dl2.md

##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)

#####注:机器学习资料篇目一共500条,篇目二开始更新

---

#####希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子.

• 《Image Scaling using Deep Convolutional Neural Networks》

介绍:使用卷积神经网络的图像缩放.

• 《Proceedings of The 32nd International Conference on Machine Learning》

介绍:ICML2015 论文集,优化4个+稀疏优化1个；强化学习4个，深度学习3个+深度学习计算1个；贝叶斯非参、高斯过程和学习理论3个；还有计算广告和社会选择.ICML2015 Sessions.

• 《Image Scaling using Deep Convolutional Neural Networks》

介绍:使用卷积神经网络的图像缩放.

• 《Microsoft researchers accelerate computer vision accuracy and improve 3D scanning models》

介绍:，第28届IEEE计算机视觉与模式识别(CVPR)大会在美国波士顿举行。微软研究员们在大会上展示了比以往更快更准的计算机视觉图像分类新模型，并介绍了如何使用Kinect等传感器实现在动态或低光环境的快速大规模3D扫描技术.

• 《Machine Learning for Humans》

介绍:(文本)机器学习可视化分析工具.

• 《A Plethora of Tools for Machine Learning》

介绍:机器学习工具包/库的综述/比较.

• 《The art of visualizing visualizations: a best practice guide》

介绍:数据可视化最佳实践指南.

• 《MIT Machine Learning for Big Data and Text Processing Class Notes - Day 1》

介绍:Day 1、Day 2、Day 3、Day 4、Day 5.

• 《Getting “deep” about “deep learning”》

介绍:深度学习之“深”——DNN的隐喻分析.

• 《Mixture Density Networks》

介绍:混合密度网络.

• 《Interview Questions for Data Scientist Positions》

介绍:数据科学家职位面试题.

• 《Accurately Measuring Model Prediction Error》

介绍:准确评估模型预测误差.

• 《Continually updated Data Science Python Notebooks》

介绍:Continually updated Data Science Python Notebooks.

• 《How to share data with a statistician》

介绍:How to share data with a statistician.

• 《The Eyescream Project NeuralNets dreaming natural images》

介绍:来自Facebook的图像自动生成.

• 《How to share data with a statistician》

介绍:How to share data with a statistician.

• 《A Neural Conversational Model》

介绍:(Google)神经(感知)会话模型.

• 《The 50 Best Masters in Data Science》

介绍:The 50 Best Masters in Data Science.

• 《NLP常用信息资源》

介绍:NLP常用信息资源.

• 《Conditional Random Fields as Recurrent Neural Networks》

介绍:语义图像分割的实况演示,通过深度学习技术和概率图模型的语义图像分割.

• 《Fully Convolutional Networks for Semantic Segmentation》

介绍:Caffe模型/代码:面向图像语义分割的全卷积网络,模型代码.

• 《Growing Pains for Deep Learning》

介绍:深度学习——成长的烦恼.

• 《Clustering Text Data Streams – A Tree based Approach with Ternary Function and Ternary Feature Vector 》

介绍:基于三元树方法的文本流聚类.

• 《Foundations and Advances in Data Mining》

介绍:Free Ebook:数据挖掘基础及最新进展.

• 《The Deep Learning Revolution: Rethinking Machine Learning Pipelines》

介绍:深度学习革命.

• 《The Definitive Guide to Do Data Science for Good》

介绍:数据科学(实践)权威指南.

• 《Microsoft Academic Graph》

介绍:37G的微软学术图谱数据集.

• 《Challenges and Opportunities Of Machine Learning In Production》

介绍:生产环境(产品级)机器学习的机遇与挑战.

• 《Neural Nets for Newbies》

介绍:神经网络入门.

• 《A Nearly-Linear Time Framework for Graph-Structured Sparsity》

介绍:来自麻省理工的结构化稀疏论文.

• 《Optimal and Adaptive Algorithms for Online Boosting》

介绍:来自雅虎的机器学习小组关于在线Boosting的论文 .

• 《Top 20 Python Machine Learning Open Source Projects》

介绍:20个最热门的开源(Python)机器学习项目.

• 《The Parallel C++ Statistical Library for Bayesian Inference: QUESO》

介绍:C++并行贝叶斯推理统计库QUESO,github code.

• 《《Deep learning》Yann LeCun, Yoshua Bengio, Geoffrey Hinton (2015) 》

介绍:Nature:LeCun/Bengio/Hinton的最新文章《深度学习》,Jürgen Schmidhuber的最新评论文章《Critique of Paper by "Deep Learning Conspiracy" (Nature 521 p 436)》.

• 《Palladium》

介绍:基于Scikit-Learn的预测分析服务框架Palladium.

