【資料分享】500篇乾貨解讀人工智慧新時代
500篇乾貨解讀人工智慧新時代
本文主要目的是為了分享一些機器學習以及深度學習的資料供大家參考學習，整理了大約500份國內外優秀的材料文章，打破一些學習人工智慧領域沒頭緒同學的學習禁錮，希望看到文章的朋友能夠學到更多，此外:某些資料在中國訪問需要梯子，希望在一定程度上能夠幫助到大家，喜歡的朋友一定要點贊關注博主，轉載別忘了保留原文連結哦~~~
介紹:這是一篇介紹機器學習歷史的文章，介紹很全面，從感知機、神經網路、決策樹、SVM、Adaboost到隨機森林、Deep Learning.
介紹:這是瑞士人工智慧實驗室Jurgen Schmidhuber寫的最新版本《神經網路與深度學習綜述》本綜述的特點是以時間排序，從1940年開始講起，到60-80年代，80-90年代，一直講到2000年後及最近幾年的進展。涵蓋了deep learning裡各種tricks，引用非常全面.
介紹:這是一份python機器學習庫,如果您是一位python工程師而且想深入的學習機器學習.那麼這篇文章或許能夠幫助到你.
介紹:這一篇介紹如果設計和管理屬於你自己的機器學習專案的文章，裡面提供了管理模版、資料管理與實踐方法.
介紹:如果你還不知道什麼是機器學習，或則是剛剛學習感覺到很枯燥乏味。那麼推薦一讀。這篇文章已經被翻譯成中文,如果有興趣可以移步http://blog.jobbole.com/67616/
介紹:R語言是機器學習的主要語言,有很多的朋友想學習R語言，但是總是忘記一些函式與關鍵字的含義。那麼這篇文章或許能夠幫助到你
介紹:我該如何選擇機器學習演算法，這篇文章比較直觀的比較了Naive Bayes，Logistic Regression，SVM，決策樹等方法的優劣，另外討論了樣本大小、Feature與Model權衡等問題。此外還有已經翻譯了的版本:
介紹:<機器學習與優化>這是一本機器學習的小冊子, 短短300多頁道盡機器學習的方方面面. 圖文並茂, 生動易懂, 沒有一坨坨公式的煩惱. 適合新手入門打基礎, 也適合老手溫故而知新. 比起MLAPP/PRML等大部頭, 也許這本你更需要!具體內容推薦閱讀:http://intelligent-optimization.org/LIONbook/
介紹:作者是來自百度，不過他本人已經在2014年4月份申請離職了。但是這篇文章很不錯如果你不知道深度學習與支援向量機/統計學習理論有什麼聯絡？那麼應該立即看看這篇文章.
介紹:這本書是由谷歌公司和MIT共同出品的電腦科學中的數學：[Mathematics for Computer Science](Mathematics for Computer Science)，Eric Lehman et al 2013 。分為5大部分：1）證明，歸納。2）結構，數論，圖。3）計數，求和，生成函式。4）概率，隨機行走。5）遞迴。等等
介紹：資訊時代的電腦科學理論,目前國內有紙質書購買，iTunes購買
介紹:這是一本由雪城大學新編的第二版《資料科學入門》教材：偏實用型，淺顯易懂，適合想學習R語言的同學選讀。
介紹:這並不是一篇文件或書籍。這是篇向圖靈獎得主Donald Knuth提問記錄稿： 近日， Charles Leiserson, Al Aho, Jon Bentley等大神向Knuth提出了20個問題，內容包括TAOCP，P/NP問題，圖靈機，邏輯，以及為什麼大神不用電郵等等。
介紹：不會統計怎麼辦？不知道如何選擇合適的統計模型怎麼辦？那這篇文章你的好好讀一讀了麻省理工Joshua B. Tenenbaum和劍橋Zoubin Ghahramani合作，寫了一篇關於automatic statistician的文章。可以自動選擇迴歸模型類別，還能自動寫報告...
介紹:對深度學習和representation learning最新進展有興趣的同學可以瞭解一下
介紹：這是一本資訊檢索相關的書籍，是由斯坦福Manning與谷歌副總裁Raghavan等合著的Introduction to Information Retrieval一直是北美最受歡迎的資訊檢索教材之一。最近作者增加了該課程的幻燈片和作業。IR相關資源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html
介紹:Deniz Yuret用10張漂亮的圖來解釋機器學習重要概念：1. Bias/Variance Tradeoff 2. Overfitting 3. Bayesian / Occam's razor 4. Feature combination 5. Irrelevant feature 6. Basis function 7. Discriminative / Generative 8. Loss function 9. Least squares 10. Sparsity.很清晰
介紹：雅虎研究院的資料集彙總： 包括語言類資料，圖與社交類資料，評分與分類資料，計算廣告學資料，影象資料，競賽資料，以及系統類的資料。
介紹：機器學習最佳入門學習資料彙總是專為機器學習初學者推薦的優質學習資源，幫助初學者快速入門。而且這篇文章的介紹已經被翻譯成中文版。如果你不怎麼熟悉，那麼我建議你先看一看中文的介紹。
介紹:主要是順著Bengio的PAMI review的文章找出來的。包括幾本綜述文章，將近100篇論文，各位山頭們的Presentation。全部都可以在google上找到。
介紹：這是一本書籍，主要介紹的是跨語言資訊檢索方面的知識。理論很多
介紹：康奈爾大學資訊科學系助理教授David Mimno寫的《對機器學習初學者的一點建議》， 寫的挺實際，強調實踐與理論結合，最後還引用了馮 • 諾依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."
