处理的词典,从1998年初步至即积淀了累累的业内词语解释,如果您是同一号刚刚入门的朋友.可以借这按照词典让投机成长更快.

  • 《PageRank Approach to Ranking National Football
    Teams》

介绍:通过分析1930年及今天之比数据,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,复杂网络社区发现的长足算法,Gephi中之[Community
detection](The Louvain method for community detection in large
networks)即基于此.

  • 《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,可在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,优化理论是机上之内核,值得深刻上
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.近百首,内容涉嫌图像识别应用之各个方面

  • 《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: 基于深度上的多标签分类,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》,
国内有热情的爱侣翻译了中文版,大家呢可以在线阅读

  • 《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的数码解析工具包.

  • 《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的起测试体会报告.

  • 《DEEP
    learning》

介绍: MIT的Yoshua Bengio, Ian Goodfellow, Aaron
Courville著等丁谈话深度上之新书,还未定稿,线上提供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:好多数量科学家名人推荐,还有资料.

  • 《Text Understanding from
    Scratch》

介绍:实现项目现已开源在github上面Crepe

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

介绍:作者发现,经过调参,传统的章程呢能够与word2vec得多的机能。另外,无论作者怎么碰,GloVe都比不过word2vec.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:Stanford深度上和自然语言处理课程,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,句子级相关性判断和情感分类效果挺好.实现代码.

  • 《Statistical Machine
    Learning》

介绍:卡耐基梅隆Ryan Tibshirani和Larry
Wasserman开设的机器上课程,先修课程也机上(10-715)和中统计学(36-705),聚焦统计理论及艺术以机械上世界应用.

  • 《AM207: Monte Carlo Methods, Stochastic
    Optimization》

介绍:《哈佛大学蒙特卡洛方法及人身自由优化学科》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心上人一定要是探望,提供授课视频及课上IPN讲义.

  • 《生物医学的SPARK大数据利用》

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

  • 《ACL
    Anthology》

介绍:对自然语言处理技术或者机器翻译技术感兴趣之亲们,请以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,这个网址有夫小圈子几良顶会的舆论列表,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,兑现代码.

  • 《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
里面来一部分不胜风趣的使用 大家可看看 .

  • 《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实际方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s
optimizing()等.

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

介绍:文中涉及的老三篇论文(机器上那些事、无监控聚类综述、监督分类归纳)都非常经典,Domnigos的机上课为大出彩

  • 《A Probabilistic Theory of Deep
    Learning》

介绍:莱斯大学(Rice University)的纵深上之票房价值理论.

  • 《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研讨会达成之报告,还提供了一致层层讲话机器上方法的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:亚马逊于机上地方的一部分动,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的机器上基本概念教学.

  • 《DeepCLn》

介绍:一个根据OpenGL实现之卷积神经网络,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数据集的开源结分析工具正如,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分析与数据挖掘的票房价值数据结构.

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

介绍:机器上在导航者的应用.

  • 《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&数据是在线交互教程.

  • 《Learning to Read with Recurrent Neural Networks

介绍:关于深度上和RNN的讨论 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年春学期CMU的机器上课程,由Alex
Smola主讲,提供教科书及教学视频,很不错.国内镜像.

  • 《Big Data
    Processing》

介绍:大数额处理课.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:以往上千推行代码概率编程(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选定论文列表,大部分舆论而采取Google找到.

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

介绍:一般矩阵乘法(GEMM)对纵深上的严重性性.

  • 《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.

  • 《Machine Learning Repository @ Wash
    U》

介绍:华盛顿大学之Machine Learning Paper Repository.

  • 《Machine learning cheat
    sheet》

介绍:机器上速查表.

  • 《Spark summit east 2015
    agenda》

介绍:最新的Spark summit会议资料.

  • 《Spark summit east 2015
    agenda》

介绍:最新的Spark summit会议资料.

  • 《Learning
    Spark》

介绍:Ebook Learning Spark.

  • 《Advanced Analytics with Spark, Early Release
    Edition》

介绍:Ebook Advanced Analytics with Spark, Early Release Edition.

