深度学习如何入门？ 第1页
1 2
spark-20-22 网友的相关建议:
原文链接： https:// medium.mybridge.co/mach ine-learning-top-10-of-the-year-v-2017-7552599935c0
--------------------原答案---------------------
在Medium分享平台上，有一篇文章总结了截至2017年机器学习领域最值得阅读的10篇文章（其实是10份资料），以及一些开源项目和公开课的清单。这些材料是从14500篇机器学习的文章中精心挑选出来的最有价值的10篇（0.069%）。
这些资料中有适合零基础的人入门的完整课程，也有最近这一年深度学习领域最新的的进展、应用、以及开源项目等。干货很多、质量很高。不论是初学者还是这个领域的研究者，都值得花些时间阅读和学习一下。
这份清单的内容包含了：Deep Learning, A.I., Natural Language Processing, Face Recognition, Tensorflow, Reinforcement Learning, Neural Networks, Alpha-Go, Self-Driving Car.
Rank1
Unsupervised Feature Learning and Deep Learning Tutorial
一份完整的深度学习教程。源自深度学习领域大名鼎鼎的Andrew Ng教授，从最基础的回归问题讲起，涉及了有监督学习、无监督学习、神经网络、CNN、以及自学习（Self-Taught Learning）等等。
Rank2
Teaching Your Computer To Play Super Mario Bros.
这个很有趣，利用DeepMind和神经网络教计算机玩超级玛丽。这个也是DeepMind公司的机器学习项目。
Rank3
- A Beginner's Guide To Understanding Convolutional Neural Networks Part1
- A Beginner's Guide To Understanding Convolutional Neural Networks Part 2
- The 9 Deep Learning Papers You Need To Know About (Understanding CNNs Part 3)
一个专门为初学者写的卷积神经网络教程，以及其推荐的9篇需要了解深度学习的文章。
Rank4
基于深度学习的人脸识别。知乎上居然有这篇文章的翻译版本：机器学习原来这么有趣！第四章：用深度学习识别人脸 - 知乎专栏。
Rank5
https:// medium.com/learning-new -stuff/machine-learning-in-a-year-cdb0b0ebd29c#.ucez4d3ug
教你如何在一年内从一个门外汉到学会在实际中使用机器学习。如果你嫌时间太久，这里还有Machine Learning in a week（https://medium.com/learning-new-stuff/machine-learning-in-a-week-a0da25d59850#.tg0aeqhue）。
Rank6
基于自然语言处理的智能管家（注：Jarvis是钢铁侠的AI管家）。这个可是Facebook创始人Zuckerberg在2016年亲自做的一个工作。
Rank7
Image Completion with Deep Learning in TensorFlow
在TensorFlow框架下，使用深度学习方法实现图像修复（Image Completion）。
Rank8
The Neural Network Zoo - The Asimov Institute
总结了各种神经网络结构和机器学习算法的模型，有最简单的感知机、玻尔兹曼机、SVM，还有复杂的深度卷积神经网络（DCN）、DBN等等。
Rank9
How to Code and Understand DeepMind's Neural Stack Machine
Rank10
https://www. youtube.com/watch? v=py5byOOHZM8
讲解神经网络的，资源在Youtube上，请自备科学上网工具，如果是在想看又看不了，请联系我。
Open Source
下面介绍的是2016年一些比较重要和有价值的开源项目。
- neural-enhance Super Resolution for images using deep learning.
提高图像分辨率，使模糊的图像变得清晰。这个开源项目目前在github上已经有6297个关注了。
增强学习算法的应用和实现。Python, OpenAI Gym, Tensorflow。提供了很多练习和解决方案的例子。同时也是以下书籍和课程的配套代码。
书籍：Reinforcement Learning: An Introduction (2nd Edition)
课程：David Silver's Reinforcement Learning Course
根据不同的艺术风格，改变图像的画风，类似Prisma。也可以处理视频文件。
视频课程
福利
图解机器学习。用可视化的方法，并且通过一个实际的案例讲解机器学习的一些概念和算法思想。ps、这个网页的做的太赞了，有没有大神知道这怎么做到的。
这个列举了机器学习专业中，找工作的时候经常会问到的40个问题。对于要求职的小伙伴很有用。
jacky-yang-30 网友的相关建议:
关于深度学习，网上的资料很多，不过貌似大部分都不太适合初学者。 这里有几个原因： 1.深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲，有些读者就会有畏难的情绪，因而容易过早地放弃。 2.中国人或美国人写的书籍或文章，普遍比较难一些。我不太清楚为什么，不过确实是这样子的。
深度学习，确实需要一定的数学基础，但真的那么难么？这个，还真没有。不信？听我来给你侃侃。看完，你也会觉得没那么难了。
本文是针对初学者，高手可以无视，有不对的地方，还请多多批评指正。
这里，先推荐一篇非常不错的文章： 《1天搞懂深度学习》，300多页的ppt，台湾李宏毅教授写的，非常棒。 不夸张地说，是我看过最系统，也最通俗易懂的，关于深度学习的文章。
这是slideshare的链接： http://www.slideshare.net/tw_dsconf/ss-62245351?qid=108adce3-2c3d-4758-a830-95d0a57e46bc&v=&b=&from_search=3
没梯子的同学，可以从我的网盘下： 链接：http://pan.baidu.com/s/1nv54p9R 密码：3mty
要说先准备什么，私以为，其实只需要知道导数和相关的函数概念就可以了。高等数学也没学过？很好，我就是想让文科生也能看懂，您只需要学过初中数学就可以了。
其实不必有畏难的情绪，个人很推崇李书福的精神，在一次电视采访中，李书福说：谁说中国人不能造汽车？造汽车有啥难的，不就是四个轮子加两排沙发嘛。当然，他这个结论有失偏颇，不过精神可嘉。
导数是什么，无非就是变化率呗，王小二今年卖了100头猪，去年卖了90头，前年卖了80头。。。变化率或者增长率是什么？每年增长10头猪，多简单。这里需要注意有个时间变量---年。王小二卖猪的增长率是10头/年，也就是说，导数是10. 函数y=f(x)=10x+30，这里我们假设王小二第一年卖了30头，以后每年增长10头，x代表时间（年），y代表猪的头数。 当然，这是增长率固定的情形，现实生活中，很多时候，变化量也不是固定的，也就是说增长率也不是恒定的。比如，函数可能是这样: y=f(x)=5x²+30，这里x和y依然代表的是时间和头数，不过增长率变了，怎么算这个增长率，我们回头再讲。或者你干脆记住几个求导的公式也可以。
深度学习还有一个重要的数学概念：偏导数，偏导数的偏怎么理解？偏头疼的偏，还是我不让你导，你偏要导？都不是，我们还以王小二卖猪为例，刚才我们讲到，x变量是时间（年），可是卖出去的猪，不光跟时间有关啊，随着业务的增长，王小二不仅扩大了养猪场，还雇了很多员工一起养猪。所以方程式又变了：y=f(x)=5x₁²+8x₂ + 35x₃ +30 这里x₂代表面积，x₃代表员工数，当然x₁还是时间。 上面我们讲了，导数其实就是变化率，那么偏导数是什么？偏导数无非就是多个变量的时候，针对某个变量的变化率呗。在上面的公式里，如果针对x₃求偏导数，也就是说，员工对于猪的增长率贡献有多大，或者说，随着（每个）员工的增长，猪增加了多少，这里等于35---每增加一个员工，就多卖出去35头猪. 计算偏导数的时候，其他变量都可以看成常量，这点很重要，常量的变化率为0，所以导数为0，所以就剩对35x₃ 求导数，等于35. 对于x₂求偏导，也是类似的。 求偏导我们用一个符号 表示：比如 y/ x₃ 就表示y对 x₃求偏导。
废话半天，这些跟深度学习到底有啥关系？有关系，我们知道，深度学习是采用神经网络，用于解决线性不可分的问题。关于这一点，我们回头再讨论，大家也可以网上搜一下相关的文章。我这里主要讲讲数学与深度学习的关系。先给大家看几张图：
图1. 所谓深度学习，就是具有很多个隐层的神经网络。
图2.单输出的时候，怎么求偏导数
图3.多输出的时候，怎么求偏导数。后面两张图是日语的，这是日本人写的关于深度学习的书。感觉写的不错，把图盗来用一下。所谓入力层，出力层，中间层，分别对应于中文的：输入层，输出层，和隐层。
大家不要被这几张图吓着，其实很简单的。干脆再举一个例子，就以撩妹为例。男女恋爱我们大致可以分为三个阶段： 1.初恋期。相当于深度学习的输入层。别人吸引你，肯定是有很多因素，比如：身高，身材，脸蛋，学历，性格等等，这些都是输入层的参数，对每个人来说权重可能都不一样。 2.热恋期。我们就让它对应于隐层吧。这个期间，双方各种磨合，柴米油盐酱醋茶。 3.稳定期。对应于输出层，是否合适，就看磨合得咋样了。
大家都知道，磨合很重要，怎么磨合呢？就是不断学习训练和修正的过程嘛！比如女朋友喜欢草莓蛋糕，你买了蓝莓的，她的反馈是negative，你下次就别买了蓝莓，改草莓了。 ------------------------------------------------------------------------------------------------ 看完这个，有些小伙可能要开始对自己女友调参了。有点不放心，所以补充一下。 撩妹和深度学习一样，既要防止欠拟合，也要防止过拟合。所谓欠拟合，对深度学习而言，就是训练得不够，数据不足，就好比，你撩妹经验不足，需要多学着点，送花当然是最基本的了，还需要提高其他方面，比如，提高自身说话的幽默感等，因为本文重点并不是撩妹，所以就不展开讲了。这里需要提一点，欠拟合固然不好，但过拟合就更不合适了。过拟合跟欠拟合相反，一方面，如果过拟合，她会觉得你有陈冠希老师的潜质，更重要的是，每个人情况不一样，就像深度学习一样，训练集效果很好，但测试集不行！就撩妹而言，她会觉得你受前任(训练集)影响很大，这是大忌！如果给她这个映象，你以后有的烦了，切记切记！ ------------------------------------------------------------------------------------------------
深度学习也是一个不断磨合的过程，刚开始定义一个标准参数（这些是经验值。就好比情人节和生日必须送花一样），然后不断地修正，得出图1每个节点间的权重。为什么要这样磨合？试想一下，我们假设深度学习是一个小孩，我们怎么教他看图识字？肯定得先把图片给他看，并且告诉他正确的答案，需要很多图片，不断地教他，训练他，这个训练的过程，其实就类似于求解神经网络权重的过程。以后测试的时候，你只要给他图片，他就知道图里面有什么了。
所以训练集，其实就是给小孩看的，带有正确答案的图片，对于深度学习而言，训练集就是用来求解神经网络的权重的，最后形成模型；而测试集，就是用来验证模型的准确度的。
对于已经训练好的模型，如下图所示，权重（w1，w2...）都已知。
图4
图5
我们知道，像上面这样，从左至右容易算出来。但反过来呢，我们上面讲到，测试集有图片，也有预期的正确答案，要反过来求w1，w2......，怎么办？
绕了半天，终于该求偏导出场了。目前的情况是：
1.我们假定一个神经网络已经定义好，比如有多少层，都什么类型，每层有多少个节点，激活函数（后面讲）用什么等。这个没办法，刚开始得有一个初始设置（大部分框架都需要define-and-run，也有部分是define-by-run）。你喜欢一个美女，她也不是刚从娘胎里出来的，也是带有各种默认设置的。至于怎么调教，那就得求偏导。