介紹：這是一本關於分散式並行處理的資料《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》,作者是斯坦福的James L. McClelland。著重介紹了各種神級網路演算法的分散式實現,做Distributed Deep Learning 的童鞋可以參考下
介紹:【“機器學習”是什麼？】John Platt是微軟研究院傑出科學家，17年來他一直在機器學習領域耕耘。近年來機器學習變得炙手可熱，Platt和同事們遂決定開設部落格，向公眾介紹機器學習的研究進展。機器學習是什麼，被應用在哪裡？來看Platt的這篇博文
介紹：2014年國際機器學習大會（ICML）已經於6月21-26日在國家會議中心隆重舉辦。本次大會由微軟亞洲研究院和清華大學聯手主辦，是這個有著30多年曆史並享譽世界的機器學習領域的盛會首次來到中國，已成功吸引海內外1200多位學者的報名參與。乾貨很多，值得深入學習下
介紹：這篇文章主要是以Learning to Rank為例說明企業界機器學習的具體應用，RankNet對NDCG之類不敏感，加入NDCG因素後變成了LambdaRank，同樣的思想從神經網路改為應用到Boosted Tree模型就成就了LambdaMART。Chirs Burges，微軟的機器學習大神，Yahoo 2010 Learning to Rank Challenge第一名得主，排序模型方面有RankNet，LambdaRank，LambdaMART，尤其以LambdaMART最為突出，代表論文為：
From RankNet to LambdaRank to LambdaMART: An Overview
此外，Burges還有很多有名的代表作，比如：A Tutorial on Support Vector Machines for Pattern Recognition
Some Notes on Applied Mathematics for Machine Learning
介紹:100 Best GitHub: Deep Learning
介紹:本教程將闡述無監督特徵學習和深度學習的主要觀點。通過學習，你也將實現多個功能學習/深度學習演算法，能看到它們為你工作，並學習如何應用/適應這些想法到新問題上。本教程假定機器學習的基本知識（特別是熟悉的監督學習，邏輯迴歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這裡機器學習課程，並先完成第II，III，IV章（到邏輯迴歸）。此外這關於這套教程的原始碼在github上面已經有python版本了 UFLDL Tutorial Code
介紹:這份文件來自微軟研究院,精髓很多。如果需要完全理解，需要一定的機器學習基礎。不過有些地方會讓人眼前一亮,茅塞頓開。
介紹:這是一篇介紹影象卷積運算的文章，講的已經算比較詳細的了
介紹：一個超級完整的機器學習開源庫總結，如果你認為這個碉堡了，那後面這個列表會更讓你驚訝：【Awesome Awesomeness】,國內已經有熱心的朋友進行了翻譯中文介紹，機器學習資料探勘免費電子書
介紹:ACL候任主席、斯坦福大學計算機系Chris Manning教授的《自然語言處理》課程所有視訊已經可以在斯坦福公開課網站上觀看了（如Chrome不行，可用IE觀看） 作業與測驗也可以下載。
介紹:對比 Deep Learning 和 Shallow Learning 的好文，來著浙大畢業、MIT 讀博的 Chiyuan Zhang 的部落格。
介紹:利用卷積神經網路做音樂推薦。
介紹：Java機器學習相關平臺和開源的機器學習庫，按照大資料、NLP、計算機視覺和Deep Learning分類進行了整理。看起來挺全的，Java愛好者值得收藏。
介紹：機器學習最基本的入門文章，適合零基礎者
介紹：機器學習的演算法很多。很多時候困惑人們都是，很多演算法是一類演算法，而有些演算法又是從其他演算法中延伸出來的。這裡，我們從兩個方面來給大家介紹，第一個方面是學習的方式，第二個方面是演算法的類似性。
介紹：看題目你已經知道了是什麼內容,沒錯。裡面有很多經典的機器學習論文值得仔細與反覆的閱讀。
介紹：視訊由加州理工學院（Caltech）出品。需要英語底子。
介紹：總結了機器學習的經典書籍，包括數學基礎和演算法理論的書籍，可做為入門參考書單。
介紹:16本機器學習的電子書，可以下載下來在pad，手機上面任意時刻去閱讀。不多我建議你看完一本再下載一本。
介紹:標題很大，從新手到專家。不過看完上面所有資料。肯定是專家了
介紹：入門的書真的很多，而且我已經幫你找齊了。
介紹：Sibyl 是一個監督式機器學習系統，用來解決預測方面的問題，比如 YouTube 的視訊推薦。
介紹:關於(Deep) Neural Networks在 NLP 和 Text Mining 方面一些paper的總結
介紹:計算機視覺入門之前景目標檢測1（總結）
介紹:計算機視覺入門之行人檢測
介紹:Important resources for learning and understanding . Is awesome
介紹:這又是一篇機器學習初學者的入門文章。值得一讀
介紹:線上Neural Networks and Deep Learning電子書
介紹:python的17個關於機器學習的工具
介紹:作者王益目前是騰訊廣告演算法總監，王益博士畢業後在google任研究。這篇文章王益博士7年來從谷歌到騰訊對於分佈機器學習的所見所聞。值得細讀
介紹:把機器學習提升的級別分為0~4級，每級需要學習的教材和掌握的知識。這樣，給機器學習者提供一個上進的路線圖，以免走彎路。另外，整個網站都是關於機器學習的，資源很豐富。
介紹:機器學習各個方向綜述的網站
介紹:深度學習閱資源列表
介紹：這是一本來自微的研究員 li Peng和Dong Yu所著的關於深度學習的方法和應用的電子書
介紹:2014年七月CMU舉辦的機器學習夏季課剛剛結束 有近50小時的視訊、十多個PDF版幻燈片，覆蓋 深度學習，貝葉斯，分散式機器學習，伸縮性 等熱點話題。所有13名講師都是牛人：包括大牛Tom Mitchell （他的［機器學習］是名校的常用教材），還有CMU李沐 .（1080P高清喲）
介紹:在今年的IEEE/IFIP可靠系統和網路（DSN）國際會議上，Google軟體工程師Tushar Chandra做了一個關於Sibyl系統的主題演講。 Sibyl是一個監督式機器學習系統，用來解決預測方面的問題，比如YouTube的視訊推薦。詳情請閱讀google sibyl
介紹:谷歌研究院的Christian Szegedy在谷歌研究院的部落格上簡要地介紹了他們今年參加ImageNet取得好成績的GoogLeNet系統.是關於影象處理的。
介紹:網友問伯克利機器學習大牛、美國雙料院士Michael I. Jordan："如果你有10億美金，你怎麼花？Jordan: "我會用這10億美金建造一個NASA級別的自然語言處理研究專案。"
介紹:常見面試之機器學習演算法思想簡單梳理,此外作者還有一些其他的機器學習與資料探勘文章和深度學習文章,不僅是理論還有原始碼。
介紹：Videolectures上最受歡迎的25個文字與資料探勘視訊彙總
介紹:在Kaggle上經常取得不錯成績的Tim Dettmers介紹了他自己是怎麼選擇深度學習的GPUs, 以及個人如何構建深度學習的GPU叢集: http://t.cn/RhpuD1G
介紹:對話機器學習大神Michael Jordan
介紹:是Stanford 教授 Andrew Ng 的 Deep Learning 教程，國內的機器學習愛好者很熱心的把這個教程翻譯成了中文。如果你英語不好，可以看看這個
介紹:因為近兩年來，深度學習在媒體界被炒作很厲害（就像大資料）。其實很多人都還不知道什麼是深度學習。這篇文章由淺入深。告訴你深度學究竟是什麼！
介紹:這是斯坦福大學做的一免費課程（很勉強），這個可以給你在深度學習的路上給你一個學習的思路。裡面提到了一些基本的演算法。而且告訴你如何去應用到實際環境中。中文版
介紹:這是多倫多大學做的一個深度學習用來識別圖片標籤／圖轉文字的demo。是一個實際應用案例。有原始碼
介紹:機器學習模型，閱讀這個內容需要有一定的基礎。
介紹: (CRAN Task Views, 34種常見任務,每個任務又各自分類列舉若干常用相關工具包) 例如: 機器學習，自然語言處理，時間序列分析，空間資訊分析，多重變數分析，計量經濟學，心理統計學，社會學統計，化學計量學，環境科學，藥物代謝動力學 等
介紹: 機器學習無疑是當前資料分析領域的一個熱點內容。很多人在平時的工作中都或多或少會用到機器學習的演算法。本文為您總結一下常見的機器學習演算法，以供您在工作和學習中參考.