• 《Advances in Structured Prediction》

介绍:John Langford和Hal Daume III在ICML2015上关于Learning to Search的教学讲座幻灯片.

• 《100 open source Big Data architecture papers for data professionals》

介绍:读完这100篇论文 就能成大数据高手,国内翻译.

• 《Social Media & Text Analytics》

介绍:NLP课程《社交媒体与文本分析》精选阅读列表.

• 《Machine Learning for Developers》

介绍:写给开发者的机器学习指南.

• 《Hot news detection using Wikipedia》

介绍:基于维基百科的热点新闻发现.

• 《Harvard Intelligent Probabilistic Systems Group》

介绍:(Harvard)HIPS将发布可扩展/自动调参贝叶斯推理神经网络.

• 《An Empirical Exploration of Recurrent Network Architectures》

介绍:面向上下文感知查询建议的层次递归编解码器.

• 《Efficient Training of LDA on a GPU by Mean-for-Mode Estimation》

介绍:GPU上基于Mean-for-Mode估计的高效LDA训练.

• 《From the Lab to the Factory: Building a Production Machine Learning Infrastructure》

介绍:从实验室到工厂——构建机器学习生产架构.

• 《6 Useful Databases to Dig for Data (and 100 more)》

介绍:适合做数据挖掘的6个经典数据集(及另外100个列表).

• 《Deep Networks for Computer Vision at Google – ILSVRC2014》

介绍:Google面向机器视觉的深度学习.

• 《How to choose a machine learning API to build predictive apps》

介绍:构建预测类应用时如何选择机器学习API.

• 《Exploring the shapes of stories using Python and sentiment APIs》

介绍:Python+情感分析API实现故事情节(曲线)分析.

• 《Movie selection using R》

介绍:(R)基于Twitter/情感分析的口碑电影推荐,此外推荐分类算法的实证比较分析.

• 《A Tutorial on Graph-based Semi-Supervised Learning Algorithms for NLP》

介绍:CMU(ACL 2012)(500+页)面向NLP基于图的半监督学习算法.

• 《Arbitrariness of peer review: A Bayesian analysis of the NIPS experiment》

介绍:从贝叶斯分析NIPS，看同行评审的意义.

• 《Basics of Computational Reinforcement Learning》

介绍:(RLDM 2015)计算强化学习入门.

• 《Deep Reinforcement Learning》

介绍:David Silver的深度强化学习教程.

• 《On Explainability of Deep Neural Networks》

介绍:深度神经网络的可解释性.

• 《The Essential Spark Cheat Sheet》

介绍:Spark快速入门.

• 《Machine Learning for Sports and Real Time Predictions》

介绍:TalkingMachines:面向体育/政治和实时预测的机器学习.

• 《CS224W: Social and Information Network Analysis Autumn 2014》

介绍:Stanford社交网络与信息网络分析课程资料+课设+数据.

• 《RL Course by David Silver》

介绍:David Silver(DeeMind)的强化学习课程,slide.

• 《Faster deep learning with GPUs and Theano》

介绍:基于Theano/GPU的高效深度学习.

• 《Introduction to R Programming》

介绍:来自微软的<R编程入门>.

• 《Golang:Web Server For Performing Sentiment Analysis》

介绍:(Go)情感分析API服务Sentiment Server.

• 《A Beginner’s Guide to Restricted Boltzmann Machines》

介绍:受限波尔兹曼机初学者指南.

• 《KDD2015十年最佳论文》

介绍:Mining and Summarizing Customer Reviews ,Mining High-Speed Data Streams,Optimizing Search Engines using Clickthrough Data.

• 《Nvidia Deep Learning Courses》

介绍:Nvidia深度学习课程.

• 《Neural Networks and Deep Learning》

介绍:神经网络与深度学习课程.

• 《Deep Learning Summer School 2015》

介绍:2015年深度学习暑期课程，推荐讲师主页.

• 《百度深度学习的图像识别进展》

介绍:这是一篇关于百度文章《基于深度学习的图像识别进展：百度的若干实践》的摘要,建议两篇文章结合起来阅读.

• 《Machine Learning Methods in Video Annotation》

介绍:视频标注中的机器学习技术.

• 《Training Recurrent Neural Networks》

介绍:博士论文:(Ilya Sutskever)RNN训练.

• 《On Explainability of Deep Neural Networks》

介绍:深度神经网络的灰色区域：可解释性问题，中文版.

• 《Machine Learning Libraries in GoLang by Category》

介绍:Golang 实现的机器学习库资源汇总.

• 《A Statistical View of Deep Learning》

介绍:深度学习的统计分析.

• 《Deep Learning For NLP - Tips And Techniques》

介绍:面向NLP的深度学习技术与技巧.

