【机器学习、深度学习入门、进阶、深入指南】每一阶段必读论文arxiv.org免费下载链接+课程链接+github代码链接
人工智能研究专家Flood Sung针对近几年深度学习的研究进展提供了一个非常详细的阅读清单。如果你在深度学习领域是一个新手,你可以会想知道如何从哪篇论文开始阅读学习,人工智能研究专家Flood Sung制定了这一份详细的paper list,包括深度学习历史和基础知识、深度学习方法(涉及模型、优化、无监督学习、RNN、深度强化学习等)、深度学习应用(自然语言处理、目标检测、视觉跟踪、图像描述生成、机器翻译、机器人、目标分割等),建议你收藏,仔细学习
【AI最新论文精选文章讲解+文章、代码下载链接】包括词向量、强化学习、自回归生成模型, 可视化神经等等干货文章
【AI最新论文精选文章讲解+文章、代码下载链接】包括词向量、强化学习、自回归生成模型, 可视化神经等等干货文章
【最新】2018面向工程师的最佳【统计机器学习】课程课件、作业、视频链接
美国圣母大学2017年新开课程《给科学家和工程师的统计学习》Statistical Computing for Scientists and Engineers 涵盖了统计学习中的几乎所有重要知识,包括《概率与统计、信息论、多维高斯分布、最大后验估计、贝叶斯统计、指数族分布、贝叶斯线性回归、蒙特卡洛方法、重要性采样、吉布斯采样、状态空间模型、EM算法、主成分分析、连续隐变量模型、核方法与高斯过程等》,并提供视频,PPT,课程作业及其参考答案与代码,还有大量参考学习资源,是不可多得的统计学习课程。和李航的统计学习方法配合学习效果更佳。
讲课课件和视频
1. 统计计算,概率与统计导论
2. 概率与统计导论(第一节延续)
3. 信息论,多维高斯分布,最大似然估计,罗宾斯 - 门罗算法
4. 基于罗宾斯 - 门罗的序列最大似然估计,条件与边缘高斯分布
5. 似然计算,最大后验估计,正则化最小二乘,线性高斯模型
6. 贝叶斯统计简介,指数族分布
7. 指数族分布和广义线性模型,多维高斯分布的贝叶斯推断
8. 先验与层次模型
9. 贝叶斯线性回归简介,模型比较与选型
10. 贝叶斯线性回归
11. 贝叶斯线性回归(续)
12. 贝叶斯回归和变量选择的实现
13. 蒙特卡洛方法简介,离散与连续分布采样
14. 逆采样,变换采样,接受-拒绝方法,分层/系统抽样
15. 重要性采样
16. 吉布斯采样
17. 马尔科夫蒙特卡洛MCMC算法
18. 状态空间模型与顺序重要性采样简介
19. 顺序重要性重采样
20. 顺序重要性重采样(续)
21. 序列蒙特卡洛与条件线性高斯模型
22. 逆跳跃马尔科夫链蒙特卡洛
23. 期望最大算法简介
24. 期望最大算法(续)
25. 主成分分析
26. 连续隐变量模型
27. 核方法与高斯过程
【最新】2018斯坦福cs224n深度学习与自然语言处理NLP课程课件、代码、国内观看视频链接
2018最新Stanford大学CS224n: Natural Language Processing with Deep Learning。新版“用深度学习进行自然语言处理”以深度学习为中心,包含更多的传统自然语言处理的内容。丰富的学习资源,比如PPT, 讲义,代码和课程报告,是非常好的自然语言入门课程,分享给下载积分少的朋友!