介紹: 很多幹貨，而且作者還總結了好幾個系列。另外還作者還了一個文章導航.非常的感謝作者總結。
介紹:傳送理由：Rob Fergus的用深度學習做計算機是覺的NIPS 2013教程。有mp4, mp3, pdf各種下載 他是紐約大學教授，目前也在Facebook工作，他2014年的8篇論文
介紹:FudanNLP，這是一個復旦大學計算機學院開發的開源中文自然語言處理（NLP）工具包
Fudan NLP裡包含中文分詞、關鍵詞抽取、命名實體識別、詞性標註、時間詞抽取、語法分析等功能，對搜尋引擎 文字分析等極為有價值。
介紹:LinkedIn 開源的機器學習工具包,支援單機, Hadoop cluster，和 Spark cluster 重點是 logistic regression 演算法
介紹:對於英語不好，但又很想學習機器學習的朋友。是一個大的福利。機器學習週刊目前主要提供中文版，還是面向廣大國內愛好者，內容涉及機器學習、資料探勘、並行系統、影象識別、人工智慧、機器人等等。謝謝作者
介紹：《線性代數》是《機器學習》的重要數學先導課程。其實《線代》這門課講得淺顯易懂特別不容易，如果一上來就講逆序數及羅列行列式性質，很容易讓學生失去學習的興趣。我個人推薦的最佳《線性代數》課程是麻省理工Gilbert Strang教授的課程。 課程主頁
介紹:大資料資料處理資源、工具不完備列表，從框架、分散式程式設計、分散式檔案系統、鍵值資料模型、圖資料模型、資料視覺化、列儲存、機器學習等。很讚的資源彙總。
介紹:雅虎邀請了一名來自本古裡安大學的訪問學者，製作了一套關於機器學習的系列視訊課程。本課程共分為7期，詳細講解了有關SVM, boosting, nearest neighbors, decision trees 等常規機器學習演算法的理論基礎知識。
介紹:應對大資料時代，量子機器學習的第一個實驗 paper 下載
介紹:Wired雜誌報道了UCLA數學博士Chris McKinlay （圖1）通過大資料手段+機器學習方法破解婚戀網站配對演算法找到真愛的故事,通過Python指令碼控制著12個賬號，下載了婚戀網站2萬女使用者的600萬問題答案，對他們進行了統計抽樣及聚類分析（圖2，3），最後終於收穫了真愛。科技改變命運！
介紹:MIT的Underactuated Robotics於 2014年10月1日開課，該課屬於MIT研究生級別的課程，對機器人和非線性動力系統感興趣的朋友不妨可以挑戰一下這門課程！
介紹:mllib實踐經驗分享
介紹:Google用Deep Learning做的antispam(反垃圾郵件)
介紹:機器學習速查表
介紹：從1996年開始在電腦科學的論文中被引用次數最多的論文
介紹：把今年的一個ACM Trans. on Graphics (TOG)論文中的程式碼整理為一個開源的演算法框架，共享出來了。歡迎大家使用。可以實時的採集3D資料、重建出三維模型。Online learning，GPU Random forest，GPU CRF也會後續公開。
介紹：【神經網路黑客指南】現在，最火莫過於深度學習（Deep Learning），怎樣更好學習它？可以讓你在瀏覽器中，跑起深度學習效果的超酷開源專案ConvNetJS作者karpathy告訴你，最佳技巧是，當你開始寫程式碼，一切將變得清晰。他剛釋出了一本圖書，不斷線上更新
介紹：前Google廣告系統工程師Josh Wills 講述工業界和學術界機器學習的異同,大實話
介紹：使用Neo4j 做電影評論的情感分析。
介紹：不僅是資料，而且還對有些資料做了註釋。
介紹：深度學習入門的初級讀本
介紹：機器學習教會了我們什麼？
介紹：scikit-learn是在SciPy基礎上構建的用於機器學習的Python模組。
介紹：喬丹教授（Michael I. Jordan）教授是機器學習領域神經網路的大牛，他對深度學習、神經網路有著很濃厚的興趣。因此，很多提問的問題中包含了機器學習領域的各類模型，喬丹教授對此一一做了解釋和展望。
介紹：A*搜尋是人工智慧基本演算法，用於高效地搜尋圖中兩點的最佳路徑, 核心是 g(n)+h(n): g(n)是從起點到頂點n的實際代價，h(n)是頂點n到目標頂點的估算代價。合集
介紹：本專案利用了Microsoft Azure，可以在幾分種內完成NLP on Azure Website的部署，立即開始對FNLP各種特性的試用，或者以REST API的形式呼叫FNLP的語言分析功能
介紹：現任復旦大學首席教授、計算機軟體博士生導師。電腦科學研究所副所長.內部課程
介紹：好東西的乾貨真的很多
介紹：從硬體、影象到健康、生物、大資料、生物資訊再到量子計算等，Amund Tveit等維護了一個DeepLearning.University小專案：收集從2014年開始深度學習文獻，相信可以作為深度學習的起點,github
介紹：作者是深度學習一線大牛Bengio組寫的教程，演算法深入顯出，還有實現程式碼，一步步展開。