2.我们已知正确答案，比如图2和3里的r，训练的时候，是从左至右计算，得出的结果为y，r与y一般来说是不一样的。那么他们之间的差距，就是图2和3里的E。这个差距怎么算？当然，直接相减是一个办法，尤其是对于只有一个输出的情况，比如图2； 但很多时候，其实像图3里的那样，那么这个差距，一般可以这样算，当然，还可以有其他的评估办法，只是函数不同而已，作用是类似的：
不得不说，理想跟现实还是有差距的，我们当然是希望差距越小越好，怎么才能让差距越来越小呢？得调整参数呗，因为输入（图像）确定的情况下，只有调整参数才能改变输出的值。怎么调整，怎么磨合？刚才我们讲到，每个参数都有一个默认值，我们就对每个参数加上一定的数值∆，然后看看结果如何？如果参数调大，差距也变大，你懂的，那就得减小∆，因为我们的目标是要让差距变小；反之亦然。所以为了把参数调整到最佳，我们需要了解误差对每个参数的变化率，这不就是求误差对于该参数的偏导数嘛。
关键是怎么求偏导。图2和图3分别给了推导的方法，其实很简单，从右至左挨个求偏导就可以。相邻层的求偏导其实很简单，因为是线性的，所以偏导数其实就是参数本身嘛，就跟求解x₃的偏导类似。然后把各个偏导相乘就可以了。
这里有两个点：
这里有两个点：一个是激活函数，这主要是为了让整个网络具有非线性特征，因为我们前面也提到了，很多情况下，线性函数没办法对输入进行适当的分类（很多情况下识别主要是做分类），那么就要让网络学出来一个非线性函数，这里就需要激活函数，因为它本身就是非线性的，所以让整个网络也具有非线性特征。另外，激活函数也让每个节点的输出值在一个可控的范围内，这样计算也方便。
貌似这样解释还是很不通俗，其实还可以用撩妹来打比方；女生都不喜欢白开水一样的日子，因为这是线性的，生活中当然需要一些浪漫情怀了，这个激活函数嘛，我感觉类似于生活中的小浪漫，小惊喜，是不是？相处的每个阶段，需要时不时激活一下，制造点小浪漫，小惊喜，比如；一般女生见了可爱的小杯子，瓷器之类都迈不开步子，那就在她生日的时候送一个特别样式，要让她感动得想哭。前面讲到男人要幽默，这是为了让她笑；适当的时候还要让她激动得哭。一哭一笑，多整几个回合，她就离不开你了。因为你的非线性特征太强了。
当然，过犹不及，小惊喜也不是越多越好，但完全没有就成白开水了。就好比每个layer都可以加激活函数，当然，不见得每层都要加激活函数，但完全没有，那是不行的。
由于激活函数的存在，所以在求偏导的时候，也要把它算进去，激活函数，一般用sigmoid，也可以用Relu等。激活函数的求导其实也非常简单：
求导： f'(x)=f(x)*[1-f(x)] 这个方面，有时间可以翻看一下高数，没时间，直接记住就行了。 至于Relu，那就更简单了，就是f(x) 当x<0的时候y等于0，其他时候，y等于x。 当然，你也可以定义你自己的Relu函数，比如x大于等于0的时候，y等于0.01x，也可以。
另一个是学习系数，为什么叫学习系数？刚才我们上面讲到∆增量，到底每次增加多少合适？是不是等同于偏导数（变化率）？经验告诉我们，需要乘以一个百分比，这个就是学习系数，而且，随着训练的深入，这个系数是可以变的。
当然，还有一些很重要的基本知识，比如SGD（随机梯度下降），mini batch 和 epoch（用于训练集的选择），限于篇幅，以后再侃吧。其实参考李宏毅的那篇文章就可以了。
这篇拙文，算是对我另一个回答的补充吧： 深度学习入门必看的书和论文？有哪些必备的技能需学习？ - jacky yang 的回答
其实上面描述的，主要是关于怎么调整参数，属于初级阶段。上面其实也提到，在调参之前，都有默认的网络模型和参数，如何定义最初始的模型和参数？就需要进一步深入了解。 不过对于一般做工程而言，只需要在默认的网络上调参就可以了，相当于用算法； 对于学者和科学家而言，他们会发明算法，难度还是不小的。向他们致敬！
写得很辛苦，觉得好就给我点个赞吧:）
------------------------------------------------------------------------------------------------
关于求偏导的推导过程，我尽快抽时间，把数学公式用通俗易懂的语言详细描述一下，前一段时间比较忙，抱歉:)
------------------------------------------------------------------------------------------------
zsdh123 网友的相关建议:
动手永远是最快学会东西的！
所以，我建议直接用 TensorLayer [1] 来学，官网有DL 和RL 的教程以及配套的代码。它是基于 TensorFlow 开发的，是现在工业界和学术界比较火的框架。
简单来说，TL和其它库一样都提供 layer 的高级抽象，但它还提供了很多end-to-end workflow的函数，包括data pre-processing, training, post-processing, serving modules and database management，使得开发者只需要TL一个库就可以搭建整个学习系统或产品了。
对于 layer 抽象，《Review of TensorFlow sugar coatings》 比较了主要的TensorFlow Wrappers，包括TFSlim, SugarTensor, Keras, TFlearn, PrettyTensor 等。
此外还有大量的例子代码 [2-3], 其中包含了TensorFlow官网教学的再实现，方便读者对比学习。
[2] TensorLayer 例子
[3] 第三方例子
[4] TensorLayer 英文文档
[5] TensorLayer 中文文档
[6] Review of TensorFlow sugar coatings
最后送大家Ian Goodfellow, Yoshua Bengio 和 Aaron Courville写的《Deep Learning》 pdf版。以及全套RL实现！
网友的相关建议:
Github 上有同学总结了一份 机器学习和深度学习资料列表 ,共两篇，总计接近 1000 条。
原文第一篇如下：
Qix/dl.md at master · ty4z2008/Qix · GitHub机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)Qix/dl.md at master · ty4z2008/Qix · GitHub注:机器学习资料篇目一共500条,篇目二开始更新Qix/dl.md at master · ty4z2008/Qix · GitHub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.介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.译文part1
介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以时间排序，从1940年开始讲起，到60-80年代，80-90年代，一直讲到2000年后及最近几年的进展。涵盖了deep learning里各种tricks，引用非常全面.
介绍:这是一份python机器学习库,如果您是一位python工程师而且想深入的学习机器学习.那么这篇文章或许能够帮助到你.
介绍:这一篇介绍如果设计和管理属于你自己的机器学习项目的文章，里面提供了管理模版、数据管理与实践方法.
介绍:如果你还不知道什么是机器学习，或则是刚刚学习感觉到很枯燥乏味。那么推荐一读。这篇文章已经被翻译成中文,如果有兴趣可以移步有趣的机器学习：最简明入门指南
介绍:R语言是机器学习的主要语言,有很多的朋友想学习R语言，但是总是忘记一些函数与关键字的含义。那么这篇文章或许能够帮助到你
介绍:我该如何选择机器学习算法，这篇文章比较直观的比较了Naive Bayes，Logistic Regression，SVM，决策树等方法的优劣，另外讨论了样本大小、Feature与Model权衡等问题。此外还有已经翻译了的版本:http://www.52ml.net/15063.html
介绍：深度学习概述：从感知机到深度网络，作者对于例子的选择、理论的介绍都很到位，由浅入深。翻译版本：深度学习概述：从感知机到深度网络
《The LION Way: Machine Learning plus Intelligent Optimization》
介绍:<机器学习与优化>这是一本机器学习的小册子, 短短300多页道尽机器学习的方方面面. 图文并茂, 生动易懂, 没有一坨坨公式的烦恼. 适合新手入门打基础, 也适合老手温故而知新. 比起MLAPP/PRML等大部头, 也许这本你更需要!具体内容推荐阅读:LIONbook - intelligent-optimization.org for prescriptive analytics
介绍:作者是来自百度，不过他本人已经在2014年4月份申请离职了。但是这篇文章很不错如果你不知道深度学习与支持向量机/统计学习理论有什么联系？那么应该立即看看这篇文章.
介绍:这本书是由谷歌公司和MIT共同出品的计算机科学中的数学：Mathematics for Computer Science，Eric Lehman et al 2013 。分为5大部分：1）证明，归纳。2）结构，数论，图。3）计数，求和，生成函数。4）概率，随机行走。5）递归。等等
介绍：信息时代的计算机科学理论,目前国内有纸质书购买，iTunes购买
介绍:这是一本由雪城大学新编的第二版《数据科学入门》教材：偏实用型，浅显易懂，适合想学习R语言的同学选读。
介绍:这并不是一篇文档或书籍。这是篇向图灵奖得主Donald Knuth提问记录稿： 近日， Charles Leiserson, Al Aho, Jon Bentley等大神向Knuth提出了20个问题，内容包括TAOCP，P/NP问题，图灵机，逻辑，以及为什么大神不用电邮等等。
介绍：不会统计怎么办？不知道如何选择合适的统计模型怎么办？那这篇文章你的好好读一读了麻省理工Joshua B. Tenenbaum和剑桥Zoubin Ghahramani合作，写了一篇关于automatic statistician的文章。可以自动选择回归模型类别，还能自动写报告...
介绍:对深度学习和representation learning最新进展有兴趣的同学可以了解一下
介绍：这是一本信息检索相关的书籍，是由斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction to Information Retrieval一直是北美最受欢迎的信息检索教材之一。最近作者增加了该课程的幻灯片和作业。IR相关资源：Information Retrieval Resources
介绍:Deniz Yuret用10张漂亮的图来解释机器学习重要概念：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
介绍：雅虎研究院的数据集汇总： 包括语言类数据，图与社交类数据，评分与分类数据，计算广告学数据，图像数据，竞赛数据，以及系统类的数据。
介绍：这是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的新书，并且在2014年一月已经开课：Statistical Learning
介绍：机器学习最佳入门学习资料汇总是专为机器学习初学者推荐的优质学习资源，帮助初学者快速入门。而且这篇文章的介绍已经被翻译成中文版。如果你不怎么熟悉，那么我建议你先看一看中文的介绍。
介绍:主要是顺着Bengio的PAMI review的文章找出来的。包括几本综述文章，将近100篇论文，各位山头们的Presentation。全部都可以在google上找到。
介绍：这是一本书籍，主要介绍的是跨语言信息检索方面的知识。理论很多
介绍:本文共有三个系列，作者是来自IBM的工程师。它主要介绍了推荐引擎相关算法，并帮助读者高效的实现这些算法。 探索推荐引擎内部的秘密，第 2 部分: 深度推荐引擎相关算法 - 协同过滤,探索推荐引擎内部的秘密，第 3 部分: 深度推荐引擎相关算法 - 聚类
介绍：康奈尔大学信息科学系助理教授David Mimno写的《对机器学习初学者的一点建议》， 写的挺实际，强调实践与理论结合，最后还引用了冯 • 诺依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."