• 《CrowdFlower Competition Scripts: Approaching NLP》

介绍:Kaggle's CrowdFlower竞赛NLP代码集锦.

• 《CS224U: Natural Language Understanding》

介绍:斯坦福的自然语言理解课程.

• 《Deep Learning and Shallow Learning》

介绍:Deep Learning与Shallow Learning 介绍

• 《A First Encounter with Machine Learning》

介绍:这是一本机器学习的电子书,作者Max Welling先生在机器学习教学上面有着丰富的经验,这本书小但精致.

• 《Click Models for Web Search》

介绍:由荷兰阿姆斯特丹大学 & 谷歌瑞士著.

• 《Hinton CSC321课程/Deep Learning/Notes on CNN/Python/Theano/CUDA/OpenCV/...》

介绍:介绍个乐于总结和翻译机器学习和计算机视觉类资料的博客,包含的内容：Hinton的CSC321课程的总结；Deep Learning综述；Notes on CNN的总结；python的原理总结；Theano基础知识和练习总结；CUDA原理和编程；OpenCV一些总结.

• 《Which Algorithm Family Can Answer My Question?》

介绍:针对具体问题(应用场景)如何选择机器学习算法(系列).

• 《Free Data Science Books》

介绍:数据科学免费书分类集合

• 《Tutorial 4: Deep Learning for Speech Generation and Synthesis》

介绍:深度学习在语音合成最新进展有哪些？推荐MSRA的Frank Soong老师关于语音合成的深度学习方法的录像和幻灯片与以及谷歌的LSTM-RNN合成介绍,论文

• 《The Art of Data Science》

介绍:新书(可免费下载):数据科学的艺术

• 《Pattern Recognition and Machine Learning》

介绍:模式识别与机器学习书籍推荐,中文版 or 备份

• 《an introduction to visualizing DATA》

介绍:数据可视化介绍(23页袖珍小册子)

• 《That’s So Annoying!!!: A Lexical and Frame-Semantic Embedding Based Data Augmentation Approach to Automatic Categorization of Annoying Behaviors using #petpeeve Tweets ∗》

介绍:这篇论文荣获EMNLP2015的最佳数据/资源奖优秀奖,标注的推特数据集

• 《26 Things I Learned in the Deep Learning Summer School》

介绍:作者在深度学习的思考.

• 《Data-Visualization Tools & Books》

介绍:数据可视化常用工具软件资源汇总

• 《Machine Learning and Probabilistic Graphical Models Course》

介绍:Buffalo大学教授Sargur Srihari的“机器学习和概率图模型”的视频课程

• 《Understanding Machine Learning: From Theory to Algorithms》

介绍:耶路撒冷希伯来大学教授Shai Shalev-Shwartz和滑铁卢大学教授Shai Ben-David的新书Understanding Machine Learning: From Theory to Algorithms,此书写的比较偏理论，适合对机器学习理论有兴趣的同学选读

• 《Machine Learning Checklist》

介绍:机器学习学习清单

• 《Neural Networks and Deep Learning》

介绍:Michael Nielsen的免费在线电子书"Neural Networks and Deep Learning",深入浅出，但内容涵盖更广：从经典的NN到CNN，从BP到梯度消失问题都有所覆盖，还有示范代码

• 《NLP界有哪些神级人物？》

介绍:知乎上面的一篇关于NLP界有哪些神级人物？提问。首推Michael Collins

• 《机器学习温和指南》

介绍:机器学习与NLP专家、MonkeyLearn联合创始人&CEO Raúl Garreta面向初学者大体概括使用机器学习过程中的重要概念，应用程序和挑战，旨在让读者能够继续探寻机器学习知识。

• 《Gradient Boosted Regression Trees》

介绍:(IPN)基于Scikit-Learn的GBRT(Gradient Boost Regression Tree)教程，slide

• 《Apache SINGA : Distributed Deep Learning System》

介绍: 无需做深度学习就能用的分布式深度学习软件.

• 《E-commerce Recommendation with Personalized Promotion》

介绍: 在亚马逊数据和众包Mechanical Turk上，实现了来自彩票和拍卖的机制，以收集用户对产品的乐意购买价格（WTP，willingness-to-pay）训练集。 E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15] 回归模型预测未知WTP，提升卖家利润和消费者满意度

• 《Scalable Machine Learning》

介绍:来自伯克利分校的大规模机器学习.

• 《机器学习资料大汇总》

介绍:来自52ml的机器学习资料大汇总.

• 《Automatic Summarization》

介绍:这本书的作者McKeown是2013年世界首个数据科学院（位于哥伦比亚大学）主任，她亦是ACL、AAAI和ACM Fellow .

