机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)

注:机器学习资料篇目一共500条,篇目二开始更新

---

---

希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子.

---

• 《Image Scaling using Deep Convolutional Neural Networks》

介绍:使用卷积神经网络的图像缩放.

• 《Proceedings of The 32nd International Conference on Machine Learning》

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.ICML2015 Sessions.

• 《Image Scaling using Deep Convolutional Neural Networks》

介绍:使用卷积神经网络的图像缩放.

• 《Microsoft researchers accelerate computer vision accuracy and improve 3D scanning models》

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.

• 《Machine Learning for Humans》

介绍:(文本)机器学习可视化分析工具.

• 《A Plethora of Tools for Machine Learning》

介绍:机器学习工具包/库的综述/比较.

• 《The art of visualizing visualizations: a best practice guide》

介绍:数据可视化最佳实践指南.

• 《MIT Machine Learning for Big Data and Text Processing Class Notes - Day 1》

介绍:Day 1、Day 2、Day 3、Day 4、Day 5.

• 《Getting “deep” about “deep learning”》

介绍:深度学习之“深”——DNN的隐喻分析.

• 《Mixture Density Networks》

介绍:混合密度网络.

• 《Interview Questions for Data Scientist Positions》

介绍:数据科学家职位面试题.

• 《Accurately Measuring Model Prediction Error》

介绍:准确评估模型预测误差.

• 《Continually updated Data Science Python Notebooks》

介绍:Continually updated Data Science Python Notebooks.

• 《How to share data with a statistician》

介绍:How to share data with a statistician.

• 《The Eyescream Project NeuralNets dreaming natural images》

介绍:来自Facebook的图像自动生成.

• 《How to share data with a statistician》

介绍:How to share data with a statistician.

• 《A Neural Conversational Model》

介绍:(Google)神经(感知)会话模型.

• 《The 50 Best Masters in Data Science》

介绍:The 50 Best Masters in Data Science.

• 《NLP常用信息资源》

介绍:NLP常用信息资源.

• 《Conditional Random Fields as Recurrent Neural Networks》

介绍:语义图像分割的实况演示,通过深度学习技术和概率图模型的语义图像分割.

• 《Fully Convolutional Networks for Semantic Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,模型代码.

• 《Growing Pains for Deep Learning》

介绍:深度学习——成长的烦恼.

• 《Clustering Text Data Streams – A Tree based Approach with Ternary Function and Ternary Feature Vector 》

介绍:基于三元树方法的文本流聚类.

• 《Foundations and Advances in Data Mining》

介绍:Free Ebook:数据挖掘基础及最新进展.

• 《The Deep Learning Revolution: Rethinking Machine Learning Pipelines》

介绍:深度学习革命.

• 《The Definitive Guide to Do Data Science for Good》

介绍:数据科学(实践)权威指南.

• 《Microsoft Academic Graph》

介绍:37G的微软学术图谱数据集.

• 《Challenges and Opportunities Of Machine Learning In Production》

介绍:生产环境(产品级)机器学习的机遇与挑战.

• 《Neural Nets for Newbies》

介绍:神经网络入门.

• 《A Nearly-Linear Time Framework for Graph-Structured Sparsity》

介绍:来自麻省理工的结构化稀疏论文.

• 《Optimal and Adaptive Algorithms for Online Boosting》

介绍:来自雅虎的机器学习小组关于在线Boosting的论文 .

• 《Top 20 Python Machine Learning Open Source Projects》

介绍:20个最热门的开源(Python)机器学习项目.

• 《The Parallel C++ Statistical Library for Bayesian Inference: QUESO》

介绍:C++并行贝叶斯推理统计库QUESO,github code.

• 《《Deep learning》Yann LeCun, Yoshua Bengio, Geoffrey Hinton (2015) 》

介绍:Nature:LeCun/Bengio/Hinton的最新文章《深度学习》,Jürgen Schmidhuber的最新评论文章《Critique of Paper by “Deep Learning Conspiracy” (Nature 521 p 436)》.

• 《Palladium》

介绍:基于Scikit-Learn的预测分析服务框架Palladium.

• 《Advances in Structured Prediction》

介绍:John Langford和Hal Daume III在ICML2015上关于Learning to Search的教学讲座幻灯片.

• 《100 open source Big Data architecture papers for data professionals》

介绍:读完这100篇论文 就能成大数据高手,国内翻译.

• 《Social Media & Text Analytics》

介绍:NLP课程《社交媒体与文本分析》精选阅读列表.

• 《Machine Learning for Developers》

介绍:写给开发者的机器学习指南.

• 《Hot news detection using Wikipedia》

介绍:基于维基百科的热点新闻发现.

• 《Harvard Intelligent Probabilistic Systems Group》

介绍:(Harvard)HIPS将发布可扩展/自动调参贝叶斯推理神经网络.

• 《An Empirical Exploration of Recurrent Network Architectures》

介绍:面向上下文感知查询建议的层次递归编解码器.

• 《Efficient Training of LDA on a GPU by Mean-for-Mode Estimation》

介绍:GPU上基于Mean-for-Mode估计的高效LDA训练.

• 《From the Lab to the Factory: Building a Production Machine Learning Infrastructure》

介绍:从实验室到工厂——构建机器学习生产架构.

• 《6 Useful Databases to Dig for Data (and 100 more)》

介绍:适合做数据挖掘的6个经典数据集(及另外100个列表).

• 《Deep Networks for Computer Vision at Google – ILSVRC2014》

介绍:Google面向机器视觉的深度学习.

• 《How to choose a machine learning API to build predictive apps》

介绍:构建预测类应用时如何选择机器学习API.

• 《Exploring the shapes of stories using Python and sentiment APIs》

介绍:Python+情感分析API实现故事情节(曲线)分析.

• 《Movie selection using R》

介绍:(R)基于Twitter/情感分析的口碑电影推荐,此外推荐分类算法的实证比较分析.

• 《A Tutorial on Graph-based Semi-Supervised Learning Algorithms for NLP》

介绍:CMU(ACL 2012)(500+页)面向NLP基于图的半监督学习算法.

• 《Arbitrariness of peer review: A Bayesian analysis of the NIPS experiment》

介绍:从贝叶斯分析NIPS，看同行评审的意义.

• 《Basics of Computational Reinforcement Learning》

介绍:(RLDM 2015)计算强化学习入门.

• 《Deep Reinforcement Learning》

介绍:David Silver的深度强化学习教程.

• 《On Explainability of Deep Neural Networks》

介绍:深度神经网络的可解释性.

• 《The Essential Spark Cheat Sheet》

介绍:Spark快速入门.

• 《Machine Learning for Sports and Real Time Predictions》

介绍:TalkingMachines:面向体育/政治和实时预测的机器学习.

• 《CS224W: Social and Information Network Analysis Autumn 2014》

介绍:Stanford社交网络与信息网络分析课程资料+课设+数据.

• 《RL Course by David Silver》

介绍:David Silver(DeeMind)的强化学习课程,slide.

• 《Faster deep learning with GPUs and Theano》

介绍:基于Theano/GPU的高效深度学习.

• 《Introduction to R Programming》

介绍:来自微软的