介绍：这是一本关于分布式并行处理的数据《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》,作者是斯坦福的James L. McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep Learning 的童鞋可以参考下
介绍:【“机器学习”是什么？】John Platt是微软研究院杰出科学家，17年来他一直在机器学习领域耕耘。近年来机器学习变得炙手可热，Platt和同事们遂决定开设博客，向公众介绍机器学习的研究进展。机器学习是什么，被应用在哪里？来看Platt的这篇博文
介绍：2014年国际机器学习大会（ICML）已经于6月21-26日在国家会议中心隆重举办。本次大会由微软亚洲研究院和清华大学联手主办，是这个有着30多年历史并享誉世界的机器学习领域的盛会首次来到中国，已成功吸引海内外1200多位学者的报名参与。干货很多，值得深入学习下
介绍：这篇文章主要是以Learning to Rank为例说明企业界机器学习的具体应用，RankNet对NDCG之类不敏感，加入NDCG因素后变成了LambdaRank，同样的思想从神经网络改为应用到Boosted Tree模型就成就了LambdaMART。Chirs Burges，微软的机器学习大神，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最为突出，代表论文为： From RankNet to LambdaRank to LambdaMART: An Overview 此外，Burges还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介绍:100 Best GitHub: Deep Learning
介绍:本教程将阐述无监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果你不熟悉这些想法，我们建议你去这里机器学习课程，并先完成第II，III，IV章（到逻辑回归）。此外这关于这套教程的源代码在github上面已经有python版本了 UFLDL Tutorial Code
*《Deep Learning for Natural Language Processing and Related Applications》
介绍:这份文档来自微软研究院,精髓很多。如果需要完全理解，需要一定的机器学习基础。不过有些地方会让人眼前一亮,毛塞顿开。
介绍:这是一篇介绍图像卷积运算的文章，讲的已经算比较详细的了
介绍：每天请一个大牛来讲座，主要涉及机器学习，大数据分析，并行计算以及人脑研究。https://www.youtube.com/user/smolix （需翻墙）
介绍：一个超级完整的机器学习开源库总结，如果你认为这个碉堡了，那后面这个列表会更让你惊讶：【Awesome Awesomeness】,国内已经有热心的朋友进行了翻译中文介绍，机器学习数据挖掘免费电子书
介绍:ACL候任主席、斯坦福大学计算机系Chris Manning教授的《自然语言处理》课程所有视频已经可以在斯坦福公开课网站上观看了（如Chrome不行，可用IE观看） 作业与测验也可以下载。
介绍:对比 Deep Learning 和 Shallow Learning 的好文，来着浙大毕业、MIT 读博的 Chiyuan Zhang 的博客。
介绍:利用卷积神经网络做音乐推荐。
介绍：神经网络的免费在线书，已经写了三章了，还有对应的开源代码：GitHub - mnielsen/neural-networks-and-deep-learning: Code samples for my book "Neural Networks and Deep Learning" 爱好者的福音。
介绍：Java机器学习相关平台和开源的机器学习库，按照大数据、NLP、计算机视觉和Deep Learning分类进行了整理。看起来挺全的，Java爱好者值得收藏。
介绍：机器学习最基本的入门文章，适合零基础者
介绍：机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。
介绍：看题目你已经知道了是什么内容,没错。里面有很多经典的机器学习论文值得仔细与反复的阅读。
介绍：视频由加州理工学院（Caltech）出品。需要英语底子。
介绍：总结了机器学习的经典书籍，包括数学基础和算法理论的书籍，可做为入门参考书单。
介绍:16本机器学习的电子书，可以下载下来在pad，手机上面任意时刻去阅读。不多我建议你看完一本再下载一本。
介绍:标题很大，从新手到专家。不过看完上面所有资料。肯定是专家了
介绍：入门的书真的很多，而且我已经帮你找齐了。
介绍：Sibyl 是一个监督式机器学习系统，用来解决预测方面的问题，比如 YouTube 的视频推荐。
介绍：Yoshua Bengio, Ian Goodfellow, Aaron Courville著
介绍:关于(Deep) Neural Networks在 NLP 和 Text Mining 方面一些paper的总结
介绍:计算机视觉入门之前景目标检测1（总结）
介绍:计算机视觉入门之行人检测
介绍:Important resources for learning and understanding . Is awesome
介绍:这又是一篇机器学习初学者的入门文章。值得一读
介绍:在线Neural Networks and Deep Learning电子书
介绍:python的17个关于机器学习的工具
介绍:下集在这里神奇的伽玛函数(下)
介绍:作者王益目前是腾讯广告算法总监，王益博士毕业后在google任研究。这篇文章王益博士7年来从谷歌到腾讯对于分布机器学习的所见所闻。值得细读
介绍:把机器学习提升的级别分为0~4级，每级需要学习的教材和掌握的知识。这样，给机器学习者提供一个上进的路线图，以免走弯路。另外，整个网站都是关于机器学习的，资源很丰富。
介绍:机器学习各个方向综述的网站
介绍:深度学习阅资源列表
介绍：这是一本来自微的研究员 li Peng和Dong Yu所著的关于深度学习的方法和应用的电子书
介绍:2014年七月CMU举办的机器学习夏季课刚刚结束 有近50小时的视频、十多个PDF版幻灯片，覆盖 深度学习，贝叶斯，分布式机器学习，伸缩性 等热点话题。所有13名讲师都是牛人：包括大牛Tom Mitchell （他的［机器学习］是名校的常用教材），还有CMU李沐 .（1080P高清哟）
介绍:在今年的IEEE/IFIP可靠系统和网络（DSN）国际会议上，Google软件工程师Tushar Chandra做了一个关于Sibyl系统的主题演讲。 Sibyl是一个监督式机器学习系统，用来解决预测方面的问题，比如YouTube的视频推荐。详情请阅读google sibyl
介绍:谷歌研究院的Christian Szegedy在谷歌研究院的博客上简要地介绍了他们今年参加ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。
介绍:贝叶斯学习。如果不是很清可看看概率编程语言与贝叶斯方法实践
介绍:网友问伯克利机器学习大牛、美国双料院士Michael I. Jordan："如果你有10亿美金，你怎么花？Jordan: "我会用这10亿美金建造一个NASA级别的自然语言处理研究项目。"
介绍:常见面试之机器学习算法思想简单梳理,此外作者还有一些其他的机器学习与数据挖掘文章和深度学习文章,不仅是理论还有源码。
介绍：Videolectures上最受欢迎的25个文本与数据挖掘视频汇总
介绍:在Kaggle上经常取得不错成绩的Tim Dettmers介绍了他自己是怎么选择深度学习的GPUs, 以及个人如何构建深度学习的GPU集群: http://t.cn/RhpuD1G
介绍:对话机器学习大神Michael Jordan
介绍:还有２，３部分。Deep Learning 【2,3】
介绍:是Stanford 教授 Andrew Ng 的 Deep Learning 教程，国内的机器学习爱好者很热心的把这个教程翻译成了中文。如果你英语不好，可以看看这个
介绍:因为近两年来，深度学习在媒体界被炒作很厉害（就像大数据）。其实很多人都还不知道什么是深度学习。这篇文章由浅入深。告诉你深度学究竟是什么！
介绍:这是斯坦福大学做的一免费课程（很勉强），这个可以给你在深度学习的路上给你一个学习的思路。里面提到了一些基本的算法。而且告诉你如何去应用到实际环境中。中文版
介绍:这是多伦多大学做的一个深度学习用来识别图片标签／图转文字的demo。是一个实际应用案例。有源码
介绍:机器学习模型，阅读这个内容需要有一定的基础。
介绍: (CRAN Task Views, 34种常见任务,每个任务又各自分类列举若干常用相关工具包) 例如: 机器学习，自然语言处理，时间序列分析，空间信息分析，多重变量分析，计量经济学，心理统计学，社会学统计，化学计量学，环境科学，药物代谢动力学 等
介绍: 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考.
介绍: 很多干货，而且作者还总结了好几个系列。另外还作者还了一个文章导航.非常的感谢作者总结。
Deep Learning（深度学习）学习笔记整理系列之（二）
Deep Learning（深度学习）学习笔记整理系列之（三）
Deep Learning（深度学习）学习笔记整理系列之（四）
Deep Learning（深度学习）学习笔记整理系列之（五）
Deep Learning（深度学习）学习笔记整理系列之（六）
Deep Learning（深度学习）学习笔记整理系列之（七）
DeepLearning（深度学习）学习笔记整理系列之（八）
介绍:传送理由：Rob Fergus的用深度学习做计算机是觉的NIPS 2013教程。有mp4, mp3, pdf各种下载 他是纽约大学教授，目前也在Facebook工作，他2014年的8篇论文
介绍:FudanNLP，这是一个复旦大学计算机学院开发的开源中文自然语言处理（NLP）工具包 Fudan NLP里包含中文分词、关键词抽取、命名实体识别、词性标注、时间词抽取、语法分析等功能，对搜索引擎 文本分析等极为有价值。
介绍:LinkedIn 开源的机器学习工具包,支持单机, Hadoop cluster，和 Spark cluster 重点是 logistic regression 算法
介绍:对于英语不好，但又很想学习机器学习的朋友。是一个大的福利。机器学习周刊目前主要提供中文版，还是面向广大国内爱好者，内容涉及机器学习、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者
介绍：《线性代数》是《机器学习》的重要数学先导课程。其实《线代》这门课讲得浅显易懂特别不容易，如果一上来就讲逆序数及罗列行列式性质，很容易让学生失去学习的兴趣。我个人推荐的最佳《线性代数》课程是麻省理工Gilbert Strang教授的课程。 课程主页
介绍:大数据数据处理资源、工具不完备列表，从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器学习等。很赞的资源汇总。
介绍:雅虎邀请了一名来自本古里安大学的访问学者，制作了一套关于机器学习的系列视频课程。本课程共分为7期，详细讲解了有关SVM, boosting, nearest neighbors, decision trees 等常规机器学习算法的理论基础知识。
介绍:应对大数据时代，量子机器学习的第一个实验 paper 下载
介绍:Wired杂志报道了UCLA数学博士Chris McKinlay （图1）通过大数据手段+机器学习方法破解婚恋网站配对算法找到真爱的故事,通过Python脚本控制着12个账号，下载了婚恋网站2万女用户的600万问题答案，对他们进行了统计抽样及聚类分析（图2，3），最后终于收获了真爱。科技改变命运！