介紹：許多傳統的機器學習任務都是在學習function，不過谷歌目前有開始學習演算法的趨勢。谷歌另外的這篇學習Python程式的Learning to Execute也有相似之處
介紹：作者是華為技術有限公司，諾亞方舟實驗室，首席科學家的李航博士寫的關於資訊檢索與自然語言處理的文章
介紹：利用機用器學習在謠言的判別上的應用,此外還有兩個。一個是識別垃圾與虛假資訊的paper.還有一個是網路輿情及其分析技術
介紹：該課程是網易公開課的收費課程，不貴，超級便宜。主要適合於對利用R語言進行機器學習，資料探勘感興趣的人。
介紹：本章中作者總結了三代機器學習演算法實現的演化：第一代非分散式的， 第二代工具如Mahout和Rapidminer實現基於Hadoop的擴充套件，第三代如Spark和Storm實現了實時和迭代資料處理。BIG DATA ANALYTICS BEYOND HADOOP
介紹：講計算機視覺的四部奇書（應該叫經典吧）之一，另外三本是Hartley的《多圖幾何》、Gonzalez的《數字影象處理》、Rafael C.Gonzalez / Richard E.Woods 的《數字影象處理》
介紹：裡面基本沒涉及到具體演算法，但作者介紹了CF在LinkedIn的很多應用，以及他們在做推薦過程中獲得的一些經驗。最後一條經驗是應該監控log資料的質量，因為推薦的質量很依賴資料的質量！
介紹：初學者如何查閱自然語言處理（NLP）領域學術資料
介紹：用樹莓派和相機模組進行人臉識別
介紹：如何利用深度學習與大資料構建對話系統
介紹：Francis Bach合作的有關稀疏建模的新綜述(書)：Sparse Modeling for Image and Vision Processing，內容涉及Sparsity, Dictionary Learning, PCA, Matrix Factorization等理論，以及在影象和視覺上的應用，而且第一部分關於Why does the l1-norm induce sparsity的解釋也很不錯。
介紹：RKHS是機器學習中重要的概念，其在large margin分類器上的應用也是廣為熟知的。如果沒有較好的數學基礎，直接理解RKHS可能會不易。本文從基本運算空間講到Banach和Hilbert空間，深入淺出，一共才12頁。
介紹：許多同學對於機器學習及深度學習的困惑在於，數學方面已經大致理解了，但是動起手來卻不知道如何下手寫程式碼。斯坦福深度學習博士Andrej Karpathy寫了一篇實戰版本的深度學習及機器學習教程，手把手教你用Javascript寫神經網路和SVM.
介紹：【語料庫】語料庫資源彙總
介紹：本文會過一遍最流行的機器學習演算法，大致瞭解哪些方法可用，很有幫助。
介紹：這個裡面有很多關於機器學習、訊號處理、計算機視覺、深入學習、神經網路等領域的大量原始碼（或可執行程式碼）及相關論文。科研寫論文的好資源
介紹：NYU 2014年的深度學習課程資料，有視訊
介紹：計算機視覺資料集不完全彙總
介紹：機器學習開源軟體
介紹：A Library for Support Vector Machines
介紹：github上面100個非常棒的專案
介紹：當前加州大學歐文分校為機器學習社群維護著306個數據集。查詢資料集
介紹：Andrej Karpathy 是斯坦福大學Li Fei-Fei的博士生，使用機器學習在影象、視訊語義分析領域取得了科研和工程上的突破，發的文章不多，但每個都很紮實，在每一個問題上都做到了state-of-art.
介紹：Andrej Karpathy的深度強化學習演示，論文在這裡
介紹：CIKM Cup(或者稱為CIKM Competition)是ACM CIKM舉辦的國際資料探勘競賽的名稱。
介紹：傑弗裡·埃弗里斯特·辛頓 FRS是一位英國出生的計算機學家和心理學家，以其在神經網路方面的貢獻聞名。辛頓是反向傳播演算法和對比散度演算法的發明人之一，也是深度學習的積極推動者.
介紹：微軟研究院深度學習技術中心在CIKM2014 上關於《自然語言處理的深度學習理論與實際》教學講座的幻燈片
介紹： 本文基於<支援向量機的高頻限價訂單的動態建模>採用了 Apache Spark和Spark MLLib從紐約股票交易所的訂單日誌資料構建價格運動預測模型。(股票有風險，投資謹慎)GitHub原始碼託管地址.
介紹：徐宗本 院士將於熱愛機器學習的小夥伴一起探討有關於機器學習的幾個理論性問題，並給出一些有意義的結論。最後通過一些例項來說明這些理論問題的物理意義和實際應用價值。
介紹：作者還著有《這就是搜尋引擎：核心技術詳解》一書，主要是介紹應用層的東西
介紹：機器學習課程
介紹：人臉識別必讀文章推薦
介紹：推薦系統經典論文文獻
介紹：人臉識別必讀文章推薦
介紹：第十二屆中國"機器學習及其應用"研討會PPT
介紹：統計學習是關於計算機基於資料構建的概率統計模型並運用模型對資料進行預測和分析的一門科學，統計學習也成為統計機器學習。課程來自上海交通大學
介紹：機器學習的目標是對計算機程式設計，以便使用樣本資料或以往的經驗來解決給定的問題.
