PRML_模式识别与机器学习

    

    ​前两天参加完GMIS_2017全球智能机器峰会，听了很多学术界和工业界的大牛们的精彩分享，后期也会整理视频和PPT，放上来和大家分享。

获取最新消息链接：获取最新消息快速通道 - lqfarmer的博客 - 博客频道 - CSDN.NET

    目前，机器学习技术最新发展的趋势是什么？借用第四范式首席科学家杨强老师观点，机器学习的发展趋势：

    昨天：深度学习技术（大量数据，丰富特征和高准确率）

    今天：强化学习（大量数据，反馈信号和策略选择）

    明天：迁移学习技术（少量数据，学习方法和个性化/冷启动问题）

    可以发现，一个最明显的变化是：少量数据。不论是迁移学习（Transfer Learning）或者是生成对抗学习（GAN），我们关注它最重要的原因之一：使用少量数据去学习。借用Yoshua Bengio和GAN之父Ian GoodFellow最新著作《Deep Learning》中的观点来说，迁移学习和生成对抗学习都是属于表示学习（Representation Learning）的方法。生成对抗学习GAN属于Generative Model中的一种，另外一种是VAE（variational Auto Encoder）。

    最近一直在整理VAE、GAN和Transfer Learning的相关内容，但发现牵涉到近似推理（Approximate inference）的很多知识没有理清楚，所以一直在整理。近似推理的方法分为非变分近似（Non-variational approximate）的方法和变分近似（Variational Inference）的方法。非变分的方法包括（MAP）和马尔科夫链蒙特卡洛（Markov Chain Monte Carlo,MCMC）方法，变分的方法是变分推理

Variational inference。

    对于这方面内容有疑惑或者是想系统化学习下的朋友，推荐看一下机器学习和深度学习领域，权威且基础的教程《PRML_模式识别与机器学习》，后期回陆续整理相关内容跟大家分享。

获取最新消息链接：获取最新消息快速通道 - lqfarmer的博客 - 博客频道 - CSDN.NET

中文版：http://pan.baidu.com/s/1geYHQi3

英文版：http://pan.baidu.com/s/1o84rGZw

更多深度学习在NLP方面应用的经典论文、实践经验和最新消息，欢迎关注微信公众号“深度学习与NLP”或“DeepLearning_NLP”或扫描二维码添加关注。