2018斯坦福深度学习Tensorflow实战课程课件、代码、视频链接
斯坦福大学在2017年开设了一门深度学习Tensorflow实战课程(Tensorflow for Deep Learning Research),广受好评,2018年课程最近已经开始,课程都会提供丰富的学习资源,比如PPT, 讲义,代码和课程报告,是非常好的Tensorflow实战入门课程。该课程没有以传统的稳扎稳打的学习方式(先学习数学基础、然后掌握机器学习、最后开始深度学习),而是直接从当前最热门的深度学习框架Tensorflow入手,讲解如何利用开源的Tensorflow框架进行深度学习研究,促使读者在实战中学习和掌握深度学习.因此,本教程更适合已经有一定深度学习基础、希望快速构建项目的读者。
通过此课程,学生将使用TensorFlow建立不同复杂度的模型,从简单的线性/逻辑回归到卷积神经网络和递归神经网络,以解决词嵌入,翻译,光学字符识别,强化学习等任务,学生还可以学习如何构建模型。好资源分享给下载积分少的朋友!
Science 杂志综述长文——Machine learning机器学习发展趋势和前景
Jordan和Mitchell两位Machine learning大牛在Science 杂志综述长文——机器学习发展趋势和前景
Science杂志 2018最新长文机器学习究竟将如何影响人类未来的工作?
近日,《Science》杂志发表了一篇长文,从几个不同角度详细阐述了机器学习对于未来人类工作的影响。
国家发布人工智能 AI 的三年发展计划(2018年-2020)和详细解读(附全文)
国家发布 AI 的三年发展计划(2018年-2020)和详细解读(附全文),值得人工智能学习者和从业者阅读
人工智能领域顶会AAAI 2018 论文列表
人工智能领域顶会AAAI 2018 论文列表, AAAI 是由人工智能促进协会每年举行的学术会议,是研究人员和科学家展示他们在人工智能领域的研究和新思考的平台.
彩色数字版中国人工智能学会会刊 2017年 第5-8期
2017年中国人工智能学会学会通讯 第5-8期,每期包括主题报告和专题报告,有专家对机器学习技术的发展现状和未来方向的讨论,也有人工智能产业应用的探索,值得阅读
2017年中国人工智能学会学会通讯 第1-4期
2017年中国人工智能学会学会通讯 第1-4期,每期包括主题报告和专题报告,有专家对机器学习技术的发展现状和未来方向的讨论,也有人工智能产业应用的探索
机器学习数学基础经典教材【线性代数+概率统计+优化教材+微积分】
机器学习数学基础经典教材【线性代数+概率统计+优化教材+微积分】,学习人工智能和机器学习必备的数学基础教材。包括概率论、线性代数、数值计算、最优化理论
Learning-OpenCV最新版pdf(彩色数字版)+示例练习代码
Learning-OpenCV最新版pdf(彩色数字版)+示例练习代码,非常棒的OpenCV计算机视觉学习资料,分享给大家
R语言分类(SVM KNN LDA等)与回归代码+原始数据+分析报告
R语言分类(SVM KNN LDA等)与回归代码+原始数据+分析报告,数据挖掘大作业。
托马斯微积分(13版原著+答案)Thomas'.CALCULUS.13th.with.Solutions
彩色数字版,突出应用和数学建模,重视数值计算和程序应用。在适时引进现代数学和新学科知识等方面,更有不少精彩之处。
【2018 最新】deep learning 深度学习的现状及局限综述
【2018 最新】deep learning 纽约大学教授Gary Marcus长文对深度学习的现状及局限性批判性探讨 + Deep Learning-LeCun、Bengio和Hinton三大牛的综述[2015]。讲解讨论了深度学习是什么?深度学习能做好什么? 深度学习的局限性、过度炒作的潜在风险、更好的人工智能方法是什么?等非常核心的问题,对机器学习、深度学习研究者和学习者启发很大!