介紹：CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主題報告的幻燈片， Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry Track報告的幻燈片
介紹：部分中文列表
介紹:加州伯克利大學博士Aria Haghighi寫了一篇超讚的數值優化博文，從牛頓法講到擬牛頓法，再講到BFGS以及L-BFGS, 圖文並茂，還有虛擬碼。強烈推薦。
介紹:Ｒ語言程式設計師私人定製版
介紹:谷歌地圖解密
介紹:空間資料探勘常用方法
介紹:Kaggle新比賽 ”When bag of words meets bags of popcorn“ aka ”邊學邊用word2vec和deep learning做NLP“ 裡面全套教程教一步一步用python和gensim包的word2vec模型，並在實際比賽裡面比調引數和清資料。 如果已裝過gensim不要忘升級
介紹:PyNLPIR提供了NLPIR/ICTCLAS漢語分詞的Python介面,此外Zhon提供了常用漢字常量，如CJK字元和偏旁，中文標點，拼音，和漢字正則表示式（如找到文字中的繁體字）
介紹:這文章說把最近模型識別上的突破應用到圍棋軟體上，打16萬張職業棋譜訓練模型識別功能。想法不錯。訓練後目前能做到不用計算，只看棋盤就給出下一步，大約10級棋力。但這篇文章太過樂觀，說什麼人類的最後一塊堡壘馬上就要跨掉了。話說得太早。不過，如果與別的軟體結合應該還有潛力可挖。@萬精油墨綠
介紹:UT Austin教授Eric Price關於今年NIPS審稿實驗的詳細分析,他表示，根據這次實驗的結果，如果今年NIPS重新審稿的話，會有一半的論文被拒。
介紹:KDNuggets分別總結了2014年14個閱讀最多以及分享最多的文章。我們從中可以看到多個主題——深度學習，資料科學家職業，教育和薪酬，學習資料科學的工具比如R和Python以及大眾投票的最受歡迎的資料科學和資料探勘語言
介紹:Python實現線性迴歸,作者還有其他很棒的文章推薦可以看看
介紹：2014中國大資料技術大會33位核心專家演講PDF下載
介紹：這是T. Mikolov & Y. Bengio最新論文Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews ，使用RNN和PV在情感分析效果不錯，［專案程式碼］(https://github.com/mesnilgr/iclr15)公佈在github(目前是空的)。這意味著Paragraph Vector終於揭開面紗了嘛。
介紹:NLPIR/ICTCLAS2015分詞系統釋出與使用者交流大會上的演講，請更多朋友檢閱新版分詞吧。 我們實驗室同學的演講包括：孫夢姝-基於評論觀點挖掘的商品搜尋技術研究 李然-主題模型
介紹:Convex Neural Networks 解決維數災難
介紹:介紹CNN引數在使用bp演算法時該怎麼訓練，畢竟CNN中有卷積層和下采樣層，雖然和MLP的bp演算法本質上相同，但形式上還是有些區別的，很顯然在完成CNN反向傳播前瞭解bp演算法是必須的。此外作者也做了一個資源集:機器學習，深度學習，視覺，數學等
介紹:如果要在一篇文章中匹配十萬個關鍵詞怎麼辦？Aho-Corasick 演算法利用添加了返回邊的Trie樹，能夠線上性時間內完成匹配。 但如果匹配十萬個正則表示式呢 ？ 這時候可以用到把多個正則優化成Trie樹的方法，如日本人寫的 Regexp::Trie
介紹:深度學習閱讀清單
介紹:Caffe是一個開源的深度學習框架，作者目前在google工作，作者主頁Yangqing Jia (賈揚清)
介紹:2014 ImageNet冠軍GoogLeNet深度學習模型的Caffe復現模型,GoogleNet論文.
介紹:LambdaNetLambdaNet是由Haskell實現的一個開源的人工神經網路庫，它抽象了網路建立、訓練並使用了高階函式。該庫還提供了一組預定義函式，使用者可以採取多種方式組合這些函式來操作現實世界資料。
介紹:如果你從事網際網路搜尋，線上廣告，使用者行為分析，影象識別，自然語言理解，或者生物資訊學，智慧機器人，金融預測，那麼這門核心課程你必須深入瞭解。
介紹:"人工智慧研究分許多流派。其中之一以IBM為代表，認為只要有高效能運算就可得到智慧，他們的‘深藍’擊敗了世界象棋冠軍；另一流派認為智慧來自動物本能；還有個很強的流派認為只要找來專家，把他們的思維用邏輯一條條寫下，放到計算機裡就行……" 楊強在TEDxNanjing談智慧的起源
介紹:網易有道的三位工程師寫的word2vec的解析文件，從基本的詞向量/統計語言模型->NNLM->Log-Linear/Log-Bilinear->層次化Log-Bilinear，到CBOW和Skip-gram模型，再到word2vec的各種tricks，公式推導與程式碼，基本上是網上關於word2vec資料的大合集，對word2vec感興趣的朋友可以看看
介紹:作者是計算機研二(寫文章的時候，現在是2015年了應該快要畢業了)，專業方向自然語言處理．這是一點他的經驗之談．對於入門的朋友或許會有幫助
介紹:這是一篇關於機器學習演算法分類的文章，非常好
介紹:機器學習日報裡面推薦很多內容，在這裡有一部分的優秀內容就是來自機器學習日報．
介紹:這是一篇關於影象分類在深度學習中的文章
介紹:作者與Bengio的兄弟Samy 09年合編《自動語音識別：核方法》 3）李開復1989年《自動語音識別》專著，其博導、94年圖靈獎得主Raj Reddy作序
介紹: 作者是360電商技術組成員,這是一篇NLP在中文分詞中的應用
介紹: 使用deep learning的人臉關鍵點檢測，此外還有一篇AWS部署教程
介紹: 由Sebastian Nowozin等人編纂MIT出版的新書《Advanced Structured Prediction》http://t.cn/RZxipKG ，彙集了結構化預測領域諸多牛文，涉及CV、NLP等領域，值得一讀。網上公開的幾章草稿:一,二,三,四,五
介紹: Tropp把數學家用高深裝逼的數學語言寫的矩陣概率不等式用初等的方法寫出來，是非常好的手冊，領域內的paper各種證明都在用裡面的結果。雖說是初等的，但還是非常的難
介紹: 不容錯過的免費大資料集，有些已經是耳熟能詳，有些可能還是第一次聽說，內容跨越文字、資料、多媒體等，讓他們伴你開始資料科學之旅吧，具體包括：Data.gov、US Census Bureau、European Union Open Data Portal、Data.gov.uk等
介紹: 谷歌科學家、Hinton親傳弟子Ilya Sutskever的深度學習綜述及實際建議
介紹: 非常好的討論遞迴神經網路的文章，覆蓋了RNN的概念、原理、訓練及優化等各個方面內容，強烈推薦！本文作者Nikhil Buduma還有一篇Deep Learning in a Nutshell值得推薦