介绍:MIT的Underactuated Robotics于 2014年10月1日开课，该课属于MIT研究生级别的课程，对机器人和非线性动力系统感兴趣的朋友不妨可以挑战一下这门课程！
介绍:mllib实践经验分享
介绍:Google用Deep Learning做的antispam(反垃圾邮件)
介绍:NLP常用信息资源* 《NLP常用信息资源》
介绍:机器学习速查表
介绍：从1996年开始在计算机科学的论文中被引用次数最多的论文
介绍：把今年的一个ACM Trans. on Graphics (TOG)论文中的代码整理为一个开源的算法框架，共享出来了。欢迎大家使用。可以实时的采集3D数据、重建出三维模型。Online learning，GPU Random forest，GPU CRF也会后续公开。
介绍：【神经网络黑客指南】现在，最火莫过于深度学习（Deep Learning），怎样更好学习它？可以让你在浏览器中，跑起深度学习效果的超酷开源项目ConvNetJS作者karpathy告诉你，最佳技巧是，当你开始写代码，一切将变得清晰。他刚发布了一本图书，不断在线更新
介绍：前Google广告系统工程师Josh Wills 讲述工业界和学术界机器学习的异同,大实话
介绍：使用Neo4j 做电影评论的情感分析。
介绍：不仅是资料，而且还对有些资料做了注释。
介绍：深度学习入门的初级读本
介绍：机器学习教会了我们什么？
介绍：scikit-learn是在SciPy基础上构建的用于机器学习的Python模块。
介绍：乔丹教授（Michael I. Jordan）教授是机器学习领域神经网络的大牛，他对深度学习、神经网络有着很浓厚的兴趣。因此，很多提问的问题中包含了机器学习领域的各类模型，乔丹教授对此一一做了解释和展望。
介绍：A*搜索是人工智能基本算法，用于高效地搜索图中两点的最佳路径, 核心是 g(n)+h(n): g(n)是从起点到顶点n的实际代价，h(n)是顶点n到目标顶点的估算代价。合集
介绍：本项目利用了Microsoft Azure，可以在几分种内完成NLP on Azure Website的部署，立即开始对FNLP各种特性的试用，或者以REST API的形式调用FNLP的语言分析功能
介绍：现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所副所长.内部课程
介绍：好东西的干货真的很多
介绍：从硬件、图像到健康、生物、大数据、生物信息再到量子计算等，Amund Tveit等维护了一个DeepLearning.University小项目：收集从2014年开始深度学习文献，相信可以作为深度学习的起点,github
介绍：EMNLP上两篇关于stock trend 用到了deep model组织特征； Exploiting Social Relations and Sentiment for Stock Prediction用到了stock network。
介绍：作者是深度学习一线大牛Bengio组写的教程，算法深入显出，还有实现代码，一步步展开。
介绍：许多传统的机器学习任务都是在学习function，不过谷歌目前有开始学习算法的趋势。谷歌另外的这篇学习Python程序的Learning to Execute也有相似之处
介绍：作者是华为技术有限公司，诺亚方舟实验室，首席科学家的李航博士写的关于信息检索与自然语言处理的文章
介绍：利用机用器学习在谣言的判别上的应用,此外还有两个。一个是识别垃圾与虚假信息的paper.还有一个是网络舆情及其分析技术
介绍：该课程是网易公开课的收费课程，不贵，超级便宜。主要适合于对利用R语言进行机器学习，数据挖掘感兴趣的人。
介绍：本章中作者总结了三代机器学习算法实现的演化：第一代非分布式的， 第二代工具如Mahout和Rapidminer实现基于Hadoop的扩展，第三代如Spark和Storm实现了实时和迭代数据处理。BIG DATA ANALYTICS BEYOND HADOOP
介绍：讲计算机视觉的四部奇书（应该叫经典吧）之一，另外三本是Hartley的《多图几何》、Gonzalez的《数字图像处理》、Rafael C.Gonzalez / Richard E.Woods 的《数字图像处理》
介绍：里面基本没涉及到具体算法，但作者介绍了CF在LinkedIn的很多应用，以及他们在做推荐过程中获得的一些经验。最后一条经验是应该监控log数据的质量，因为推荐的质量很依赖数据的质量！
介绍：初学者如何查阅自然语言处理（NLP）领域学术资料
介绍：用树莓派和相机模块进行人脸识别
介绍：如何利用深度学习与大数据构建对话系统
介绍：Francis Bach合作的有关稀疏建模的新综述(书)：Sparse Modeling for Image and Vision Processing，内容涉及Sparsity, Dictionary Learning, PCA, Matrix Factorization等理论，以及在图像和视觉上的应用，而且第一部分关于Why does the l1-norm induce sparsity的解释也很不错。
介绍：RKHS是机器学习中重要的概念，其在large margin分类器上的应用也是广为熟知的。如果没有较好的数学基础，直接理解RKHS可能会不易。本文从基本运算空间讲到Banach和Hilbert空间，深入浅出，一共才12页。
介绍：许多同学对于机器学习及深度学习的困惑在于，数学方面已经大致理解了，但是动起手来却不知道如何下手写代码。斯坦福深度学习博士Andrej Karpathy写了一篇实战版本的深度学习及机器学习教程，手把手教你用Javascript写神经网络和SVM.
介绍：【语料库】语料库资源汇总
介绍：本文会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。
介绍：这个里面有很多关于机器学习、信号处理、计算机视觉、深入学习、神经网络等领域的大量源代码（或可执行代码）及相关论文。科研写论文的好资源
介绍：NYU 2014年的深度学习课程资料，有视频
介绍：计算机视觉数据集不完全汇总
介绍：机器学习开源软件
介绍：A Library for Support Vector Machines
介绍：数据挖掘十大经典算法之一
介绍：github上面100个非常棒的项目
介绍：当前加州大学欧文分校为机器学习社区维护着306个数据集。查询数据集
介绍：Andrej Karpathy 是斯坦福大学Li Fei-Fei的博士生，使用机器学习在图像、视频语义分析领域取得了科研和工程上的突破，发的文章不多，但每个都很扎实，在每一个问题上都做到了state-of-art.
介绍：Andrej Karpathy的深度强化学习演示，论文在这里
介绍：CIKM Cup(或者称为CIKM Competition)是ACM CIKM举办的国际数据挖掘竞赛的名称。
介绍：杰弗里·埃弗里斯特·辛顿 FRS是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一，也是深度学习的积极推动者.
介绍：微软研究院深度学习技术中心在CIKM2014 上关于《自然语言处理的深度学习理论与实际》教学讲座的幻灯片
介绍： 本文基于<支持向量机的高频限价订单的动态建模>采用了 Apache Spark和Spark MLLib从纽约股票交易所的订单日志数据构建价格运动预测模型。(股票有风险，投资谨慎)GitHub源代码托管地址.
介绍：徐宗本 院士将于热爱机器学习的小伙伴一起探讨有关于机器学习的几个理论性问题，并给出一些有意义的结论。最后通过一些实例来说明这些理论问题的物理意义和实际应用价值。
介绍：作者还著有《这就是搜索引擎：核心技术详解》一书，主要是介绍应用层的东西
介绍：机器学习课程
介绍：人脸识别必读文章推荐
介绍：推荐系统经典论文文献
介绍：人脸识别必读文章推荐
介绍：第十二届中国"机器学习及其应用"研讨会PPT
介绍：统计学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析的一门科学，统计学习也成为统计机器学习。课程来自上海交通大学
介绍：机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题.
介绍：CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主题报告的幻灯片， Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry Track报告的幻灯片
介绍：部分中文列表
介绍:此外作者还有一篇元算法、AdaBoost python实现文章
介绍:加州伯克利大学博士Aria Haghighi写了一篇超赞的数值优化博文，从牛顿法讲到拟牛顿法，再讲到BFGS以及L-BFGS, 图文并茂，还有伪代码。强烈推荐。
介绍:还有续集简明深度学习方法概述（二）
介绍:Ｒ语言程序员私人定制版
介绍:谷歌地图解密
介绍:空间数据挖掘常用方法
介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka ”边学边用word2vec和deep learning做NLP“ 里面全套教程教一步一步用python和gensim包的word2vec模型，并在实际比赛里面比调参数和清数据。 如果已装过gensim不要忘升级
介绍:PyNLPIR提供了NLPIR/ICTCLAS汉语分词的Python接口,此外Zhon提供了常用汉字常量，如CJK字符和偏旁，中文标点，拼音，和汉字正则表达式（如找到文本中的繁体字）
介绍:这文章说把最近模型识别上的突破应用到围棋软件上，打16万张职业棋谱训练模型识别功能。想法不错。训练后目前能做到不用计算，只看棋盘就给出下一步，大约10级棋力。但这篇文章太过乐观，说什么人类的最后一块堡垒马上就要跨掉了。话说得太早。不过，如果与别的软件结合应该还有潜力可挖。@万精油墨绿
介绍:UT Austin教授Eric Price关于今年NIPS审稿实验的详细分析,他表示，根据这次实验的结果，如果今年NIPS重新审稿的话，会有一半的论文被拒。
介绍:KDNuggets分别总结了2014年14个阅读最多以及分享最多的文章。我们从中可以看到多个主题——深度学习，数据科学家职业，教育和薪酬，学习数据科学的工具比如R和Python以及大众投票的最受欢迎的数据科学和数据挖掘语言
介绍:Python实现线性回归,作者还有其他很棒的文章推荐可以看看
介绍：2014中国大数据技术大会33位核心专家演讲PDF下载
介绍：这是T. Mikolov & Y. Bengio最新论文Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews ，使用RNN和PV在情感分析效果不错，［项目代码］(https://github.com/mesnilgr/iclr15)公布在github(目前是空的)。这意味着Paragraph Vector终于揭开面纱了嘛。
介绍:NLPIR/ICTCLAS2015分词系统发布与用户交流大会上的演讲，请更多朋友检阅新版分词吧。 我们实验室同学的演讲包括：孙梦姝-基于评论观点挖掘的商品搜索技术研究李然-主题模型
介绍:Convex Neural Networks 解决维数灾难
介绍:介绍CNN参数在使用bp算法时该怎么训练，毕竟CNN中有卷积层和下采样层，虽然和MLP的bp算法本质上相同，但形式上还是有些区别的，很显然在完成CNN反向传播前了解bp算法是必须的。此外作者也做了一个资源集:机器学习，深度学习，视觉，数学等
介绍:如果要在一篇文章中匹配十万个关键词怎么办？Aho-Corasick 算法利用添加了返回边的Trie树，能够在线性时间内完成匹配。 但如果匹配十万个正则表达式呢 ？ 这时候可以用到把多个正则优化成Trie树的方法，如日本人写的 Regexp::Trie
介绍:深度学习阅读清单
介绍:Caffe是一个开源的深度学习框架，作者目前在google工作，作者主页Yangqing Jia (贾扬清)
介绍:2014 ImageNet冠军GoogLeNet深度学习模型的Caffe复现模型,GoogleNet论文.
