【乾貨】小白的機器學習乾貨 （更新）
下文的這些連結都是筆者在初學機器學習時的一些資源乾貨，其中有大部分需要科學上網才能瀏覽。
- 維基百科
Hierarchical clustering（分層聚類）—— 維基百科
Spectral clustering（譜聚類）—— 維基百科
Bellman equation（貝爾曼方程）—— 維基百科
Trigonometric functions (三角函式）—— 維基百科
Similarity measure（相似度量）—— 維基百科
- 知乎問答
知乎問答 —— 機器學習中使用正則化來防止過擬合是什麼原理？
- 官方/學術文件
scipy.optimize.leastsq ( ) 使用方法 （官方文件）
用反向傳播訓練多層神經網路的原理 —— 波蘭 AGH 科技大學
Affinity Propagation 的論文、用例及原始碼
Convolutional Neural Networks (LeNet)
- 學術論文
Deep Residual Learning for Image Recognition（深度殘留學習的影象識別）
Deep Gate Recurrent Neural Network（深門遞迴神經網路）
Recent Advances in Recurrent Neural Networks（遞迴神經網路的最新進展）
A Critical Review of Recurrent Neural Networks for Sequence Learning（迴歸神經網路在序列學習中的應用評述）
Generative Adversarial Networks （GAN 生成對抗網路）
- 部落格
sklearn 中的 Pipeline 機制 —— CSDN
Visualizing K-Means Clustering （視覺化K-Means聚類）
The 5 Clustering Algorithms Data Scientists Need to Know（資料科學家需要了解的5種聚類演算法）
An overview of gradient descent optimization algorithms（梯度下降優化演算法概述）
PyTorch – Internal Architecture Tour（PyTorch - 內部建築之旅）
The Unreasonable Effectiveness of Recurrent Neural Networks（迴歸神經網路的不合理有效性）
Understanding LSTM Networks（瞭解LSTM網路）
Neural Networks, Types, and Functional Programming（神經網路，型別和功能程式設計）
- 課程資源/其他
PyTorch 實現的 torchvision 模組 —— Github
Learning financial market data with recurrent Autoencoders and Tensorflow