  • 《国内机器上算法和应用领域人物篇:唐杰》

介绍:清华大学副教授,是祈求挖掘地方的学者。他掌管设计及实现之Arnetminer是境内领先的希冀挖掘系统,该体系啊是差不多独集会的支持商.

  • 《国内机器上算法和应用领域人物篇:杨强》

介绍:迁移学习之国际领军人物.

  • 《国内机器上算法和应用领域人物篇:周志华》

介绍:在半监察上,multi-label学习与合学习地方于列国及发肯定之影响力.

  • 《国内机器上算法和应用领域人物篇:王海峰》

介绍:信息搜索,自然语言处理,机器翻译者的专家.

  • 《国内机器上算法和应用领域人物篇:吴军》

介绍:吴军博士是眼前Google中日韩文搜索算法的第一设计者。在Google其间,他领导了过多研发型,包括广大和汉语相关的成品及自然语言处理的种,他的乍个人主页.

  • 《Cat Paper
    Collection》

介绍:喵星人相关论文集.

  • 《How to Evaluate Machine Learning Models, Part 1:
    Orientation》

介绍:如何评价机器上型系列文章,How to Evaluate Machine Learning
Models, Part 2a: Classification
Metrics,How
to Evaluate Machine Learning Models, Part 2b: Ranking and Regression
Metrics.

  • 《Building a new trends
    experience》

介绍:Twitter新trends的中坚实现框架.

  • 《Storm Blueprints: Patterns for Distributed Real-time
    Computation》

介绍:Storm手册,国内有中文翻译版本,谢谢作者.

  • 《SmileMiner》

介绍:Java机器上算法库SmileMiner.

  • 《机器翻译学术论文写作方法和技巧》

介绍:机器翻译学术论文写作方法和技能,Simon Peyton Jones的How to write a
good research
paper同类视频How
to Write a Great Research
Paper,how
to paper
talk.

  • 《神经网络训练中之Tricks之快BP(反向传播算法)》

介绍:神经网络训练中之Tricks之迅捷BP,博主的别样博客也异常帅之.

  • 《我和NLP的故事》

介绍:作者是NLP方向的硕士,短短几年内研究成果颇丰厚,推荐新入门的情侣阅读.

  • 《The h Index for Computer Science

介绍:UCLA的Jens Palsberg根据Google
Scholar建立了一个电脑世界的H-index牛人列表,我们熟悉的各个领域的大牛绝大多数都以榜上,包括1位诺贝尔奖得主,35各类图灵奖得主,近百各项美国工程院/科学院院士,300几近各ACM
Fellow,在这里推荐的来由是豪门好当google通过搜寻牛人的名字来取更多的资源,这卖材料十分宝贵.

  • 《Structured Learning for Taxonomy Induction with Belief
    Propagation》

介绍:用巨型语料库学习概念的层次关系,如小鸟是鹦鹉的上级,鹦鹉是虎皮鹦鹉的上司。创新性在于模型构造,用因子图刻画概念里依存关系,因引入兄弟关系,图有环,所以用有环扩散(loopy
propagation)迭代算边际概率(marginal probability).

  • 《Bayesian
    analysis》

介绍:
这是同款贝叶斯分析的商业软件,官方描绘的贝叶斯分析的手册产生250大抵页,虽然R语言
已经发出接近的项目,但总可以增加一个可选项.

  • 《deep net highlights from
    2014》

介绍:deep net highlights from 2014.

  • 《Fast
    R-CNN》

介绍:This paper proposes Fast R-CNN, a clean and fast framework for
object detection.

  • 《Fingerprinting Images for Near-Duplicate
    Detection》

介绍:图像指纹的双重识别,作者源码,国内翻版本.

  • 《The Computer Vision Industry

介绍:提供计算机视觉、机器视觉应用之营业所信息汇总.应用领域包括:自动帮驾驶以及交通管理、眼球和首跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和稽查、医药和生物、移动装备目标识别及AR、人群跟踪、摄像、安全监督、生物监控、三维建模、web和云应用.