介绍:LambdaNetLambdaNet是由Haskell实现的一个开源的人工神经网络库，它抽象了网络创建、训练并使用了高阶函数。该库还提供了一组预定义函数，用户可以采取多种方式组合这些函数来操作现实世界数据。
介绍:如果你从事互联网搜索，在线广告，用户行为分析，图像识别，自然语言理解，或者生物信息学，智能机器人，金融预测，那么这门核心课程你必须深入了解。
介绍:"人工智能研究分许多流派。其中之一以IBM为代表，认为只要有高性能计算就可得到智能，他们的‘深蓝’击败了世界象棋冠军；另一流派认为智能来自动物本能；还有个很强的流派认为只要找来专家，把他们的思维用逻辑一条条写下，放到计算机里就行……" 杨强在TEDxNanjing谈智能的起源
介绍:1)机器翻译Sequence to Sequence NIPS14 2)成分句法GRAMMAR AS FOREIGN LANGUAGE
介绍:网易有道的三位工程师写的word2vec的解析文档，从基本的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化Log-Bilinear，到CBOW和Skip-gram模型，再到word2vec的各种tricks，公式推导与代码，基本上是网上关于word2vec资料的大合集，对word2vec感兴趣的朋友可以看看
介绍:机器学习开源软件,收录了各种机器学习的各种编程语言学术与商业的开源软件．与此类似的还有很多例如:DMOZ - Computers: Artificial Intelligence: Machine Learning: Software, LIBSVM -- A Library for Support Vector Machines, Weka 3: Data Mining Software in Java, scikit-learn:Machine Learning in Python, Natural Language Toolkit:NLTK, MAchine Learning for LanguagE Toolkit, Data Mining - Fruitful and Fun, Open Source Computer Vision Library
介绍:作者是计算机研二(写文章的时候，现在是2015年了应该快要毕业了)，专业方向自然语言处理．这是一点他的经验之谈．对于入门的朋友或许会有帮助
介绍:这是一篇关于机器学习算法分类的文章，非常好
介绍:机器学习日报里面推荐很多内容，在这里有一部分的优秀内容就是来自机器学习日报．
介绍:这是一篇关于图像分类在深度学习中的文章
介绍:作者与Bengio的兄弟Samy 09年合编《自动语音识别：核方法》 3）李开复1989年《自动语音识别》专著，其博导、94年图灵奖得主Raj Reddy作序
介绍: 作者是360电商技术组成员,这是一篇NLP在中文分词中的应用
介绍: 使用deep learning的人脸关键点检测，此外还有一篇AWS部署教程
介绍: 由Sebastian Nowozin等人编纂MIT出版的新书《Advanced Structured Prediction》http://t.cn/RZxipKG ，汇集了结构化预测领域诸多牛文，涉及CV、NLP等领域，值得一读。网上公开的几章草稿:一,二,三,四,五
介绍: Tropp把数学家用高深装逼的数学语言写的矩阵概率不等式用初等的方法写出来，是非常好的手册，领域内的paper各种证明都在用里面的结果。虽说是初等的，但还是非常的难
介绍: 不容错过的免费大数据集，有些已经是耳熟能详，有些可能还是第一次听说，内容跨越文本、数据、多媒体等，让他们伴你开始数据科学之旅吧，具体包括：http://Data.gov、US Census Bureau、European Union Open Data Portal、http://Data.gov.uk等
介绍: 谷歌科学家、Hinton亲传弟子Ilya Sutskever的深度学习综述及实际建议
介绍: 非常好的讨论递归神经网络的文章，覆盖了RNN的概念、原理、训练及优化等各个方面内容，强烈推荐！本文作者Nikhil Buduma还有一篇Deep Learning in a Nutshell值得推荐
介绍:里面融合了很多的资源，例如竞赛，在线课程，demo，数据整合等。有分类
介绍:《机器学习的统计基础》在线版，该手册希望在理论与实践之间找到平衡点，各主要内容都伴有实际例子及数据，书中的例子程序都是用R语言编写的。
介绍:IVAN VASILEV写的深度学习导引：从浅层感知机到深度网络。高可读
介绍:鲁棒及有益的人工智能优先研究计划：一封公开信,目前已经有Stuart Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom Mitchell, Geoffrey Hinton, Elon Musk等人签署The Future of Life Institute (FLI).这封信的背景是最近霍金和Elon Musk提醒人们注意AI的潜在威胁。公开信的内容是AI科学家们站在造福社会的角度，展望人工智能的未来发展方向，提出开发AI系统的Verification，Validity, Security, Control四点要求，以及需要注意的社会问题。毕竟当前AI在经济领域，法律，以及道德领域相关研究较少。其实还有一部美剧《疑犯追踪》,介绍了AI的演进从一开始的自我学习，过滤，图像识别，语音识别等判断危险，到第四季的时候出现了机器通过学习成长之后想控制世界的状态。说到这里推荐收看。
介绍:里面根据词条提供了许多资源，还有相关知识结构，路线图，用时长短等。号称是”机器学习“搜索引擎
介绍:Facebook人工智能研究院（FAIR）开源了一系列软件库，以帮助开发者建立更大、更快的深度学习模型。开放的软件库在 Facebook 被称作模块。用它们替代机器学习领域常用的开发环境 Torch 中的默认模块，可以在更短的时间内训练更大规模的神经网络模型。
介绍:本文虽然是写于2012年，但是这篇文章完全是作者的经验之作。
介绍:本文是对《机器学习实战》作者Peter Harrington做的一个访谈。包含了书中部分的疑问解答和一点个人学习建议
介绍:非常好的深度学习概述，对几种流行的深度学习模型都进行了介绍和讨论
介绍:主要是讲述了利用R语言进行数据挖掘
介绍:帮你理解卷积神经网络，讲解很清晰，此外还有两篇Conv Nets: A Modular Perspective，Groups & Group Convolutions. 作者的其他的关于神经网络文章也很棒
介绍:Deep Learning算法介绍，里面介绍了06年3篇让deep learning崛起的论文
介绍:一本学习人工智能的书籍，作者是Yoshua Bengio，相关国内报道
介绍:Geoffrey Hinton是Deep Learning的大牛，他的主页放了一些介绍性文章和课件值得学习
介绍:概率论：数理逻辑书籍
介绍:一个用来快速的统计，机器学习并且对于数据量大的数学库
介绍:在这里你可以看到最近深度学习有什么新动向。
介绍:此书在信息检索领域家喻户晓， 除提供该书的免费电子版外，还提供一个IR资源列表 ，收录了信息检索、网络信息检索、搜索引擎实现等方面相关的图书、研究中心、相关课程、子领域、会议、期刊等等，堪称全集，值得收藏
介绍:信息几何学及其在机器学习中的应用
介绍:课程《法律分析》介绍幻灯片。用机器学习解决法律相关分析和预测问题，相关的法律应用包括预测编码、早期案例评估、案件整体情况的预测，定价和工作人员预测，司法行为预测等。法律领域大家可能都比较陌生，不妨了解下。
介绍: 文中提到了最优，模型，最大熵等等理论，此外还有应用篇。推荐系统可以说是一本不错的阅读稿，关于模型还推荐一篇Generative Model 与 Discriminative Model
介绍: NeuralTalk is a Python+numpy project for learning Multimodal Recurrent Neural Networks that describe images with sentences.NeuralTalk是一个Python的从图像生成自然语言描述的工具。它实现了Google (Vinyals等，卷积神经网络CNN + 长短期记忆LSTM) 和斯坦福 (Karpathy and Fei-Fei， CNN + 递归神经网络RNN)的算法。NeuralTalk自带了一个训练好的动物模型，你可以拿狮子大象的照片来试试看
介绍:本文主要介绍了在Hadoop2.0上使用深度学习,文章来自paypal
介绍:用基于梯度下降的方法训练深度框架的实践推荐指导,作者是Yoshua Bengio .感谢@xuewei4d 推荐
介绍: 用统计和因果方法做机器学习（视频报告）
介绍: 一个讲机器学习的Youtube视频教程。160集。系统程度跟书可比拟。
介绍: 机器学习中的数学，作者的研究方向是机器学习，并行计算如果你还想了解一点其他的可以看看他博客的其他文章
介绍: 美团推荐算法实践，从框架，应用，策略，查询等分析
介绍: 深度学习用于问答系统答案句的选取
介绍: CNN用于WEB搜索，深度学习在文本计算中的应用
介绍: Awesome系列中的公开数据集
介绍: 一个学术搜索引擎
介绍: 用Python和Cython写的工业级自然语言处理库，号称是速度最快的NLP库，快的原因一是用Cython写的，二是用了个很巧妙的hash技术，加速系统的瓶颈，NLP中稀松特征的存取
介绍: Fields是个数学研究中心,上面的这份ppt是来自Fields举办的活动中Russ Salakhutdinov带来的《大规模机器学习》分享
介绍: Topic modeling 的经典论文,标注了关键点
介绍: 多伦多大学与Google合作的新论文，深度学习也可以用来下围棋，据说能达到六段水平
介绍: 新闻，paper,课程，book，system,CES,Roboot，此外还推荐一个深度学习入门与综述资料
介绍: 18 free eBooks on Machine Learning
介绍: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
介绍: DEEPLEARNING.UNIVERSITY的论文库已经收录了963篇经过分类的深度学习论文了，很多经典论文都已经收录
介绍: Radim Řehůřek(Gensim开发者)在一次机器学习聚会上的报告，关于word2vec及其优化、应用和扩展，很实用.国内网盘
介绍:很多公司都用机器学习来解决问题，提高用户体验。那么怎么可以让机器学习更实时和有效呢？Spark MLlib 1.2里面的Streaming K-means，由斑马鱼脑神经研究的Jeremy Freeman脑神经科学家编写，最初是为了实时处理他们每半小时1TB的研究数据，现在发布给大家用了。
介绍: 这是一篇面向工程师的LDA入门笔记，并且提供一份开箱即用Java实现。本文只记录基本概念与原理，并不涉及公式推导。文中的LDA实现核心部分采用了arbylon的LdaGibbsSampler并力所能及地注解了，在搜狗分类语料库上测试良好，开源在GitHub上。
介绍: AMiner是一个学术搜索引擎，从学术网络中挖掘深度知识、面向科技大数据的挖掘。收集近4000万作者信息、8000万论文信息、1亿多引用关系、链接近8百万知识点；支持专家搜索、机构排名、科研成果评价、会议排名。
介绍: Quora上的主题，讨论Word2Vec的有趣应用，Omer Levy提到了他在CoNLL2014最佳论文里的分析结果和新方法，Daniel Hammack给出了找特异词的小应用并提供了(Python)代码
介绍: 机器学习公开课汇总,虽然里面的有些课程已经归档过了，但是还有个别的信息没有。感谢课程图谱的小编
介绍: 【A First Course in Linear Algebra】Robert Beezer 有答案 有移动版、打印版 使用GNU自由文档协议 引用了杰弗逊1813年的信
介绍:libfacedetection是深圳大学开源的一个人脸图像识别库。包含正面和多视角人脸检测两个算法.优点:速度快(OpenCV haar+adaboost的2-3倍), 准确度高 (FDDB非公开类评测排名第二），能估计人脸角度。
介绍:WSDM2015最佳论文 把马尔可夫链理论用在了图分析上面，比一般的propagation model更加深刻一些。通过全局的平稳分布去求解每个节点影响系数模型。假设合理（转移受到相邻的影响系数影响）。可以用来反求每个节点的影响系数
介绍:机器学习入门书籍，具体介绍
介绍: 非常棒的强调特征选择对分类器重要性的文章。情感分类中，根据互信息对复杂高维特征降维再使用朴素贝叶斯分类器，取得了比SVM更理想的效果，训练和分类时间也大大降低——更重要的是，不必花大量时间在学习和优化SVM上——特征也一样no free lunch
介绍:CMU的统计系和计算机系知名教授Larry Wasserman 在《机器崛起》,对比了统计和机器学习的差异
介绍:随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问题。这篇文章是美团的实际环境中的实战篇
介绍:面向机器学习的高斯过程，章节概要：回归、分类、协方差函数、模型选择与超参优化、高斯模型与其他模型关系、大数据集的逼近方法等,微盘下载
介绍:Python下的文本模糊匹配库，老库新推，可计算串间ratio(简单相似系数)、partial_ratio(局部相似系数)、token_sort_ratio(词排序相似系数)、token_set_ratio(词集合相似系数)等 github
介绍:Blocks是基于Theano的神经网络搭建框架，集成相关函数、管道和算法，帮你更快地创建和管理NN模块.
介绍:机器学习大神Alex Smola在CMU新一期的机器学习入门课程”Introduction to Machine Learning“近期刚刚开课，课程4K高清视频同步到Youtube上，目前刚刚更新到 2.4 Exponential Families,课程视频playlist, 感兴趣的同学可以关注，非常适合入门.
介绍:用社交用户行为学习图片的协同特征，可更好地表达图片内容相似性。由于不依赖于人工标签(标注)，可用于大规模图片处理，难在用户行为数据的获取和清洗；利用社会化特征的思路值得借鉴.
