机器学习.docx
- 文档编号:3678771
- 上传时间:2022-11-24
- 格式:DOCX
- 页数:8
- 大小:23.38KB
机器学习.docx
《机器学习.docx》由会员分享,可在线阅读,更多相关《机器学习.docx(8页珍藏版)》请在冰豆网上搜索。
机器学习
机器学习(MachineLearning)&深入学习(DeepLearning)资料
2014-09-2510:
08ty4z2008字号:
T|T
机器学习(MachineLearning)和深入学习(DeepLearning)必备书籍,文中推荐的文章从初级到实践全部囊括了。
本文的书籍全部来自于互联网整理,详细请看下文。
AD:
51CTO首届中国APP创新评选大赛正在招募>>
∙《BriefHistoryofMachineLearning》
介绍:
这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、DeepLearning.
∙《DeepLearninginNeuralNetworks:
AnOverview》
介绍:
这是瑞士人工智能实验室JurgenSchmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以时间排序,从1940年开始讲起,到60-80年代,80-90年代,一直讲到2000年后及最近几年的进展。
涵盖了deeplearning里各种tricks,引用非常全面.
∙《AGentleIntroductiontoScikit-Learn:
APythonMachineLearningLibrary》
介绍:
这是一份python机器学习库,如果您是一位python工程师而且想深入机器学习.那么这篇文章或许能够帮助到你.
∙《HowtoLayoutandManageYourMachineLearningProject》
介绍:
这一篇介绍如果设计和管理属于你自己的机器学习项目的文章,里面提供了管理模版、数据管理与实践方法.
∙《MachineLearningisFun!
》
介绍:
如果你还不知道什么是机器学习,或则是刚刚学习感觉到很枯燥乏味。
那么推荐一读。
这篇文章已经被翻译成中文,如果有兴趣可以移步
∙《R语言参考卡片》
介绍:
R语言是机器学习的主要语言,有很多的朋友想学习R语言,但是总是忘记一些函数与关键字的含义。
那么这篇文章或许能够帮助到你
∙《ChoosingaMachineLearningClassifier》
介绍:
我该如何选择机器学习算法,这篇文章比较直观的比较了NaiveBayes,LogisticRegression,SVM,决策树等方法的优劣,另外讨论了样本大小、Feature与Model权衡等问题。
此外还有已经翻译了的版本:
∙《AnIntroductiontoDeepLearning:
FromPerceptronstoDeepNetworks》
介绍:
深度学习概述:
从感知机到深度网络,作者对于例子的选择、理论的介绍都很到位,由浅入深。
翻译版本:
∙《TheLIONWay:
MachineLearningplusIntelligentOptimization》
介绍:
<机器学习与优化>这是一本机器学习的小册子,短短300多页道尽机器学习的方方面面.图文并茂,生动易懂,没有一坨坨公式的烦恼.适合新手入门打基础,也适合老手温故而知新.比起MLAPP/PRML等大部头,也许这本你更需要!
具体内容推荐阅读:
http:
//intelligent-optimization.org/LIONbook/
∙《深度学习与统计学习理论》
介绍:
作者是来自XX,不过他本人已经在2014年4月份申请离职了。
但是这篇文章很不错如果你不知道深度学习与支持向量机/统计学习理论有什么联系?
那么应该立即看看这篇文章.
∙《计算机科学中的数学》
介绍:
这本书是由谷歌公司和MIT共同出品的计算机科学中的数学:
MathematicsforComputerScience,EricLehmanetal2013。
分为5大部分:
1)证明,归纳。
2)结构,数论,图。
3)计数,求和,生成函数。
4)概率,随机行走。
5)递归。
等等
∙《数据科学入门》
介绍:
这是一本由雪城大学新编的第二版《数据科学入门》教材:
偏实用型,浅显易懂,适合想学习R语言的同学选读。
∙《TwentyQuestionsforDonaldKnuth》
介绍:
这并不是一篇文档或书籍。
这是篇向图灵奖得主DonaldKnuth提问记录稿:
近日,CharlesLeiserson,AlAho,JonBentley等大神向Knuth提出了20个问题,内容包括TAOCP,P/NP问题,图灵机,逻辑,以及为什么大神不用电邮等等。
∙《AutomaticConstructionandNatural-LanguageDescriptionofNonparametricRegressionModels》
介绍:
不会统计怎么办?