长文对深度学习的现状及局限性进行了批判性探讨
长文对深度学习的现状及局限性进行了批判性探讨长文对深度学习的现状及局限性进行了批判性探讨
[高清彩色]Pattern Recognition and Machine Learning+课后习题答案+算法实现源代码
机器学习的经典教材,高清彩色赏心悦目。本书是模式识别、机器学习学习者必备教材,值得慢慢啃。习题大多数很经典,对照答案效果更佳。有PRML里几乎所有算法的matlab实现。按章节对应,代码里的符号和书同步,并且代码注释给出书中对应的公式。
R语言实战(中文完整版)+R语言与统计分析-汤银才
【彩色高清】R语言实战 和 R语言与统计分析(汤银才)都是难得的R语言教材!文件里的这两本书清晰度非常之高。整本书都是围绕实际应用展开,数据的可视化非常赞,R语言统计分析学习的朋友值得学习。
数据结构与算法分析【C语言 && C++&& JAVA】描述中文版pdf+习题答案+源码
经典教材:数据结构与算法分析【C语言 && C++&& JAVA】描述中文版pdf+习题答案+源码
10大经典算法matlab代码以及代码详解【数学建模、信号处理】
10大算法程序以及详细解释,包括模拟退火,禁忌搜索,遗传算法,神经网络、搜索算法、 图论、 遗传退火法、组合算法、免疫算法、 蒙特卡洛、灰色预测、动态规划等常用经典算法。是数学建模、信号处理等领域必备参考资料。
(ESL高清彩色英文+中文)The Elements of Statistical Learning
来自于斯坦福大学统计学院Hastie教授的经典教材,(ESL高清彩色英文+中文)The Elements of Statistical Learning。内容广泛,包括有监督学习、无监督学习等等,是从事数据挖掘和机器学习研究的经典教材。
优化教材:Convex Optimization + Numerical Optimization高清彩色版
经典教材 Convex Optimization + Numerical Optimization高清彩色版,人工智能、机器学习数学基础必读书籍,各有特色: Numerical Optimization理论比较少,但把每个算法原理都讲得很明白,而且讲了每种算法在使用中很多实际的问题;Convex Optimization这本书相对来说更加理论一些,介绍的算法比较少。虽然涉及到的理论都是比较初级的,但写的很清楚,例子非常多,如果认真读完并且做下后面的习题,可以帮你打下比较扎实的理论基础。
Learning From Data 台湾大学林田轩机器学习基石配套教材及课程PPT
台湾大学林田轩机器学习基石配套教材及课程PPT,配套couresra学习效果非常棒!非常系统地讲解了机器学习背后的原理,以及主要的技术。讲解非常深入浅出,不仅让你理解机器学习有哪些算法术,还能理解它们背后的思想,为什么要提出这个算法。强烈推荐!
(最新版高清彩色pdf + 源代码)Hands-On Machine Learning with Scikit-Learn and TensorFlow
最新版非常清晰的彩色的pdf + 源代码,作者通过具体的例子,应用两款非常流行的Python框架:Scikit-Learn和TensorFlow,帮助你掌握构建机器学习系统所需要的概念和工具。
机器学习实战(中文& 英文& 源代码)高清
机器学习实战(中文& 英文& 源代码)高清;介绍了多种经典的监督学习算法和非监督学习算法,附原代码,工程性强,非常适合初学者上手实践!
经典教材Deep Learning 深度学习中英文完整版(彩色高清)
经典教材Deep Learning 深度学习中英文完整版(彩色高清),深度学习必读书籍,彩色高清,体验很棒!
【PPT&视频讲解】一天搞懂深度学习(李宏毅)
台大教授李宏毅所写,深度学习综述ppt以及他录制的讲解视频, 介绍了深度学习目前的结构,前沿框架。视频配合PPT,学习效果非常棒,非常适合初学者!