介紹:裡面融合了很多的資源，例如競賽，線上課程，demo，資料整合等。有分類
介紹:《機器學習的統計基礎》線上版，該手冊希望在理論與實踐之間找到平衡點，各主要內容都伴有實際例子及資料，書中的例子程式都是用R語言編寫的。
介紹:IVAN VASILEV寫的深度學習導引：從淺層感知機到深度網路。高可讀
介紹:魯棒及有益的人工智慧優先研究計劃：一封公開信,目前已經有Stuart Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom Mitchell, Geoffrey Hinton, Elon Musk等人簽署The Future of Life Institute (FLI).這封信的背景是最近霍金和Elon Musk提醒人們注意AI的潛在威脅。公開信的內容是AI科學家們站在造福社會的角度，展望人工智慧的未來發展方向，提出開發AI系統的Verification，Validity, Security, Control四點要求，以及需要注意的社會問題。畢竟當前AI在經濟領域，法律，以及道德領域相關研究較少。其實還有一部美劇《疑犯追蹤》,介紹了AI的演進從一開始的自我學習，過濾，影象識別，語音識別等判斷危險，到第四季的時候出現了機器通過學習成長之後想控制世界的狀態。說到這裡推薦收看。
介紹:裡面根據詞條提供了許多資源，還有相關知識結構，路線圖，用時長短等。號稱是”機器學習“搜尋引擎
介紹:Facebook人工智慧研究院（FAIR）開源了一系列軟體庫，以幫助開發者建立更大、更快的深度學習模型。開放的軟體庫在 Facebook 被稱作模組。用它們替代機器學習領域常用的開發環境 Torch 中的預設模組，可以在更短的時間內訓練更大規模的神經網路模型。
介紹:本文雖然是寫於2012年，但是這篇文章完全是作者的經驗之作。
介紹:本文是對《機器學習實戰》作者Peter Harrington做的一個訪談。包含了書中部分的疑問解答和一點個人學習建議
介紹:非常好的深度學習概述，對幾種流行的深度學習模型都進行了介紹和討論
介紹:主要是講述了利用R語言進行資料探勘
介紹:Deep Learning演算法介紹，裡面介紹了06年3篇讓deep learning崛起的論文
介紹:一本學習人工智慧的書籍，作者是Yoshua Bengio，相關國內報道
介紹:Geoffrey Hinton是Deep Learning的大牛，他的主頁放了一些介紹性文章和課件值得學習
介紹:概率論：數理邏輯書籍
介紹:一個用來快速的統計，機器學習並且對於資料量大的數學庫
介紹:在這裡你可以看到最近深度學習有什麼新動向。
介紹:此書在資訊檢索領域家喻戶曉， 除提供該書的免費電子版外，還提供一個IR資源列表 ，收錄了資訊檢索、網路資訊檢索、搜尋引擎實現等方面相關的圖書、研究中心、相關課程、子領域、會議、期刊等等，堪稱全集，值得收藏
介紹:資訊幾何學及其在機器學習中的應用
介紹:課程《法律分析》介紹幻燈片。用機器學習解決法律相關分析和預測問題，相關的法律應用包括預測編碼、早期案例評估、案件整體情況的預測，定價和工作人員預測，司法行為預測等。法律領域大家可能都比較陌生，不妨瞭解下。
介紹: 文中提到了最優，模型，最大熵等等理論，此外還有應用篇。推薦系統可以說是一本不錯的閱讀稿，關於模型還推薦一篇Generative Model 與 Discriminative Model
介紹: NeuralTalk is a Python+numpy project for learning Multimodal Recurrent Neural Networks that describe images with sentences.NeuralTalk是一個Python的從影象生成自然語言描述的工具。它實現了Google (Vinyals等，卷積神經網路CNN + 長短期記憶LSTM) 和斯坦福 (Karpathy and Fei-Fei， CNN + 遞迴神經網路RNN)的演算法。NeuralTalk自帶了一個訓練好的動物模型，你可以拿獅子大象的照片來試試看
介紹:本文主要介紹了在Hadoop2.0上使用深度學習,文章來自paypal
介紹:用基於梯度下降的方法訓練深度框架的實踐推薦指導,作者是Yoshua Bengio .感謝@xuewei4d 推薦
介紹: 用統計和因果方法做機器學習（視訊報告）
介紹: 一個講機器學習的Youtube視訊教程。160集。系統程度跟書可比擬。
介紹: 機器學習中的數學，作者的研究方向是機器學習，平行計算如果你還想了解一點其他的可以看看他部落格的其他文章
介紹: 美團推薦演算法實踐，從框架，應用，策略，查詢等分析
介紹: 深度學習用於問答系統答案句的選取
介紹: CNN用於WEB搜尋，深度學習在文字計算中的應用
介紹: Awesome系列中的公開資料集
介紹: 一個學術搜尋引擎
介紹: 用Python和Cython寫的工業級自然語言處理庫，號稱是速度最快的NLP庫，快的原因一是用Cython寫的，二是用了個很巧妙的hash技術，加速系統的瓶頸，NLP中稀鬆特徵的存取
介紹: Fields是個數學研究中心,上面的這份ppt是來自Fields舉辦的活動中Russ Salakhutdinov帶來的《大規模機器學習》分享
介紹: Topic modeling 的經典論文,標註了關鍵點
介紹: 多倫多大學與Google合作的新論文，深度學習也可以用來下圍棋，據說能達到六段水平
介紹: 新聞，paper,課程，book，system,CES,Roboot，此外還推薦一個深度學習入門與綜述資料
介紹: 18 free eBooks on Machine Learning
介紹:Chief scientist of Noah's Ark Lab of Huawei Technologies.He worked at the Research Laboratories of NEC Corporation during 1990 and 2001 and Microsoft Research Asia during 2001 and 2012.Paper
介紹: DEEPLEARNING.UNIVERSITY的論文庫已經收錄了963篇經過分類的深度學習論文了，很多經典論文都已經收錄
介紹: Radim Řehůřek(Gensim開發者)在一次機器學習聚會上的報告，關於word2vec及其優化、應用和擴充套件，很實用.國內網盤
介紹:很多公司都用機器學習來解決問題，提高使用者體驗。那麼怎麼可以讓機器學習更實時和有效呢？Spark MLlib 1.2裡面的Streaming K-means，由斑馬魚腦神經研究的Jeremy Freeman腦神經科學家編寫，最初是為了實時處理他們每半小時1TB的研究資料，現在釋出給大家用了。