不知道如何选择合适的统计模型怎么办?
那这篇文章你的好好读一读了麻省理工JoshuaB.Tenenbaum和剑桥ZoubinGhahramani合作,写了一篇关于automaticstatistician的文章。
可以自动选择回归模型类别,还能自动写报告...
∙《ICLR2014论文集》
介绍:
对深度学习和representationlearning最新进展有兴趣的同学可以了解一下
∙《IntroductiontoInformationRetrieval》
介绍:
这是一本信息检索相关的书籍,是由斯坦福Manning与谷歌副总裁Raghavan等合著的IntroductiontoInformationRetrieval一直是北美最受欢迎的信息检索教材之一。
最近作者增加了该课程的幻灯片和作业。
IR相关资源:
http:
//www-nlp.stanford.edu/IR-book/information-retrieval.html
∙《Machinelearningin10pictures》
介绍:
DenizYuret用10张漂亮的图来解释机器学习重要概念:
1.Bias/VarianceTradeoff2.Overfitting3.Bayesian/Occam'srazor4.Featurecombination5.Irrelevantfeature6.Basisfunction7.Discriminative/Generative8.Lossfunction9.Leastsquares10.Sparsity.很清晰
∙《雅虎研究院的数据集汇总》
介绍:
雅虎研究院的数据集汇总:
包括语言类数据,图与社交类数据,评分与分类数据,计算广告学数据,图像数据,竞赛数据,以及系统类的数据。
∙《AnIntroductiontoStatisticalLearningwithApplicationsinR》
介绍:
这是一本斯坦福统计学著名教授TrevorHastie和RobertTibshirani的新书,并且在2014年一月已经开课:
https:
//class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about
∙BestMachineLearningResourcesforGettingStarted
介绍:
机器学习最佳入门学习资料汇总是专为机器学习初学者推荐的优质学习资源,帮助初学者快速入门。
而且这篇文章的介绍已经被翻译成中文版。
如果你不怎么熟悉,那么我建议你先看一看中文的介绍。
∙Mydeeplearningreadinglist
介绍:
主要是顺着Bengio的PAMIreview的文章找出来的。
包括几本综述文章,将近100篇论文,各位山头们的Presentation。
全部都可以在google上找到。
∙Cross-LanguageInformationRetrieval
介绍:
这是一本书籍,主要介绍的是跨语言信息检索方面的知识。
理论很多
∙探索推荐引擎内部的秘密,第1部分:
推荐引擎初探
介绍:
本文共有三个系列,作者是来自IBM的工程师。
它主要介绍了推荐引擎相关算法,并帮助读者高效的实现这些算法。
探索推荐引擎内部的秘密,第2部分:
深入推荐引擎相关算法-协同过滤,探索推荐引擎内部的秘密,第3部分:
深入推荐引擎相关算法-聚类
∙《Adviceforstudentsofmachinelearning》
介绍:
康奈尔大学信息科学系助理教授DavidMimno写的《对机器学习初学者的一点建议》,写的挺实际,强调实践与理论结合,最后还引用了冯·诺依曼的名言:
"Youngman,inmathematicsyoudon'tunderstandthings.Youjustgetusedtothem."
∙分布式并行处理的数据
介绍:
这是一本关于分布式并行处理的数据《ExplorationsinParallelDistributedProcessing:
AHandbookofModels,Programs,andExercises》,作者是斯坦福的JamesL.McClelland。
着重介绍了各种神级网络算法的分布式实现,做DistributedDeepLearning的童鞋可以参考下
∙《“机器学习”是什么?
》
介绍:
【“机器学习”是什么?
】JohnPlatt是微软研究院杰出科学家,17年来他一直在机器学习领域耕耘。
近年来机器学习变得炙手可热,Platt和同事们遂决定开设博客,向公众介绍机器学习的研究进展。
机器学习是什么,被应用在哪里?