介绍:Twitter技术团队对前段时间开源的时间序列异常检测算法(S-H-ESD)R包的介绍，其中对异常的定义和分析很值得参考，文中也提到——异常是强针对性的，某个领域开发的异常检测在其他领域直接用可不行.
介绍:聚焦数据质量问题的应对，数据质量对各种规模企业的性能和效率都至关重要，文中总结出(不限于)22种典型数据质量问题显现的信号，以及典型的数据质量解决方案(清洗、去重、统一、匹配、权限清理等)
介绍:中文分词入门之资源.
介绍:15年旧金山深度学习峰会视频集萃,国内云盘
介绍:很好的条件随机场(CRF)介绍文章,作者的学习笔记
介绍: 来自Stanford，用神经网络实现快速准确的依存关系解析器
介绍:做深度学习如何选择GPU的建议
介绍: Stanford的Trevor Hastie教授在H2O.ai Meet-Up上的报告，讲稀疏线性模型——面向“宽数据”(特征维数超过样本数)的线性模型,13年同主题报告 、讲义.
介绍: 分类整理的机器视觉相关资源列表，秉承Awesome系列风格，有质有量!作者的更新频率也很频繁
介绍: social networks course
介绍: 大规模机器学习流程的构建与部署.
介绍: 人脸识别二次开发包，免费，可商用，有演示、范例、说明书.
介绍: 采用Torch用深度学习网络理解NLP，来自Facebook 人工智能的文章.
介绍: 来自CMU的Ed Hovy和Stanford的Jiwei Li一篇有意思的Arxiv文章,作者用Shannon Entropy来刻画NLP中各项任务的难度.
介绍: 信息检索排序模型BM25(Besting Matching)。1）从经典概率模型演变而来 2）捕捉了向量空间模型中三个影响索引项权重的因子：IDF逆文档频率；TF索引项频率；文档长度归一化。3）并且含有集成学习的思想：组合了BM11和BM15两个模型。4）作者是BM25的提出者和Okapi实现者Robertson.
介绍: 自回归滑动平均(ARMA)时间序列的简单介绍，ARMA是研究时间序列的重要方法，由自回归模型（AR模型）与滑动平均模型（MA模型）为基础“混合”构成.
介绍: 把来自target的attention signal加入source encoding CNN的输入，得到了比BBN的模型好的多neural network joint model
介绍: 揭开印度菜的美味秘诀——通过对大量食谱原料关系的挖掘，发现印度菜美味的原因之一是其中的味道互相冲突，很有趣的文本挖掘研究
介绍: HMM相关文章,此外推荐中文分词之HMM模型详解
介绍: 1)词频与其降序排序的关系,最著名的是语言学家齐夫(Zipf,1902-1950)1949年提出的Zipf‘s law,即二者成反比关系. 曼德勃罗(Mandelbrot,1924- 2010)引入参数修正了对甚高频和甚低频词的刻画 2)Heaps' law: 词汇表与语料规模的平方根(这是一个参数,英语0.4-0.6)成正比
介绍: Jürgen Schmidhuber在Reddit上的AMA(Ask Me Anything)主题，有不少RNN和AI、ML的干货内容，关于开源&思想&方法&建议……耐心阅读，相信你也会受益匪浅.
介绍: 成G上T的学术数据，HN近期热议话题,主题涉及机器学习、NLP、SNA等。下载最简单的方法，通过BT软件，RSS订阅各集合即可
介绍: Scikit-Learn官网提供，在原有的Cheat Sheet基础上加上了Scikit-Learn相关文档的链接，方便浏览
介绍: 深度学习的全面硬件指南，从GPU到RAM、CPU、SSD、PCIe
介绍:Pedestrian Detection paper & data
介绍: 【神经科学碰撞人工智能】在脸部识别上你我都是专家，即使细微的差别也能辨认。研究已证明人类和灵长类动物在面部加工上不同于其他物种，人类使用梭状回面孔区（FFA）。Khaligh-Razavi等通过计算机模拟出人脸识别的FFA活动，堪称神经科学与人工智能的完美结合。
介绍: 神经网络C++教程,本文介绍了用可调节梯度下降和可调节动量法设计和编码经典BP神经网络，网络经过训练可以做出惊人和美妙的东西出来。此外作者博客的其他文章也很不错。
介绍:deeplearning4j官网提供的实际应用场景NN选择参考表，列举了一些典型问题建议使用的神经网络
介绍:一个深度学习项目,提供了Python, C/C++, Java, Scala, Go多个版本的代码
介绍:深度学习教程,github
介绍:自然语言处理的发展趋势——访卡内基梅隆大学爱德华·霍威教授.
介绍:Google对Facebook DeepFace的有力回击—— FaceNet，在LFW(Labeled Faces in the Wild)上达到99.63%准确率(新纪录)，FaceNet embeddings可用于人脸识别、鉴别和聚类.
介绍:本文来自Databricks公司网站的一篇博客文章，由Joseph Bradley和Manish Amde撰写，文章主要介绍了Random Forests和Gradient-Boosted Trees（GBTs）算法和他们在MLlib中的分布式实现，以及展示一些简单的例子并建议该从何处上手.中文版.
介绍:华盛顿大学Pedro Domingos团队的DNN，提供论文和实现代码.
介绍:基于神经网络的自然语言依存关系解析器(已集成至Stanford CoreNLP)，特点是超快、准确，目前可处理中英文语料，基于《A Fast and Accurate Dependency Parser Using Neural Networks》 思路实现.
介绍:本文根据神经网络的发展历程，详细讲解神经网络语言模型在各个阶段的形式，其中的模型包含NNLM[Bengio,2003]、Hierarchical NNLM[Bengio, 2005], Log-Bilinear[Hinton, 2007],SENNA等重要变形，总结的特别好.
介绍:经典问题的新研究：利用文本和可读性特征分类垃圾邮件。
介绍:Kaggle脑控计算机交互(BCI)竞赛优胜方案源码及文档，包括完整的数据处理流程，是学习Python数据处理和Kaggle经典参赛框架的绝佳实例
介绍:IPOL（在线图像处理）是图像处理和图像分析的研究期刊，每篇文章都包含一个算法及相应的代码、Demo和实验文档。文本和源码是经过了同行评审的。IPOL是开放的科学和可重复的研究期刊。我一直想做点类似的工作，拉近产品和技术之间的距离.
介绍:出自MIT，研究加密数据高效分类问题.
介绍:新加坡LV实验室的神经网络并行框架Purine: A bi-graph based deep learning framework,支持构建各种并行的架构，在多机多卡，同步更新参数的情况下基本达到线性加速。12块Titan 20小时可以完成Googlenet的训练。
介绍:这是一个机器学习资源库,虽然比较少.但蚊子再小也是肉.有突出部分.此外还有一个由zheng Rui整理的机器学习资源.
介绍:Chase Davis在NICAR15上的主题报告材料，用Scikit-Learn做监督学习的入门例子.
介绍:这是一本自然语言处理的词典,从1998年开始到目前积累了成千上万的专业词语解释,如果你是一位刚入门的朋友.可以借这本词典让自己成长更快.
介绍:通过分析1930年至今的比赛数据，用PageRank计算世界杯参赛球队排行榜.
介绍:R语言教程,此外还推荐一个R语言教程An Introduction to R.
介绍:经典老文，复杂网络社区发现的高效算法，Gephi中的Community detection即基于此.
介绍: 一个面向 .net 的开源机器学习库,github地址
介绍: 支持node.js的JS神经网络库，可在客户端浏览器中运行，支持LSTM等 github地址
介绍: 决策树
介绍: 讨论深度学习自动编码器如何有效应对维数灾难,国内翻译
介绍: CMU的优化与随机方法课程，由A. Smola和S. Sra主讲，优化理论是机器学习的基石，值得深入学习 国内云(视频)
介绍: "面向视觉识别的CNN"课程设计报告集锦.近百篇，内容涉及图像识别应用的各个方面
介绍:用Spark的MLlib+GraphX做大规模LDA主题抽取.
介绍: 基于深度学习的多标签分类,用基于RBM的DBN解决多标签分类(特征)问题
介绍: DeepMind论文集锦
介绍: 一个开源语音识别工具包,它目前托管在sourceforge上面
介绍: 免费电子书《数据新闻手册》, 国内有热心的朋友翻译了中文版,大家也可以在线阅读
介绍: 零售领域的数据挖掘文章.
介绍: 深度学习卷积概念详解,深入浅出.
介绍: 非常强大的Python的数据分析工具包.
介绍: 2015文本分析(商业)应用综述.
介绍: 深度学习框架、库调研及Theano的初步测试体会报告.
介绍: MIT的Yoshua Bengio等人讲深度学习的新书，还未定稿，线上提供Draft chapters收集反馈，超赞！强烈推荐.
介绍: Python下开源可持久化朴素贝叶斯分类库.
介绍:Paracel is a distributed computational framework designed for machine learning problems, graph algorithms and scientific computing in C++.
介绍: 开源汉语言处理包.
介绍: 使用Ruby实现简单的神经网络例子.
介绍:神经网络黑客入门.
介绍:好多数据科学家名人推荐,还有资料.
介绍:实现项目已经开源在github上面Crepe
介绍:作者发现，经过调参，传统的方法也能和word2vec取得差不多的效果。另外，无论作者怎么试，GloVe都比不过word2vec.
介绍:Stanford深度学习与自然语言处理课程,Richard Socher主讲.
介绍:机器学习中的重要数学概念.
介绍:用于改进语义表示的树型LSTM递归神经网络,句子级相关性判断和情感分类效果很好.实现代码.
介绍:卡耐基梅隆Ryan Tibshirani和Larry Wasserman开设的机器学习课程，先修课程为机器学习(10-715)和中级统计学(36-705)，聚焦统计理论和方法在机器学习领域应用.
介绍:《哈佛大学蒙特卡洛方法与随机优化课程》是哈佛应用数学研究生课程，由V Kaynig-Fittkau、P Protopapas主讲，Python程序示例，对贝叶斯推理感兴趣的朋友一定要看看，提供授课视频及课上IPN讲义.
介绍:生物医学的SPARK大数据应用.并且伯克利开源了他们的big data genomics系统ADAM，其他的内容可以关注一下官方主页.
介绍:对自然语言处理技术或者机器翻译技术感兴趣的亲们，请在提出自己牛逼到无以伦比的idea（自动归纳翻译规律、自动理解语境、自动识别语义等等）之前，请通过谷歌学术简单搜一下，如果谷歌不可用，这个网址有这个领域几大顶会的论文列表,切不可断章取义,胡乱假设.
介绍:论文+代码:基于集成方法的Twitter情感分类,实现代码.
介绍:NIPS CiML 2014的PPT,NIPS是神经信息处理系统进展大会的英文简称.
介绍:斯坦福的深度学习课程的Projects 每个人都要写一个论文级别的报告 里面有一些很有意思的应用 大家可以看看 .
介绍:R语言线性回归多方案速度比较具体方案包括lm()、nls()、glm()、bayesglm()、nls()、mle2()、optim()和Stan’s optimizing()等.
介绍:文中提到的三篇论文（机器学习那些事、无监督聚类综述、监督分类综述）都很经典，Domnigos的机器学习课也很精彩
介绍:莱斯大学（Rice University）的深度学习的概率理论.