• 《Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing》

介绍:EMNLP-15文本摘要若干.

• 《Recommender Systems (Machine Learning Summer School 2014 @ CMU)》

介绍:来自Netflix的Xavier Amatriain在Summer School 2014 @ CMU上长达4小时的报告，共248页，是对推荐系统发展的一次全面综述，其中还包括Netflix在个性化推荐方面的一些经验介绍.

• 《BigData Stream Mining》

介绍:(ECML PKDD 2015)大数据流挖掘教程,此外推荐ECML PKDD 2015 Tutorial列表.

• 《Deep learning on Spark with Keras》

介绍:Spark上的Keras深度学习框架Elephas.

• 《Prof. Surya Ganguli - The statistical physics of deep learning》

介绍:Surya Ganguli深度学习统计物理学.

• 《(系统/算法/机器学习/深度学习/图模型/优化/...)在线视频课程列表》

介绍:(系统/算法/机器学习/深度学习/图模型/优化/...)在线视频课程列表.

• 《Introduction to Topic Modeling in Python》

介绍:(PyTexas 2015)Python主题建模.

• 《Large Scale Distributed Deep Learning on Hadoop Clusters》

介绍:Hadoop集群上的大规模分布式机器学习.

• 《Top Deep Learning Employers Based On LinkedIn Data》

介绍:基于LinkedIn数据得出的深度学习热门"东家"排行.

• 《Neural Net in C++ Tutorial》

介绍:(c++)神经网络手把手实现教程.

• 《Large-scale CelebFaces Attributes (CelebA) Dataset》

介绍:香港中文大学汤晓鸥教授实验室公布的大型人脸识别数据集： Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人，202K 脸部图像，每个图像40余标注属性.

• 《Unsupervised Feature Learning in Computer Vision》

介绍:面向机器视觉的无监督特征学习,Ross Goroshin's webpage.

• 《Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks》

介绍:谷歌研究院Samy Bengio等人最近写的RNN的Scheduled Sampling训练方法论文.

• 《Essential Machine Learning Algorithms in a nutshell》

介绍:机器学习基本算法简要入门.

• 《A Huge List of Machine Learning And Statistics Repositories》

介绍:Github机器学习/数学/统计/可视化/深度学习相关项目大列表.

• 《Information Processing and Learning》

介绍:CMU的信息论课程.

• 《Scheduled sampling for sequence prediction with recurrent neural networks》

介绍:谷歌研究院Samy Bengio等人最近写的RNN的Scheduled Sampling训练方法论文.

• 《基于Hadoop集群的大规模分布式深度学习》

介绍:基于Hadoop集群的大规模分布式深度学习.

• 《Learning both Weights and Connections for Efficient Neural Networks习》

介绍:来自斯坦福大学及NVIDIA的工作，很实在很实用。采用裁剪网络连接及重训练方法，可大幅度减少CNN模型参数。针对AlexNet、VGG等模型及ImageNet数据，不损失识别精度情况下，模型参数可大幅度减少9-13倍.

• 《Apache Singa --A General Distributed Deep Learning Platform》

介绍:无需做深度学习就能用的分布式深度学习软件,github.

• 《24 Ultimate Data Scientists To Follow in the World Today》

介绍:当今世界最NB的25位大数据科学家,通过他们的名字然后放在google中搜索肯定能找到很多很棒的资源译文.

• 《Deep Learning for NLP - Lecture October 2015》

介绍:Nils Reimers面向NLP的深度学习(Theano/Lasagne)系列教程.

• 《Connection between probability theory and real analysis》

介绍:主讲人是陶哲轩,资料Probability: Theory and Examples,笔记.

• 《Data Science Learning Resources》

介绍:数据科学(学习)资源列表.

• 《8 Tactics to Combat Imbalanced Classes in Your Machine Learning Dataset》

介绍:应对非均衡数据集分类问题的八大策略.

• 《Top 20 Data Science MOOCs》

介绍:重点推荐的20个数据科学相关课程.

• 《Recurrent Neural Networks》

介绍:递归神经网络.

• 《Histograms of Oriented Gradients》

介绍:(HOG)学习笔记.

• 《Computational modelling courses》

介绍:计算建模/计算神经学课程汇总.

• 《How We Use Deep Learning to Classify Business Photos at Yelp》

介绍:(Yelp)基于深度学习的商业图片分类.

• 《Neural Networks and Deep Learning》

介绍:免费在线书《Neural Networks and Deep Learning》神经网络与深度学习。目前提供了前四章的草稿，第一章通过手写数字识别的例子介绍NN，第二章讲反向传播算法，第三章讲反向传播算法的优化，第四章讲NN为什么能拟合任意函数。大量python代码例子和交互动画，生动有趣.