来看Platt的这篇博文
∙《2014年国际机器学习大会ICML2014论文》
介绍:
2014年国际机器学习大会(ICML)已经于6月21-26日在国家会议中心隆重举办。
本次大会由微软亚洲研究院和清华大学联手主办,是这个有着30多年历史并享誉世界的机器学习领域的盛会首次来到中国,已成功吸引海内外1200多位学者的报名参与。
干货很多,值得深入学习下
∙《MachineLearningforIndustry:
ACaseStudy》
介绍:
这篇文章主要是以LearningtoRank为例说明企业界机器学习的具体应用,RankNet对NDCG之类不敏感,加入NDCG因素后变成了LambdaRank,同样的思想从神经网络改为应用到BoostedTree模型就成就了LambdaMART。
ChirsBurges,微软的机器学习大神,Yahoo2010LearningtoRankChallenge第一名得主,排序模型方面有RankNet,LambdaRank,LambdaMART,尤其以LambdaMART最为突出,代表论文为:
FromRankNettoLambdaRanktoLambdaMART:
AnOverview 此外,Burges还有很多有名的代表作,比如:
ATutorialonSupportVectorMachinesforPatternRecognition
SomeNotesonAppliedMathematicsforMachineLearning
∙100BestGitHub:
DeepLearning
介绍:
100BestGitHub:
DeepLearning
∙《UFLDL-斯坦福大学AndrewNg教授“DeepLearning”教程》
介绍:
本教程将阐述无监督特征学习和深度学习的主要观点。
通过学习,你也将实现多个功能学习/深度学习算法,能看到它们为你工作,并学习如何应用/适应这些想法到新问题上。
本教程假定机器学习的基本知识(特别是熟悉的监督学习,逻辑回归,梯度下降的想法),如果你不熟悉这些想法,我们建议你去这里机器学习课程,并先完成第II,III,IV章(到逻辑回归)。
此外这关于这套教程的源代码在github上面已经有python版本了 UFLDLTutorialCode
*《DeepLearningforNaturalLanguageProcessingandRelatedApplications》
介绍:
这份文档来自微软研究院,精髓很多。
如果需要完全理解,需要一定的机器学习基础。
不过有些地方会让人眼前一亮,毛塞顿开。
∙UnderstandingConvolutions
介绍:
这是一篇介绍图像卷积运算的文章,讲的已经算比较详细的了
∙《MachineLearningSummerSchool》
介绍:
每天请一个大牛来讲座,主要涉及机器学习,大数据分析,并行计算以及人脑研究。
∙《AwesomeMachineLearning》
介绍:
一个超级完整的机器学习开源库总结,如果你认为这个碉堡了,那后面这个列表会更让你惊讶:
【AwesomeAwesomeness】,国内已经有热心的朋友进行了翻译中文介绍
∙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ChrisManning教授的《自然语言处理》课程所有视频已经可以在斯坦福公开课网站上观看了(如Chrome不行,可用IE观看)作业与测验也可以下载。
∙《DeepLearningandShallowLearning》
介绍:
对比DeepLearning和ShallowLearning的好文,来着浙大毕业、MIT读博的ChiyuanZhang的博客。
∙《RecommendingmusiconSpotifywithdeeplearning》
介绍:
利用卷积神经网络做音乐推荐。
∙《NeuralNetworksandDeepLearning》
介绍:
神经网络的免费在线书,已经写了三章了,还有对应的开源代码:
爱好者的福音。
∙《JavaMachineLearning》
介绍:
Java机器学习相关平台和开源的机器学习库,按照大数据、NLP、计算机视觉和DeepLearning分类进行了整理。
看起来挺全的,Java爱好者值得收藏。
∙《MachineLearningTheory:
AnIntroductoryPrimer》
介绍:
机器学习最基本的入门文章,适合零基础者
∙《机器学习常见算法分类汇总》
介绍:
机器学习的算法很多。
很多时候困惑人们都是,很多算法是一类算法,而有些算法又是从其他算法中延伸出来的。
这里,我们从两个方面来给大家介绍,第一个方面是学习的方式,第二个方面是算法的类似性。
∙《机器学习经典论文/survey合集》
介绍:
看题目你已经知道了是什么内容,没错。
里面有很多经典的机器学习论文值得仔细与反复的阅读。
∙《机器学习视频库》
介绍:
视频由加州理工学院(Caltech)出品。
需要英语底子。
∙《机器学习经典书籍》
介绍:
总结了机器学习的经典书籍,包括数学基础和算法理论的书籍,可做为入门参考书单。
∙《16FreeeBooksOnMachineLearning》
介绍:
16本机器学习的电子书,可以下载下来在pad,手机上面任意时刻去阅读。