  • 《Seaborn: statistical data
    visualization》

介绍:Python版可视化数据统计开源库.

  • 《IPython lecture notes for OCW MIT
    18.06》

介绍:麻省理工Gilbert Strang线性代数课笔记,Gilbert Strang《Linear
Algebra》课程主页视频+讲义.

  • 《Canova: A Vectorization Lib for
    ML》

介绍:面向机器上/深度上的数额向量化工具Canova,github,
支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文件为量化.

  • 《DZone Refcardz: Distributed Machine Learning with Apache
    Mahout》

介绍:快速入门:基于Apache Mahout的分布式机器学习.

  • 《Learning scikit-learn: Machine Learning in
    Python》

介绍:基于scikit-learn讲解了部分机器上技能,如SVM,NB,PCA,DT,以及特色工程、特征选择和模型选择问题.

  • 《Lightning fast Machine Learning with
    Spark》

介绍:基于Spark的高效机器上,视频地址.

  • 《How we’re using machine learning to fight shell
    selling》

介绍:WePay用机器上对抗信用卡”shell selling”诈骗.

  • 《Data Scientists Thoughts that Inspired
    Me》

介绍:16位数据科学家语录精选.

  • 《Deep learning applications and challenges in big data
    analytics》

介绍:深度上以好数额解析世界的运以及挑战.

  • 《Free book:Machine
    Learning,Mathematics》

介绍:免费的机上与数学书籍,除此之外还发生外的免费编程书,编程语言,设计,操作系统等.

  • 《Object detection via a multi-region & semantic segmentation-aware
    CNN
    model》

介绍:一首有关CNN模型对象识别Paper.

  • 《A Statistical View of Deep Learning (V): Generalisation and
    Regularisation》

介绍:深度上之统计分析V:泛化和正则化.

  • 《Highway
    Networks》

介绍:用SGD能快完成训练之广(多层)深度网络HN.

  • 《What I Read For
    Deep-Learning》

介绍:深度上解读文章.

  • 《An Introduction to Recommendation
    Engines》

介绍:Coursera上之引荐系统导论(Introduction to Recommender
Systems)公开课.

  • 《Stanford Machine
    Learning》

介绍:Andrew Ng经典机器上课程笔记.

  • 《ICLR
    2015》

介绍:ICLR
2015见闻录,博客的旁机器上文章为不错.

  • 《Stanford Machine
    Learning》

介绍:推荐系统”个性化语义排序”模型.

  • 《The More Excited We Are, The Shorter We
    Tweet》

介绍:激情时刻更可怜字——MIT的新型Twitter研究结果.

  • 《苏州大学人类语言技术研究论文主页》

介绍:苏州大学人类语言技巧研讨相关论文.

  • 《Neural Turing Machines
    implementation》

介绍:实现神经图灵机(NTM),类地址,此外推荐相关神经图灵机算法.

  • 《Computer Vision – CSE 559A, Spring
    2015》

介绍:华盛顿大学之机械视觉(2015),参考资料Computer Vision: Algorithms and
Applications.

  • 《Mining of Massive
    Datasets》

介绍:”Mining of Massive Datasets”发布第二版,Jure Leskovec, Anand
Rajaraman, Jeff Ullman 新版增加Jure
Leskovec作为合作作者,新增社交网络图数据挖掘、降维和广大机器上三章,电子版还免费.

  • 《Learning Deep
    Learning》

介绍:一个纵深上资源页,资料十分丰富.

  • 《Learning Deep
    Learning》

介绍:免费电子书”Learning Deep Learning”.

  • 《Tutorial: Machine Learning for Astronomy with
    Scikit-learn》

介绍:Machine Learning for Astronomy with scikit-learn.

  • 《An Introduction to Random Forests for
    Beginners》

介绍:免费电子书”随机森林入门指南”.

  • 《Top 10 data mining algorithms in plain
    English》

介绍:白话数据挖掘十可怜算法.

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

介绍:基于Mahout和Elasticsearch的引进系统,境内译版.

