【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