不多我建议你看完一本再下载一本。
∙《ALargesetofMachineLearningResourcesforBeginnerstoMavens》
介绍:
标题很大,从新手到专家。
不过看完上面所有资料。
肯定是专家了
∙《机器学习最佳入门学习资料汇总》
介绍:
入门的书真的很多,而且我已经帮你找齐了。
∙《Sibyl》
介绍:
Sibyl是一个监督式机器学习系统,用来解决预测方面的问题,比如YouTube的视频推荐。
∙《DeepLearning》
介绍:
YoshuaBengio,IanGoodfellow,AaronCourville著
∙《NeuralNetwork&TextMining》
介绍:
关于(Deep)NeuralNetworks在NLP和TextMining方面一些paper的总结
∙《前景目标检测1(总结)》
介绍:
计算机视觉入门之前景目标检测1(总结)
∙《行人检测》
介绍:
计算机视觉入门之行人检测
∙《DeepLearning–importantresourcesforlearningandunderstanding》
介绍:
Importantresourcesforlearningandunderstanding.Isawesome
∙《MachineLearningTheory:
AnIntroductoryPrimer》
介绍:
这又是一篇机器学习初学者的入门文章。
值得一读
∙《NeuralNetworksandDeepLearning》
介绍:
在线NeuralNetworksandDeepLearning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个关于机器学习的工具
∙《神奇的伽玛函数(上)》
介绍:
下集在这里神奇的伽玛函数(下)
∙《分布式机器学习的故事》
介绍:
作者王益目前是腾讯广告算法总监,王益博士毕业后在google任研究。
这篇文章王益博士7年来从谷歌到腾讯对于分布机器学习的所见所闻。
值得细读
∙《机器学习提升之道(Level-UpYourMachineLearning)》
介绍:
把机器学习提升的级别分为0~4级,每级需要学习的教材和掌握的知识。
这样,给机器学习者提供一个上进的路线图,以免走弯路。
另外,整个网站都是关于机器学习的,资源很丰富。
∙《MachineLearningSurveys》
介绍:
机器学习各个方向综述的网站
∙《DeepLearningReadinglist》
介绍:
深入学习阅资源列表
∙《DeepLearning:
MethodsandApplications》
介绍:
这是一本来自微的研究员liPeng和DongYu所著的关于深入学习的方法和应用的电子书
∙《MachineLearningSummerSchool2014》
介绍:
2014年七月CMU举办的机器学习夏季课刚刚结束有近50小时的视频、十多个PDF版幻灯片,覆盖深度学习,贝叶斯,分布式机器学习,伸缩性等热点话题。
所有13名讲师都是牛人:
包括大牛TomMitchell(他的[机器学习]是名校的常用教材),还有CMU李沐.(1080P高清哟)
∙《Sibyl:
来自Google的大规模机器学习系统》
介绍:
在今年的IEEE/IFIP可靠系统和网络(DSN)国际会议上,Google软件工程师TusharChandra做了一个关于Sibyl系统的主题演讲。
Sibyl是一个监督式机器学习系统,用来解决预测方面的问题,比如YouTube的视频推荐。
详情请阅读googlesibyl
∙《Buildingadeeperunderstandingofimages》
介绍:
谷歌研究院的ChristianSzegedy在谷歌研究院的博客上简要地介绍了他们今年参加ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。
∙《Bayesiannetwork与python概率编程实战入门》
介绍:
贝叶斯学习。
如果不是很清可看看概率编程语言与贝叶斯方法实践
∙《AMA:
MichaelIJordan》
介绍:
网友问伯克利机器学习大牛、美国双料院士MichaelI.Jordan:
"如果你有10亿美金,你怎么花?
Jordan:
"我会用这10亿美金建造一个NASA级别的自然语言处理研究项目。
"
∙《机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理)》
介绍:
常见面试之机器学习算法思想简单梳理
∙《文本与数据挖掘视频汇总》
介绍:
Videolectures上最受欢迎的25个文本与数据挖掘视频汇总
∙《怎么选择深度学习的GPUs》
介绍:
在Kaggle上经常取得不错成绩的TimDettmers介绍了他自己是怎么选择深度学习的GPUs,以及个人如何构建深度学习的GPU集群:
∙《对话机器学习大神MichaelJordan:
深度模型》
介绍:
对话机器学习大神MichaelJordan
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机器 学习
![提示](https://static.bdocx.com/images/bang_tan.gif)