  • 《Advances in Extreme Learning
    Machines》

介绍:博士学位论文:ELM研究进展.

  • 《10-minute tour of
    pandas》

介绍:Pandas十分钟速览,ipn.

  • 《Data doesn’t grow in tables: harvesting journalistic insight from
    documents》

介绍:面向数据新闻之公文挖掘.

  • 《Time-lapse Mining from Internet
    Photos》

介绍:用大网图片合成延时视频(SIGGRAPH 2015).

  • 《The Curse of Dimensionality in
    classification》

介绍:分类体系的维数灾难.

  • 《Deep Learning vs Big Data: Who owns
    what?》

介绍:深度上vs.大数据——从数额到文化:版权的思,[翻译版](http://www.csdn.net/article/2015-05-19/2824707

  • 《A Primer on Predictive
    Models》

介绍:预测模型入门.

  • 《Demistifying LSTM Neural
    Networks》

介绍:深入浅出LSTM.

  • 《ICLR
    2015》

介绍:2015年ICLR会议视频与讲义.

  • 《On Visualizing Data
    Well》

介绍:Ben Jones的数码可视化建议.

  • 《Decoding Dimensionality Reduction, PCA and
    SVD》

介绍:解读数据降维/PCA/SVD.

  • 《Supervised learning superstitions cheat
    sheet》

介绍:IPN:监督上方式言传身教/对比参考表,覆盖logistic回归, 决策树, SVM, KNN,
Naive Bayes等方法.

  • 《DopeLearning: A Computational Approach to Rap Lyrics
    Generation》

介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.

  • 《An Introduction to Random
    Indexing》

介绍:随机索引RI词空间模型专题.

  • 《VDiscover》

介绍:基于机器上的漏洞检测工具VDiscover.

  • 《Minerva》

介绍:深度上系统minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上可知在4龙内用GoogLeNet训练及68.7%底top-1以及89.0%的top-5准确率。和及也dmlc项目之cxxnet相比,采用动态数据流引擎,提供更多灵活性。未来拿与cxxnet一起做为mxnet项目,互取优势.

  • 《CVPR 2015
    paper》

介绍:2015年国际计算机视觉与模式识别会议paper.

  • 《What are the advantages of different classification
    algorithms?》

介绍:Netflix工程总监眼中的分类算法:深度上优先级最低,中文版.

  • 《Results for Microsoft COCO Image Captioning
    Challenge》

介绍:Codalab图像标注竞赛排行+各家论文,Reddit上flukeskywalker整理了各家技术系论文.

  • 《Caffe con Troll: Shallow Ideas to Speed Up Deep
    Learning》

介绍:基于Caffe的增速深度上系统CcT.

  • 《Low precision storage for deep
    learning》

介绍:深度上(模型)低精度(训练以及)存储.

  • 《Model-Based Machine Learning (Early
    Access)》

介绍:新书预览:模型机学习.

  • 《Regret Analysis of Stochastic and Nonstochastic Multi-armed
    Bandit
    Problems》

介绍:免费电子书多臂老虎机,此外推荐Introduction to Bandits: Algorithms
and
Theory.

  • 《Kaggle R Tutorial on Machine
    Learing》

介绍:基于Kaggle’s Titanic
Competition的交互式R机器学习课程,介绍《Interactive R Tutorial: Machine
Learning for the Titanic
Competition》.

  • 《Deep
    Learning(深度上)学习笔记整理系列》

介绍:Deep Learning(深度上)学习笔记整理系列.

  • 《Introduction to Neural Machine Translation with GPUs

介绍:神经(感知)机器翻译介绍.

  • 《Andrew Ng: Deep Learning, Self-Taught Learning and Unsupervised
    Feature
    Learning》

介绍:Andrew
Ng关于深度上/自读/无监控特征上的晓,国内云.

  • 《Recurrent Neural Network Training with Dark Knowledge
    Transfer》

介绍:论文:通过隐秘知识迁移训练RNN.