介紹: 這是一篇面向工程師的LDA入門筆記，並且提供一份開箱即用Java實現。本文只記錄基本概念與原理，並不涉及公式推導。文中的LDA實現核心部分採用了arbylon的LdaGibbsSampler併力所能及地註解了，在搜狗分類語料庫上測試良好，開源在GitHub上。
介紹: AMiner是一個學術搜尋引擎，從學術網路中挖掘深度知識、面向科技大資料的挖掘。收集近4000萬作者資訊、8000萬論文資訊、1億多引用關係、連結近8百萬知識點；支援專家搜尋、機構排名、科研成果評價、會議排名。
介紹: Quora上的主題，討論Word2Vec的有趣應用，Omer Levy提到了他在CoNLL2014最佳論文裡的分析結果和新方法，Daniel Hammack給出了找特異詞的小應用並提供了(Python)程式碼
介紹: 機器學習公開課彙總,雖然裡面的有些課程已經歸檔過了，但是還有個別的資訊沒有。感謝課程圖譜的小編
介紹: 【A First Course in Linear Algebra】Robert Beezer 有答案 有移動版、列印版 使用GNU自由文件協議 引用了傑弗遜1813年的信
介紹:libfacedetection是深圳大學開源的一個人臉影象識別庫。包含正面和多視角人臉檢測兩個演算法.優點:速度快(OpenCV haar+adaboost的2-3倍), 準確度高 (FDDB非公開類評測排名第二），能估計人臉角度。
介紹:WSDM2015最佳論文 把馬爾可夫鏈理論用在了圖分析上面，比一般的propagation model更加深刻一些。通過全域性的平穩分佈去求解每個節點影響係數模型。假設合理（轉移受到相鄰的影響係數影響）。可以用來反求每個節點的影響係數
介紹:機器學習入門書籍，具體介紹
介紹: 非常棒的強調特徵選擇對分類器重要性的文章。情感分類中，根據互資訊對複雜高維特徵降維再使用樸素貝葉斯分類器，取得了比SVM更理想的效果，訓練和分類時間也大大降低——更重要的是，不必花大量時間在學習和優化SVM上——特徵也一樣no free lunch
介紹:CMU的統計系和計算機系知名教授Larry Wasserman 在《機器崛起》,對比了統計和機器學習的差異
介紹:隨著大資料時代的到來，機器學習成為解決問題的一種重要且關鍵的工具。不管是工業界還是學術界，機器學習都是一個炙手可熱的方向，但是學術界和工業界對機器學習的研究各有側重，學術界側重於對機器學習理論的研究，工業界側重於如何用機器學習來解決實際問題。這篇文章是美團的實際環境中的實戰篇
介紹:面向機器學習的高斯過程，章節概要：迴歸、分類、協方差函式、模型選擇與超參優化、高斯模型與其他模型關係、大資料集的逼近方法等,微盤下載
介紹:Python下的文字模糊匹配庫，老庫新推，可計算串間ratio(簡單相似係數)、partial_ratio(區域性相似係數)、token_sort_ratio(詞排序相似係數)、token_set_ratio(詞集合相似係數)等 github
介紹:Blocks是基於Theano的神經網路搭建框架，整合相關函式、管道和演算法，幫你更快地建立和管理NN模組.
介紹:機器學習大神Alex Smola在CMU新一期的機器學習入門課程”Introduction to Machine Learning“近期剛剛開課，課程4K高清視訊同步到Youtube上，目前剛剛更新到 2.4 Exponential Families,課程視訊playlist, 感興趣的同學可以關注，非常適合入門.
介紹:用社交使用者行為學習圖片的協同特徵，可更好地表達圖片內容相似性。由於不依賴於人工標籤(標註)，可用於大規模圖片處理，難在使用者行為資料的獲取和清洗；利用社會化特徵的思路值得借鑑.
介紹:Twitter技術團隊對前段時間開源的時間序列異常檢測演算法(S-H-ESD)R包的介紹，其中對異常的定義和分析很值得參考，文中也提到——異常是強針對性的，某個領域開發的異常檢測在其他領域直接用可不行.
介紹:聚焦資料質量問題的應對，資料質量對各種規模企業的效能和效率都至關重要，文中總結出(不限於)22種典型資料質量問題顯現的訊號，以及典型的資料質量解決方案(清洗、去重、統一、匹配、許可權清理等)
介紹:中文分詞入門之資源.
介紹:15年舊金山深度學習峰會視訊集萃,國內雲盤
介紹:很好的條件隨機場(CRF)介紹文章,作者的學習筆記
介紹: 來自Stanford，用神經網路實現快速準確的依存關係解析器
介紹:做深度學習如何選擇GPU的建議
介紹: Stanford的Trevor Hastie教授在H2O.ai Meet-Up上的報告，講稀疏線性模型——面向“寬資料”(特徵維數超過樣本數)的線性模型,13年同主題報告 、講義.
介紹: 分類整理的機器視覺相關資源列表，秉承Awesome系列風格，有質有量!作者的更新頻率也很頻繁
介紹: social networks course
介紹: 大規模機器學習流程的構建與部署.
介紹: 人臉識別二次開發包，免費，可商用，有演示、範例、說明書.
介紹: 採用Torch用深度學習網路理解NLP，來自Facebook 人工智慧的文章.
介紹: 來自CMU的Ed Hovy和Stanford的Jiwei Li一篇有意思的Arxiv文章,作者用Shannon Entropy來刻畫NLP中各項任務的難度.
介紹: 資訊檢索排序模型BM25(Besting Matching)。1）從經典概率模型演變而來 2）捕捉了向量空間模型中三個影響索引項權重的因子：IDF逆文件頻率；TF索引項頻率；文件長度歸一化。3）並且含有整合學習的思想：組合了BM11和BM15兩個模型。4）作者是BM25的提出者和Okapi實現者Robertson.
介紹: 自迴歸滑動平均(ARMA)時間序列的簡單介紹，ARMA是研究時間序列的重要方法，由自迴歸模型（AR模型）與滑動平均模型（MA模型）為基礎“混合”構成.
介紹: 把來自target的attention signal加入source encoding CNN的輸入，得到了比BBN的模型好的多neural network joint model
介紹: 揭開印度菜的美味祕訣——通過對大量食譜原料關係的挖掘，發現印度菜美味的原因之一是其中的味道互相沖突，很有趣的文字挖掘研究
介紹: 1)詞頻與其降序排序的關係,最著名的是語言學家齊夫(Zipf,1902-1950)1949年提出的Zipf‘s law,即二者成反比關係. 曼德勃羅(Mandelbrot,1924- 2010)引入引數修正了對甚高頻和甚低頻詞的刻畫 2)Heaps' law: 詞彙表與語料規模的平方根(這是一個引數,英語0.4-0.6)成正比
介紹: Jürgen Schmidhuber在Reddit上的AMA(Ask Me Anything)主題，有不少RNN和AI、ML的乾貨內容，關於開源&思想&方法&建議……耐心閱讀，相信你也會受益匪淺.
