机器学习 入门资料汇编

15年开始接触机器学习(更准确是,deep learning的代码,cnn)

需要看不少资料来入门;

这里收集了一些,给自己看,也可给路过的感兴趣的看官评判,以资消遣

直接上链接吧:

1,http://speakerdeck.com/baojie/recent-advances-in-deep-learning-by-kevin-duh

2,http://speakerdeck.com/baojie/deep-learning-an-introduction-from-the-nlp-perspective-by-kevin-duh

3,http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html   (关于cnn的实现,写的还不错,还可以更仔细一些,不顾更加推荐去看代码)

4,https://www.reddit.com/r/MachineLearning/comments/3y4zai/ama_nando_de_freitas/   ama的reddit链接,需要精度;

以及: https://www.reddit.com/r/MachineLearning/    这是一个邮件组,加入吧,骚年

5,How-Microsoft-beat-Google-at-understanding-images-with-machine-learning/articleshow/50354135.cms   评论今年的imagenet比赛,浏览;

6,几份干货:

  1)http://www.nature.com/news/computer-science-the-learning-machines-1.14481

  2)http://ufldl.stanford.edu/tutorial/

  3)http://www.toptal.com/machine-learning/an-introduction-to-deep-learning-from-perceptrons-to-deep-networks

7,个人喜欢的两个项目之一:

  1)http://gitxiv.com/posts/LgPRdTY3cwPBiMKbm/deep-residual-learning-for-image-recognition

时间: 2024-08-07 08:36:27

机器学习 入门资料汇编的相关文章

机器学习入门资源--汇总

机器学习入门资源--汇总 基本概念 机器学习 机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论.统计学.逼近论.凸分析.算法复杂度理论等多门学科.机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法.机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法.因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论.算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法. 下面从微观到宏观试着梳理一下机器学习的范畴:

机器学习书籍资料推荐

本文为转载,源地址为:http://blog.chinaunix.net/uid-10314004-id-3594337.html 机器学习的资料较多,初学者可能会不知道怎样去有效的学习,所以对这方面的资料进行了一个汇总,希望能够对和我一样的初学者有一定的借鉴. 1. 数学基础    机器学习是构建于数学的基础之上的,因此只有把数学的基本功打好,才能够在机器学习领域有长远的发展.正所谓”勿在浮沙筑高台“. 微积分:微积分学教程 (F.M.菲赫金哥尔茨)俄罗斯的数学书 线性代数:Linear Al

【转载】机器学习入门者学习指南(经验分享)

机器学习入门者学习指南(经验分享) 2013-09-21 14:47 本人计算机研二,专业方向自然语言处理,个人对于机器学习挺感兴趣,于是开始学习.所以,原来这家伙是个菜鸟……正是由于自己是个菜鸟,所以体会到自学机器学习的艰辛,于是在这里分享一下个人的经验,希望能对入门者有所帮助.一些有关机器学习的介绍在这里就不做详细介绍了,感兴趣的同学可以去维基百科.就直接进入正题.1.去Coursera上Andrew Ng的<机器学习>,完成所有作业,最好能全部拿满分.这是相当入门的课程,老师是机器学习领

DeepLearning(一)最佳环境搭配与入门资料

[原创]Liu_LongPo 转载请注明出处 [CSDN]http://blog.csdn.net/llp1992 最近由于毕业论文的原因搞得学习进度有点慢,过了5月份再加快进度. DeepLearning,也就是我们所说的深度学习.深度学习是机器学习的一个分支,属于无监督学习,近年来深度学习在语音识别和图像识别等领域取得了巨大的成功. 深度学习的本质,就是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习数据中更加有用的特征.也就是说,训练数据的特征不用我们去提取了,深度学习帮我们干了

写给程序员的机器学习入门 (一) - 从基础说起

前段时间因为店铺不能开门,我花了一些空余时间看了很多机器学习相关的资料,我发现目前的机器学习入门大多要不门槛比较高,要不过于着重使用而忽视基础原理,所以我决定开一个新的系列针对程序员讲讲机器学习.这个系列会从机器学习的基础原理开始一直讲到如何应用,看懂这个系列需要一定的编程知识(主要会使用 python 语言),但不需要过多的数学知识,并且对于涉及到的数学知识会作出简单的介绍.因为我水平有限(不是专业的机器学习工程师),这个系列不会讲的非常深入,看完可能也就只能做一个调参狗,各路大佬觉得哪些部分

机器学习入门:线性回归及梯度下降

机器学习入门:线性回归及梯度下降 本文会讲到: (1)线性回归的定义 (2)单变量线性回归 (3)cost function:评价线性回归是否拟合训练集的方法 (4)梯度下降:解决线性回归的方法之一 (5)feature scaling:加快梯度下降执行速度的方法 (6)多变量线性回归   Linear Regression 注意一句话:多变量线性回归之前必须要Feature Scaling! 方法:线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个

Git入门资料汇总

Git是一个非常好用的版本控制工具,同时,它也是一个相对比较复杂的工具,想要掌握它还是需要花一番功夫的.网络上关于Git的入门资料已经很多了,我就不再重复了,直接把我学习的文章放在这里. Git详解 Git详解之一:Git起步 Git详解之二:Git基础 Git详解之三:Git分支 Git详解之四:服务器上的Git Git详解之五:分布式Git Git详解之六:Git工具 Git详解之七:自定义Git Git详解之八:Git与其他系统 Git详解之九:Git内部原理 其他资料 Git Book

机器学习入门——单变量线性回归

线性回归的概念,在高中数学书里就出现过. 给你一些样本点,如何找出一条直线,使得最逼近这些样本点. 给出一个例子:假设 x 是房子面积,y是房子价格,确定一条直线需要theta0和theta1. 给出x,我们就可以计算出房子的价格 h(x) = theta0+theta1*x 关键是如何计算出theta0和theta1,也就是如何找出这么一条直线呢? 在这里,引入一个概念,叫做cost function.m表示样本个数,也就是训练样本数目 这是一个square error,学过统计的应该经常见到

r语言入门资料

最近有好多r语言的爱好者问我r语言的事情,在百度上简单的收一收,感觉都在扯淡,真正适合初学者入门的资料几乎没有,比如最开始用什么编辑器比较好,在哪下载,最开始学习的例子有什么?  在日本网站上反倒是找到了不少的好资料,现在吧连接给出. 統計解析 & R言語 超初心者入門資料まとめ 基本统计知识和r语言下载安装到基本语法ppt http://morizyun.github.io/blog/statistics-analysis-bigginer-r/ 各种函数用法 http://cse.naro.