  • 《Show Me The
    Money》

介绍:面向经济数据的情愫分析工具.

  • 《pyLDAvis》

介绍:(Python)主题模型交互可视化库pyLDAvis.

  • 《Logistic Regression and Gradient
    Descent》

介绍:Logistic回归与优化实例教程.

  • 《贾扬清微信讲座记录》

介绍:贾扬清(谷歌大脑科学家、caffe缔造者)微信讲座记录.

  • 《sketch》

介绍:Theano/Blocks实现RNN手写字符串生成sketch.

  • 《Web Scale Document Clustering: Clustering 733 Million Web
    Pages》

介绍:基于TopSig的雅量(7亿+)网页聚类.

  • 《NAACL 2015 Proceedings on ACL
    Anthology》

介绍:NAACL 2015 论文papers.

  • 《Stock Forecasting With Machine Learning – Seven Possible
    Errors》

介绍:机器上预测股市的七独问题.

  • 《Are there any good resources for learning about neural
    networks?》

介绍:神经网络学习材料推荐.

  • 《A Critical Review of Recurrent Neural Networks for Sequence
    Learning》

介绍:面向序列上之RNN综述.

  • 《Handling and Processing Strings in
    R》

介绍:R文本处理手册.

  • 《Must-watch videos about
    Python》

介绍:“必看”的Python视频集锦.

  • 《The Google
    Stack》

介绍:Google(基础结构)栈.

  • 《Randomized Algorithms for Matrices and
    Data》

介绍:矩阵和数据的即兴算法(UC Berkeley 2013).

  • 《Intermediate
    R》

介绍:DataCamp中级R语言教程.

  • 《Topology Without
    Tears》

介绍:免费电子书:轻松掌握拓扑学,中文版.

  • 《Information Theory, Pattern Recognition, and Neural
    Networks》

介绍:Book,video.

  • 《Scikit-learn》

介绍:Scikit-learn
是基于Scipy为机械上建筑的之一个Python模块,他的特征就是是多样化的分类,回归和聚类的算法包括支持为量机,逻辑回归,朴素贝叶斯分类器,随机森林,Gradient
Boosting,聚类算法和DBSCAN。而且也设计出了Python numerical和scientific
libraries Numpy and Scipy

  • 《Pylearn2》

介绍:Pylearn是一个让机器上研究简单化的根据Theano的库程序。

  • 《NuPIC》

介绍:NuPIC是一个因HTM学习算法为器的机器智能平台。HTM是皮肤的确切计算方式。HTM的核心是冲时间之连学习算法和储存以及取消的时空模式。NuPIC适合为五花八门的题目,尤其是检测好以及预测的流多少来。

  • 《Nilearn》

介绍:Nilearn
是一个力所能及高效统计上神经影像数据的Python模块。它利用Python语言中之scikit-learn
工具箱和片展开前瞻建模,分类,解码,连通性分析的应用程序来进行层层的统计。

  • 《PyBrain》

介绍:Pybrain是冲Python语言强化学习,人工智能,神经网络库的简称。
它的靶子是供灵活、容易用以强大的机上算法和进行多种多样的预定义的条件中测试来比你的算法。

  • 《Pattern》

介绍:Pattern
是Python语言下的一个网开模块。它为数量挖掘,自然语言处理,网络分析和机具上提供工具。它支持向量空间模型、聚类、支持为量机和感知机并且为此KNN分类法进行分类。

  • 《Fuel》

介绍:Fuel为您的机上型提供数据。他发出一个共享如MNIST, CIFAR-10
(图片数据集), Google’s One Billion Words
(文字)这类似数据集的接口。你使用他来由此杀多种之不二法门来替代自己的数。

  • 《Bob》

介绍:Bob是一个免费之信号处理以及机具上的工具。它的工具箱是因此Python和C++语言共同编写的,它的筹划目的是移得进一步快又减少开支时间,它是出于拍卖图像工具,音频和视频拍卖、机器上与模式识别的汪洋软件包构成的。