介紹: 成G上T的學術資料，HN近期熱議話題,主題涉及機器學習、NLP、SNA等。下載最簡單的方法，通過BT軟體，RSS訂閱各集合即可
介紹: Scikit-Learn官網提供，在原有的Cheat Sheet基礎上加上了Scikit-Learn相關文件的連結，方便瀏覽
介紹: 深度學習的全面硬體指南，從GPU到RAM、CPU、SSD、PCIe
介紹:Pedestrian Detection paper & data
介紹: 【神經科學碰撞人工智慧】在臉部識別上你我都是專家，即使細微的差別也能辨認。研究已證明人類和靈長類動物在面部加工上不同於其他物種，人類使用梭狀回面孔區（FFA）。Khaligh-Razavi等通過計算機模擬出人臉識別的FFA活動，堪稱神經科學與人工智慧的完美結合。
介紹: 神經網路C++教程,本文介紹了用可調節梯度下降和可調節動量法設計和編碼經典BP神經網路，網路經過訓練可以做出驚人和美妙的東西出來。此外作者部落格的其他文章也很不錯。
介紹:deeplearning4j官網提供的實際應用場景NN選擇參考表，列舉了一些典型問題建議使用的神經網路
介紹:一個深度學習專案,提供了Python, C/C++, Java, Scala, Go多個版本的程式碼
介紹:深度學習教程,github
介紹:自然語言處理的發展趨勢——訪卡內基梅隆大學愛德華·霍威教授.
介紹:Google對Facebook DeepFace的有力回擊—— FaceNet，在LFW(Labeled Faces in the Wild)上達到99.63%準確率(新紀錄)，FaceNet embeddings可用於人臉識別、鑑別和聚類.
介紹:本文來自Databricks公司網站的一篇部落格文章，由Joseph Bradley和Manish Amde撰寫，文章主要介紹了Random Forests和Gradient-Boosted Trees（GBTs）演算法和他們在MLlib中的分散式實現，以及展示一些簡單的例子並建議該從何處上手.中文版.
介紹:華盛頓大學Pedro Domingos團隊的DNN，提供論文和實現程式碼.
介紹:本文根據神經網路的發展歷程，詳細講解神經網路語言模型在各個階段的形式，其中的模型包含NNLM[Bengio,2003]、Hierarchical NNLM[Bengio, 2005], Log-Bilinear[Hinton, 2007],SENNA等重要變形，總結的特別好.
介紹:經典問題的新研究：利用文字和可讀性特徵分類垃圾郵件。
介紹:Kaggle腦控計算機互動(BCI)競賽優勝方案原始碼及文件，包括完整的資料處理流程，是學習Python資料處理和Kaggle經典參賽框架的絕佳例項
介紹:IPOL（線上影象處理）是影象處理和影象分析的研究期刊，每篇文章都包含一個演算法及相應的程式碼、Demo和實驗文件。文字和原始碼是經過了同行評審的。IPOL是開放的科學和可重複的研究期刊。我一直想做點類似的工作，拉近產品和技術之間的距離.
介紹:出自MIT，研究加密資料高效分類問題.
介紹:新加坡LV實驗室的神經網路並行框架Purine: A bi-graph based deep learning framework,支援構建各種並行的架構，在多機多卡，同步更新引數的情況下基本達到線性加速。12塊Titan 20小時可以完成Googlenet的訓練。
介紹:這是一個機器學習資源庫,雖然比較少.但蚊子再小也是肉.有突出部分.此外還有一個由zheng Rui整理的機器學習資源.
介紹:Chase Davis在NICAR15上的主題報告材料，用Scikit-Learn做監督學習的入門例子.
介紹:這是一本自然語言處理的詞典,從1998年開始到目前積累了成千上萬的專業詞語解釋,如果你是一位剛入門的朋友.可以借這本詞典讓自己成長更快.
介紹:通過分析1930年至今的比賽資料，用PageRank計算世界盃參賽球隊排行榜.
介紹:經典老文，複雜網路社群發現的高效演算法，Gephi中的[Community detection](The Louvain method for community detection in large networks)即基於此.
介紹: 一個面向 .net 的開源機器學習庫,github地址
介紹: 支援node.js的JS神經網路庫，可在客戶端瀏覽器中執行，支援LSTM等 github地址
介紹: 決策樹
介紹: 討論深度學習自動編碼器如何有效應對維數災難,國內翻譯
介紹: CMU的優化與隨機方法課程，由A. Smola和S. Sra主講，優化理論是機器學習的基石，值得深入學習 國內雲(視訊)
介紹: "面向視覺識別的CNN"課程設計報告集錦.近百篇，內容涉及影象識別應用的各個方面
介紹:用Spark的MLlib+GraphX做大規模LDA主題抽取.
介紹: 基於深度學習的多標籤分類,用基於RBM的DBN解決多標籤分類(特徵)問題
介紹: DeepMind論文集錦
介紹: 一個開源語音識別工具包,它目前託管在sourceforge上面
介紹: 免費電子書《資料新聞手冊》, 國內有熱心的朋友翻譯了中文版,大家也可以線上閱讀
介紹: 零售領域的資料探勘文章.
介紹: 深度學習卷積概念詳解,深入淺出.
介紹: 非常強大的Python的資料分析工具包.
介紹: 2015文字分析(商業)應用綜述.
介紹: 深度學習框架、庫調研及Theano的初步測試體會報告.
介紹: MIT的Yoshua Bengio, Ian Goodfellow, Aaron Courville著等人講深度學習的新書，還未定稿，線上提供Draft chapters收集反饋，超讚！強烈推薦.
介紹: Python下開源可持久化樸素貝葉斯分類庫.
介紹:Paracel is a distributed computational framework designed for machine learning problems, graph algorithms and scientific computing in C++.
介紹: 開源漢語言處理包.
介紹: 使用Ruby實現簡單的神經網路例子.
介紹:神經網路黑客入門.
介紹:好多資料科學家名人推薦,還有資料.
介紹:實現專案已經開源在github上面Crepe
介紹:作者發現，經過調參，傳統的方法也能和word2vec取得差不多的效果。另外，無論作者怎麼試，GloVe都比不過word2vec.
介紹:Stanford深度學習與自然語言處理課程,Richard Socher主講.
介紹:機器學習中的重要數學概念.
介紹:用於改進語義表示的樹型LSTM遞迴神經網路,句子級相關性判斷和情感分類效果很好.實現程式碼.
介紹:卡耐基梅隆Ryan Tibshirani和Larry Wasserman開設的機器學習課程，先修課程為機器學習(10-715)和中級統計學(36-705)，聚焦統計理論和方法在機器學習領域應用.
介紹:《哈佛大學蒙特卡洛方法與隨機優化課程》是哈佛應用數學