中文翻译版Neural Networks and Deep Learning(by Michael Nielsen)& 源码实例
Michael Nielsen的⼀本书兼顾理论和动⼿实践的书。讲解了神经网络和深度学习的众多核心概念,也包含了作者对深度学习的深刻理解和透彻思考,并附代码实例。非常适合初学者入门。
机器翻译(斯坦福Thang Luong的博士论文,彩色高清 )
Minh-Thang Luong是今年ACL的神经网络机器翻译tutorial的讲者之一,从斯坦福毕业后9月份加入了google brain。从最新的名校毕业生的博士论文开始,是快速进入一个新领域的有效途径之一。
中国模式识别白皮书
本白皮书旨在介绍模式识别领域的基状况,近几年(尤其是过去 5年)在 基础理论与方法、计算机视觉应用 技术研究方面的重要进展, 产业应用情况面临的挑战和发展趋势等。 供模式识别及其应用相关领域的研究生、者和技 模式识别及其应用相关领域的研究生、者和技 术开发人员参考。
中国人工智能学会 学会通讯 2018年 第1期 new
人工智能 : 预见 2018,从脑科学到人工智能——机遇与挑战;
中国人工智能学会 学会通讯 2018年 第2期
最近几年,人工智能技术有很大发展,在图像处理、文字识别、自然语言处理、
计算机博弈等多个领域取得了很好的应用,也正在渗透到更广泛的领域,其
中人工智能技术应用于文学艺术的创作之中,实现计算机自动作诗、作画等方面也取得了很大的进展,达到了很高的水平。本期专题关注于国内学者在人工智能与艺术创作研究方面的最新进展,邀请到了来自清华大学、微软公司、平安科技(深圳)有限公司和中国科学院信息工程研究所的专家学者撰写本期专题稿件,内容涉及人工智能作画、作曲、作诗和美妆等方面的内容,作者结合自己的工作实践,深入浅出地介绍了相关研究内容的最新进展和未来发展方向。希望本专题内容,对人工智能与艺术创作相关的研究者及感兴趣的研究人员有所脾益
【AIDL】清华大学自动化系张长水教授:神经网络模型的结构优化完整ppt
张长水教授,清华大学自动化系教授、博士生导师,智能技术与系统国家重点实验室学术委员会委员,智能技术与系统国家重点实验室副主任。主要从事机器学习、模式识别、人工智能、计算机视觉等领域的教学和科研工作。
【AIDL】山世光:从人脸识别看深度学习对计算机视觉的推动及挑战PPT完整版
人工智能学会举办的AIDL《人工智能前沿讲习班》上,国内著名人脸识别专家、中科院计算所山世光研究员畅谈了从人脸识别看深度学习对计算机视觉的推动及挑战。从人类视觉系统引入,深入浅出的对计算机视觉近几十年来的发展的关键问题和方法做了回顾。并着重的介绍了自2012年起视觉智能突飞猛进的进步,并从生物系统的启示类比了深度神经网络的源起以及变迁。
【AIDL】南京大学俞扬博士:强化学习前沿【PPT完整版】
南京大学俞扬副教授在第二期《人工智能前沿讲习班》的报告完整PPT,内容包括强化学习的概念、主要算法类型和应用等,值得反复精读,目录如下:
一、介绍(Introduction)
二、马尔可夫决策过程(Markov Decision Process)
三、从马尔可夫决策过程到强化学习(from Markov Decision Process to Reinforce Learning)
四、值函数估计(Value function approximation)
五、策略搜索(Policy Search)
六、游戏中的强化学习(Reinforcement Learning in Games)
七、强化学习总结
八、强化学习资源推荐
第一,强化学习到底是什么?
第二,强化学习有哪几类算法?这几类算法的思路是什么?
第三,强化学习能用在什么地方?应用时会遇到什么限制?
最新30个最炙手可热的GitHub 机器学习开源项目简介及链接
Mybridge 总结了机器学习、深度学习领域全球流行的开源项目。作者从8800个GitHub的开源项目中筛选出30个2017年最炙手可热项目很多非常非常优秀的项目。值得每一位机器学习者收藏细细学习研究!
人工智能标准化白皮书(2018版)+ 2017年人工智能行业现状及发展趋势分析报告
【完整版】2018人工智能标准化白皮书+ 2017年人工智能行业现状及发展趋势分析报告,分析的很全面、到位。
优秀机器学习、深度学习中文综述合集
优秀机器学习、深度学习中文综述合集,阅读无障碍,适合学习者参阅