  • 《Skdata》

介绍:Skdata是机械上和统计的数据集的库程序。这个模块于玩具问题,流行的电脑视觉和自然语言的数据集提供专业的Python语言的利用。

  • 《MILK》

介绍:MILK是Python语言下之机上工具包。它要是当成千上万可获取的归类比如SVMS,K-NN,随机森林,决策树被以监督分类法。
它还行特征选择。
这些分类器在多面相互结合,可以形成不同的像无监督上、密切关系金传播和出于MILK支持的K-means聚类等分门别类体系。

  • 《IEPY》

介绍:IEPY是一个留意让干抽取的开源性信息抽取工具。它主要针对的是要对大型数据集进行信息提取的用户和思要尝新的算法的科学家。

  • 《Quepy》

介绍:Quepy是通过反自然语言问题因此以数据库查询语言中进行查询的一个Python框架。他好省略的吃定义为于自然语言和数据库查询中不同品种的题目。所以,你不要编码就好建立你自己之一个因此自然语言进入你的数据库的网。现在Quepy提供对Sparql和MQL查询语言的支撑。并且计划以其延伸至其他的数据库查询语言。

  • 《Hebel》

介绍:Hebel是在Python语言中对神经网络的深上之一个库程序,它使的是透过PyCUDA来拓展GPU和CUDA的加速。它是极端要的神经网络模型的门类的家伙又能提供一些不一的走函数的激活功能,例如动力,涅斯捷罗夫动力,信号丢失和停止法。

  • 《mlxtend》

介绍:它是一个由中的工具及通常数据科学任务的扩大组成的一个库程序。

  • 《nolearn》

介绍:这个序包容纳了汪洋会针对你就机器上任务有帮带的实用程序模块。其中大量底模块和scikit-learn一起工作,其它的家常还发生因此。

  • 《Ramp》

介绍:Ramp是一个在Python语言下制定机器上中增速原型设计之解决方案的库程序。他是一个轻型的pandas-based机器学习着而插入的框架,它现存的Python语言下的机器上和统计工具(比如scikit-learn,rpy2等)Ramp提供了一个概括的声明性语法探索效能因此能高效有效地实行算法和转换。

  • 《Feature
    Forge》

介绍:这同一密密麻麻工具通过跟scikit-learn兼容的API,来创造和测试机上效果。这个库程序提供了同等组工具,它见面为您以诸多机械上程序行使受到深受用。当您下scikit-learn这个家伙时,你会感觉到遭遇了老充分之声援。(虽然就就能够当公生出差之算法时打作用。)

  • 《REP》

介绍:REP是坐同样栽和谐、可再生的计为指挥数据移动驱动所提供的相同种植环境。它产生一个统一之分类器包装来提供各种各样的操作,例如TMVA,
Sklearn, XGBoost,
uBoost等等。并且它可于一个群体为平行的点子训练分类器。同时她也供了一个交互式的情节。

  • 《Python
    学习机器样品》

介绍:用亚马逊的机器上建筑的简约软件收集。

  • 《Python-ELM》

介绍:这是一个当Python语言下基于scikit-learn的最好学习机器的兑现。

  • 《Dimension
    Reduction》

介绍:电子书降维方法,此外尚引进Dimensionality Reduction A Short
Tutorial、Matlab
Toolbox for Dimensionality
Reduction、Unsupervised
Kernel Dimension
Reduction

  • 《Datasets Used For Benchmarking Deep Learning
    Algorithms》

介绍:deeplearning.net整理的深浅上数据集列表.

  • 《Golang Natural Language
    Processing》

介绍:Go语言编写的自然语言处理工具.

  • 《Rehabilitation of Count-based Models for Word Vector
    Representations》

介绍:词频模型对词向量的反击,参考Improving Distributional Similarity
with Lessons Learned from Word
Embeddings。

  • 《Three Aspects of Predictive
    Modeling》

介绍:预测模型的老三单方面.

  • 《CS224d: Deep Learning for Natural Language
    Processing》

介绍:斯坦福大学深度攻读及自然语言处理课程,部分学科笔记词向量、引言

  • 《Google Computer Vision research at CVPR
    2015》

介绍:CVPR2015上Google的CV研究列表.