介绍:基于马尔可夫链自动生成啤酒评论的开源Twitter机器人,github地址.
介绍:视频+讲义:深度学习用于自然语言处理教程(NAACL13).
介绍:用机器学习做数据分析,David Taylor最近在McGill University研讨会上的报告，还提供了一系列讲机器学习方法的ipn，很有价值 GitHub.国内
介绍:基于CNN+LSTM的视频分类,google演示.
介绍:Quora怎么用机器学习.
介绍:亚马逊在机器学习上面的一些应用,代码示例.
介绍:并行机器学习指南(基于scikit-learn和IPython).notebook
介绍:DataSchool的机器学习基本概念教学.
介绍:一个基于OpenGL实现的卷积神经网络，支持Linux及Windows系.
介绍:基于Mahout和Elasticsearch的推荐系统.
介绍:Francis X. Diebold的《(经济|商业|金融等领域)预测方法.
介绍:Francis X. Diebold的《时序计量经济学》.
介绍:基于Yelp数据集的开源情感分析工具比较,评测覆盖Naive Bayes、SentiWordNet、CoreNLP等 .
介绍:国内Pattern Recognition And Machine Learning读书会资源汇总,各章pdf讲稿,博客.
介绍:用于Web分析和数据挖掘的概率数据结构.
介绍:机器学习在导航上面的应用.
介绍:Neural Networks Demystified系列视频，Stephen Welch制作，纯手绘风格，浅显易懂,国内云.
介绍:{swirl}数据训练营:R&数据科学在线交互教程.
介绍:关于深度学习和RNN的讨论 Sequence to Sequence Learning with Neural Networks.
介绍:Deep Reinforcement Learning.
介绍:(PyCon2015)Scikit-Learn机器学习教程,Parallel Machine Learning with scikit-learn and IPython.
介绍:PDNN: A Python Toolkit for Deep Learning.
介绍:15年春季学期CMU的机器学习课程，由Alex Smola主讲，提供讲义及授课视频，很不错.国内镜像.
介绍:大数据处理课.内容覆盖流处理、MapReduce、图算法等.
介绍:用Spark MLlib实现易用可扩展的机器学习,国内镜像.
介绍:以往上千行代码概率编程(语言)实现只需50行.
介绍:ggplot2速查小册子,另外一个,此外还推荐《A new data processing workflow for R: dplyr, magrittr, tidyr, ggplot2》.
介绍:用结构化模型来预测实时股票行情.
介绍:国际人工智能联合会议录取论文列表,大部分论文可使用Google找到.
介绍:一般矩阵乘法(GEMM)对深度学习的重要性.
介绍:A Community of awesome Distributed Machine Learning C++ projects.
介绍:免费电子书<强化学习介绍>,第一版(1998),第二版(2015草稿),相关课程资料,Reinforcement Learning.
介绍:免费书:Azure ML使用精要.
介绍:A Deep Learning Tutorial: From Perceptrons to Deep Networks.
介绍:有趣的机器学习：最简明入门指南,中文版.
介绍:深度学习简明介绍,中文版.
介绍:Portable, scalable and reliable distributed machine learning.
介绍:CNN开源实现横向评测,参评框架包括Caffe 、Torch-7、CuDNN 、cudaconvnet2 、fbfft、Nervana Systems等，NervanaSys表现突出.
介绍:卡耐基梅隆大学计算机学院语言技术系的资源大全,包括大量的NLP开源软件工具包，基础数据集，论文集，数据挖掘教程，机器学习资源.
介绍:Twitter情感分析工具SentiTweet,视频+讲义.
介绍:华盛顿大学的Machine Learning Paper Repository.
介绍:机器学习速查表.
介绍:最新的Spark summit会议资料.
介绍:最新的Spark summit会议资料.
介绍:Ebook Learning Spark.
介绍:Ebook Advanced Analytics with Spark, Early Release Edition.
介绍:清华大学副教授，是图挖掘方面的专家。他主持设计和实现的Arnetminer是国内领先的图挖掘系统，该系统也是多个会议的支持商.
介绍:迁移学习的国际领军人物.
介绍:在半监督学习，multi-label学习和集成学习方面在国际上有一定的影响力.
介绍:信息检索，自然语言处理，机器翻译方面的专家.
介绍:吴军博士是当前Google中日韩文搜索算法的主要设计者。在Google其间，他领导了许多研发项目，包括许多与中文相关的产品和自然语言处理的项目,他的新个人主页.
介绍:喵星人相关论文集.
介绍:如何评价机器学习模型系列文章,How to Evaluate Machine Learning Models, Part 2a: Classification Metrics,How to Evaluate Machine Learning Models, Part 2b: Ranking and Regression Metrics.
介绍:Twitter新trends的基本实现框架.
介绍:Storm手册，国内有中文翻译版本,谢谢作者.
介绍:Java机器学习算法库SmileMiner.
介绍:机器翻译学术论文写作方法和技巧，Simon Peyton Jones的How to write a good research paper同类视频How to Write a Great Research Paper,how to paper talk.
介绍:神经网络训练中的Tricks之高效BP,博主的其他博客也挺精彩的.
介绍:作者是NLP方向的硕士，短短几年内研究成果颇丰,推荐新入门的朋友阅读.
介绍:UCLA的Jens Palsberg根据Google Scholar建立了一个计算机领域的H-index牛人列表,我们熟悉的各个领域的大牛绝大多数都在榜上，包括1位诺贝尔奖得主，35位图灵奖得主，近百位美国工程院/科学院院士，300多位ACM Fellow,在这里推荐的原因是大家可以在google通过搜索牛人的名字来获取更多的资源,这份资料很宝贵.
介绍:用大型语料库学习概念的层次关系，如鸟是鹦鹉的上级，鹦鹉是虎皮鹦鹉的上级。创新性在于模型构造，用因子图刻画概念之间依存关系，因引入兄弟关系，图有环，所以用有环扩散（loopy propagation）迭代计算边际概率（marginal probability）.
介绍: 这是一款贝叶斯分析的商业软件,官方写的贝叶斯分析的手册有250多页,虽然R语言 已经有类似的项目,但毕竟可以增加一个可选项.
介绍:deep net highlights from 2014.
介绍:This paper proposes Fast R-CNN, a clean and fast framework for object detection.
介绍:提供计算机视觉、机器视觉应用的公司信息汇总.应用领域包括：自动辅助驾驶和交通管理、眼球和头部跟踪、影视运动分析、影视业、手势识别、通用视觉系统、各种工业自动化和检验、医药和生物、移动设备目标识别和AR、人群跟踪、摄像、安全监控、生物监控、三维建模、web和云应用.
介绍:Python版可视化数据统计开源库.
介绍:麻省理工Gilbert Strang线性代数课程笔记,Gilbert Strang《Linear Algebra》课程主页视频+讲义.
介绍:面向机器学习/深度学习的数据向量化工具Canova,github, 支持CSV文件、MNIST数据、TF-IDF/Bag of Words/word2vec文本向量化.
介绍:快速入门：基于Apache Mahout的分布式机器学习.
介绍:基于scikit-learn讲解了一些机器学习技术，如SVM，NB，PCA，DT，以及特征工程、特征选择和模型选择问题.
介绍:基于Spark的高效机器学习,视频地址.
介绍:WePay用机器学习对抗信用卡"shell selling"诈骗.
介绍:16位数据科学家语录精选.
介绍:深度学习在大数据分析领域的应用和挑战.
介绍:免费的机器学习与数学书籍,除此之外还有其他的免费编程书籍,编程语言,设计,操作系统等.
介绍:一篇关于CNN模型对象识别Paper.
介绍:深度学习的统计分析V:泛化和正则化.
介绍:用SGD能高效完成训练的大规模(多层)深度网络HN.
介绍:深度学习解读文章.
介绍:Coursera上的推荐系统导论（Introduction to Recommender Systems）公开课.
介绍:Andrew Ng经典机器学习课程笔记.
介绍:ICLR 2015见闻录,博客的其他机器学习文章也不错.
介绍:推荐系统"个性化语义排序"模型.
介绍:激情时分更惜字——MIT的最新Twitter研究结果.
介绍:苏州大学人类语言技术研究相关论文.
介绍:实现神经图灵机(NTM),项目地址,此外推荐相关神经图灵机算法.
介绍:华盛顿大学的机器视觉(2015),参考资料Computer Vision: Algorithms and Applications.
介绍:"Mining of Massive Datasets"发布第二版,Jure Leskovec, Anand Rajaraman, Jeff Ullman 新版增加Jure Leskovec作为合作作者，新增社交网络图数据挖掘、降维和大规模机器学习三章,电子版依旧免费.
介绍:一个深度学习资源页,资料很丰富.
介绍:免费电子书"Learning Deep Learning".
介绍:Machine Learning for Astronomy with scikit-learn.
介绍:免费电子书"随机森林入门指南".
介绍:白话数据挖掘十大算法.
介绍:基于Mahout和Elasticsearch的推荐系统,国内译版.
介绍:博士学位论文:ELM研究进展.
介绍:Pandas十分钟速览,ipn.
介绍:面向数据新闻的文本挖掘.
介绍:用网络图片合成延时视频(SIGGRAPH 2015).
介绍:分类系统的维数灾难.
介绍:深度学习vs.大数据——从数据到知识：版权的思考,[翻译版](深度学习 vs. 大数据：神经网络权值的版权属于谁？-CSDN.NET
介绍:预测模型入门.
介绍:深入浅出LSTM.
介绍:Ben Jones的数据可视化建议.
介绍:解读数据降维/PCA/SVD.
介绍:IPN:监督学习方法示例/对比参考表,覆盖logistic回归, 决策树, SVM, KNN, Naive Bayes等方法.
介绍:基于RankSVM和DNN自动(重组)生成Rap歌词.
介绍:随机索引RI词空间模型专题.
介绍:基于机器学习的漏洞检测工具VDiscover.
介绍:深度学习系统minerva。拥有python编程接口。多GPU几乎达到线性加速。在4块GPU上能在4天内将GoogLeNet训练到68.7%的top-1以及89.0%的top-5准确率。和同为dmlc项目的cxxnet相比，采用动态数据流引擎，提供更多灵活性。未来将和cxxnet一起整合为mxnet项目，互取优势.
介绍:2015年国际计算机视觉与模式识别会议paper.
介绍:Netflix工程总监眼中的分类算法：深度学习优先级最低,中文版.
介绍:Codalab图像标注竞赛排行+各家论文,Reddit上flukeskywalker整理了各家技术相关论文.
介绍:基于Caffe的加速深度学习系统CcT.
介绍:深度学习(模型)低精度(训练与)存储.
介绍:新书预览:模型机器学习.
介绍:免费电子书多臂老虎机,此外推荐Introduction to Bandits: Algorithms and Theory.
介绍:基于Kaggle's Titanic Competition的交互式R机器学习教程,介绍《Interactive R Tutorial: Machine Learning for the Titanic Competition》.
介绍:Deep Learning（深度学习）学习笔记整理系列.
介绍:神经(感知)机器翻译介绍.
介绍:Andrew Ng关于深度学习/自学习/无监督特征学习的报告,国内云.
介绍:论文:通过潜在知识迁移训练RNN.
介绍:面向金融数据的情感分析工具.
介绍:(Python)主题模型交互可视化库pyLDAvis.
介绍:Logistic回归与优化实例教程.