  • 《Using Deep Learning to Find Basketball
    Highlights》

介绍:利用(Metamind)深度上活动发现篮球赛精彩片段.

  • 《Learning Deep Features for Discriminative
    Localization》

介绍:对本土化特征上之剖析

眼看路的人,很宽泛。

切莫亮你产生没产生听罢10000钟头理论,是依一个口通过10000小时之琢磨,才能够成有世界的大家。

若果我们将当下10000钟头比作一水旅程:

想象一下有同等龙而看来一个总人口篮球打得不得了好,受到了成千上万体贴,所以若吧操学习篮球,就开始了一样趟旅程。在教练之点下,你开了有基础练习,脚步移动、原地运球、简单的传接球等等,一段时间之后,你慢慢失去耐心,因为您以教练中感觉到不至丝毫成功或发展的欢乐。你欢喜开的是学一些花里胡哨的动作,或者去球场上打败对手。你直接上比赛了,发现自己打得及特别人不同多矣,挫败感变得显然,你心说“我从没打球的原始(我没必要从得好/我去学踢足球吧)“,所以你已了立即和旅程。

于这回旅程中,经历挫折和黄的长河,我们叫平台期。你是一个关爱结果的食指,所以针对君的话,平台期简直就是如炼狱般,它让您感觉到了破产,并且你的心劲也随着逐步消退。这也是你为什么荒废了那基本上套了的东西。

平台期是图上出示的,每经历一个突破,都见面进入一个悠远的平台期

平台期

设若的浅薄,就是逢平台期就草草放弃了。每见到别人的良好,发现一个初领域,阅读一首知乎文章,都兴奋不已,以为自己投入精力为不过这样,但平生没有认真坚持做过。你无能够承受平台期,一遇到平台期你的豪情就流失殆尽,于是开始搜寻新的兴趣来重新点燃你的豪情。

浅尝辄止者

那么什么样度过这个该死的平台期呢?

抚今追昔刚才学习篮球的旅程:在您想使超过了基础练习,进入实战的上,有人提醒你说公属于那种最过分关注结果的人口,这要是您自己当以每日的闯中接近从来不取得丝毫更上一层楼。你只要举行的仅仅是坚持下去,并且尽量以召开每一个动作的时节保持标准。

结果会是何许的吗?

兴许在几完美后,事情开始来了一些变型,你认为原本几乎单不同之一对好像成于了一同,你不要再夺考虑动作的细节就能自行就有动作,一些本来认为刻意之动作吧变得理所当然了。度过了初学后底平台期。

就此,在平台期的时节,你只有需要报自己:要连续攻读,就够用了。

  1. 认识并习惯平台期。

  2. 绝有人点或联合前行。

  3. 以平台期时,不过分关注结果,保持学习之念头。

  4. 控制兴趣的数目,不轻易转移自己的古道热肠。

上述说之绝不自己要好得出的答辩,而是乔治·伦纳德(George
Leonard)在1992年问世的畅销书《Mastery》中关系的论争,本书讲到“追求卓越”是一个进程、旅程,而休结果。

于这过程被,会现出三种档次的人口,第一栽就是是脚回答着的浅尝辄止者(Dabbler),其他两栽分别是偏执狂(Obsessive)、黑客(Hacker),这三种植档次的人均无法达成“卓越”。其他两栽档次在准应对下不现实介绍,如果急需好翻阅此书。

 这按照开适合这样的人数:

  1. 相思以专业及再精进

  2. 怀念变成他人眼中难以企及的天分

  3. 匪思量安于现状

  4. 针对好的浅薄感到悔恨

一旦你看了这开要此对,希望不用开很“听罢很多道理,依然过不好就无异于坏”的食指,正而作者所说:

不要管时间浪费在思索“自己怎么而举行相同件事”上,而是将团结做的事情作吃饭睡觉一样自然,那么就起事迅速便会转移得如吃饭睡觉一样简单。