介绍:贾扬清（谷歌大脑科学家、caffe缔造者）微信讲座记录.
介绍:Theano/Blocks实现RNN手写字符串生成sketch.
介绍:基于TopSig的海量(7亿+)网页聚类.
介绍:NAACL 2015 论文papers.
介绍:机器学习预测股市的七个问题.
介绍:神经网络学习资料推荐.
介绍:面向序列学习的RNN综述.
介绍:R文本处理手册.
介绍:“必看”的Python视频集锦.
介绍:Google(基础结构)栈.
介绍:矩阵和数据的随机算法(UC Berkeley 2013).
介绍:DataCamp中级R语言教程.
介绍:免费电子书:轻松掌握拓扑学,中文版.
介绍:Scikit-learn 是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，Gradient Boosting，聚类算法和DBSCAN。而且也设计出了Python numerical和scientific libraries Numpy and Scipy
介绍:Pylearn是一个让机器学习研究简单化的基于Theano的库程序。
介绍:NuPIC是一个以HTM学习算法为工具的机器智能平台。HTM是皮层的精确计算方法。HTM的核心是基于时间的持续学习算法和储存和撤销的时空模式。NuPIC适合于各种各样的问题,尤其是检测异常和预测的流数据来源。
介绍:Nilearn 是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的scikit-learn 工具箱和一些进行预测建模，分类，解码，连通性分析的应用程序来进行多元的统计。
介绍:Pybrain是基于Python语言强化学习，人工智能，神经网络库的简称。 它的目标是提供灵活、容易使用并且强大的机器学习算法和进行各种各样的预定义的环境中测试来比较你的算法。
介绍:Pattern 是Python语言下的一个网络挖掘模块。它为数据挖掘，自然语言处理，网络分析和机器学习提供工具。它支持向量空间模型、聚类、支持向量机和感知机并且用KNN分类法进行分类。
介绍:Fuel为你的机器学习模型提供数据。他有一个共享如MNIST, CIFAR-10 (图片数据集), Google’s One Billion Words (文字)这类数据集的接口。你使用他来通过很多种的方式来替代自己的数据。
介绍:Bob是一个免费的信号处理和机器学习的工具。它的工具箱是用Python和C++语言共同编写的，它的设计目的是变得更加高效并且减少开发时间，它是由处理图像工具,音频和视频处理、机器学习和模式识别的大量软件包构成的。
介绍:Skdata是机器学习和统计的数据集的库程序。这个模块对于玩具问题，流行的计算机视觉和自然语言的数据集提供标准的Python语言的使用。
介绍:MILK是Python语言下的机器学习工具包。它主要是在很多可得到的分类比如SVMS,K-NN,随机森林，决策树中使用监督分类法。 它还执行特征选择。 这些分类器在许多方面相结合,可以形成不同的例如无监督学习、密切关系金传播和由MILK支持的K-means聚类等分类系统。
介绍:IEPY是一个专注于关系抽取的开源性信息抽取工具。它主要针对的是需要对大型数据集进行信息提取的用户和想要尝试新的算法的科学家。
介绍:Quepy是通过改变自然语言问题从而在数据库查询语言中进行查询的一个Python框架。他可以简单的被定义为在自然语言和数据库查询中不同类型的问题。所以，你不用编码就可以建立你自己的一个用自然语言进入你的数据库的系统。现在Quepy提供对于Sparql和MQL查询语言的支持。并且计划将它延伸到其他的数据库查询语言。
介绍:Hebel是在Python语言中对于神经网络的深度学习的一个库程序，它使用的是通过PyCUDA来进行GPU和CUDA的加速。它是最重要的神经网络模型的类型的工具而且能提供一些不同的活动函数的激活功能，例如动力，涅斯捷罗夫动力，信号丢失和停止法。
介绍:它是一个由有用的工具和日常数据科学任务的扩展组成的一个库程序。
介绍:这个程序包容纳了大量能对你完成机器学习任务有帮助的实用程序模块。其中大量的模块和scikit-learn一起工作，其它的通常更有用。
介绍:Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
介绍:这一系列工具通过与scikit-learn兼容的API，来创建和测试机器学习功能。这个库程序提供了一组工具，它会让你在许多机器学习程序使用中很受用。当你使用scikit-learn这个工具时，你会感觉到受到了很大的帮助。（虽然这只能在你有不同的算法时起作用。）
介绍:REP是以一种和谐、可再生的方式为指挥数据移动驱动所提供的一种环境。它有一个统一的分类器包装来提供各种各样的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一个群体以平行的方式训练分类器。同时它也提供了一个交互式的情节。
介绍:用亚马逊的机器学习建造的简单软件收集。
介绍:这是一个在Python语言下基于scikit-learn的极端学习机器的实现。
介绍:电子书降维方法,此外还推荐Dimensionality Reduction A Short Tutorial、Matlab Toolbox for Dimensionality Reduction、Unsupervised Kernel Dimension Reduction
介绍:http://deeplearning.net整理的深度学习数据集列表.
介绍:Go语言编写的自然语言处理工具.
介绍:词频模型对词向量的反击,参考Improving Distributional Similarity with Lessons Learned from Word Embeddings 。
介绍:预测模型的三个方面.
介绍:斯坦福大学深度学习与自然语言处理课程,部分课程笔记词向量、引言
介绍:CVPR2015上Google的CV研究列表.
介绍:利用(Metamind)深度学习自动发现篮球赛精彩片段.
感谢 Qix，深度学习准备由此入坑。
chen-jia-yu-65-36 网友的相关建议:
CV+NLP双修版
下面介绍一下CV+NLP双修(CV为主，NLP为辅)的算法技术栈。
整个算法技术栈分成3层，数学和数据结构与算法是基础，机器学习和深度学习是建模方法，CV和NLP是具体应用。
上图是CV和NLP涉及到的一些经典方法和应用。
CV+NLP双修范围
数学：微积分、概率、矩阵
数据结构与算法：数据结构(数组、哈希表、队列、栈、链表、树、图)、经典算法(分治、动态规划、贪心、回溯、分支界限)
机器学习：LR、PCA、SVM、HMM、CRF
深度学习：基础算子、优化器、BP
CV：传统视觉、图像分类、目标检测、语义分割
NLP：语言模型(NLP为辅只需要了解语言模型即可)
入门资料
代码库：
图像分类：pytorch-image-models 基本上涵盖所有主流网络
目标检测: MMDetection、Detectron2 这两个都是优秀的代码库，值得学习借鉴
查阅各个领域的最新进展，可以查阅这个网站，会记录一些sota的paper和code链接：paper-with-code
数学：3Blue1Brown 假设有一定数学基础，3blue1brown增加感性认识用的
数据结构与算法：清华大学邓俊辉数据结构与算法、剑指offer、Leetcode
机器学习：李宏毅2021机器学习、统计学习方法、西瓜书
计算机视觉：CS231n
自然语言处理：CS224n
进阶资料
经典算法：【麻省理工公开课】【算法设计与分析】 了解经典算法思想的来龙去脉
机器学习：【机器学习】【白板推导系列】、PRML 硬核推导，修炼内功
计算机视觉：计算机视觉算法与应用 CV宝典，大而全，宏观视角看计算机视觉
原回答(计算机视觉版)
上面大多数回答通通都没用，大部头一般买来都扔书架上吃灰了(都看完的算你nb)，最实用的还是一些工具的document。实际场景，一般是遇到问题，查阅，遇到问题，查阅的循环过程，光啃书不实践，记不住啊，还体会不到乐趣，消磨积极性。
以下罗列一下常用document和网站，少而精才是有效推荐
竞赛
document
代码库
图像分类：pytorch-image-models 基本上涵盖所有主流网络
目标检测: MMDetection、Detectron2 这两个都是优秀的代码库，值得学习借鉴
查阅各个领域的最新进展，可以查阅这个网站，会记录一些sota的paper和code链接：paper-with-code
学习视频只推荐三个
机器学习：李宏毅机器学习 (打包到Smarter了) 上课太有趣了
经典paper解析：AI百篇经典论文
如果非要买书，机器学习可以买一些书籍，比如统计学习方法、西瓜书
《机器学习》俗称西瓜书，图例多容易理解，缺点较厚实，推理过程不详细。
《统计学习方法》比起西瓜书，更干，推理详尽，篇幅少，但是图例少不容易理解。
从实用主义出发，以上入门完全够用了，对深度学习和计算机视觉有了一些了解，后面就可以自己愉快的玩耍了。
欢迎关注 Smarter ，构建CV世界观，输出优质内容
欢迎加入Smarter交流群，添加微信「cjy094617」，备注「学校-方向」即可
lokinko 网友的相关建议:
问题下有许多答主分享了关于深度学习的优秀回答，讲了激活函数、介绍了经典网络结构和作用以及模型训练流程，但我认为除了入门需要学习的基础知识以外，期间如果有方便的工具则可以进一步提升入门速度。所以我先从工具和实战层面来介绍一下如何快速“入门”深度学习，Do it yourself。
深度学习三要素：数据、模型、算法。
数据
数据是深度学习的基础，只有在认识数据特性、了解数据分布、剔除错误数据，才能让深度学习更好发挥作用。
数据的重要性
在深度学习中，我们常常忽略掉数据的重要性，但数据才是学习的源头。前百度首席科学界，现 Coursera创始人吴恩达发表过这样一段观点：AI = Data + Code. 如果我们 80% 的工作是数据准备，那么确保数据质量是机器学习团队的重要工作。
在初学深度学习时，不会对数据进行检查、统计以及预处理，往往会导致模型再优秀也无法在性能上有所提升。例如，如果特定类别的数据相对难以收集，会造成构建的数据集为类别不平衡的数据（肿瘤等医疗图像数据、自然灾害数据等正样本远少于负样本的情况）或者长尾分布数据（long-tailed data）的数据，而这些在深度学习中十分常见。
那这会造成什么情况呢？
如果头部类别的数据（例如猫，狗的照片）远高于尾部数据（斑马，藏羚羊的照片），模型就会更多学到猫狗的特征表示，而忽略掉样本量少的图片特征，最后模型输出结果会对头部数据拟合效果更好，而对尾部数据无法识别。
如何更好认识数据？
首先，作为新手入门的大家，有机会最好看看数据的真实样貌，例如我之前推荐过一个网站： Know Your Data Catalog. 在上面检索 COCO 数据集，可以看到如下信息：包括数据集类别的占比，数据图片的样子，各种类别的分布。
对于经典的数据集在这个网站上几乎都能找到，这些数据经过广泛应用和检验，具有非常鲜明的特点，例如长尾分布的 inaturalist-2017，电影评分推荐系统数据集Douban等，一些已有的问题可以被规避掉，而且经典数据集已经得到了充分的分析和足够多的应用。但是新手入门解决一个问题的时候，可能会面临数据标注错误、未标注数据的影响，而这个问题在比赛和应用中屡见不鲜。
因此，这里我推荐另一个非常不错的平台：格物钛。这是一家面向机器学习的非结构化数据平台，提供强大的数据托管、查询、协同、可视化和版本管理等。
官网地址：
刚入门的新手对于数据的处理和分析几乎没有经验，在入门深度学习时就会碰到数据丢失、数据版本管理错乱、实验记录与数据对不上的问题，而这些问题会给科研和比赛过程造成巨大的麻烦。
在格物钛的平台上，能实现数据云端托管，数据和标注可视化，Action 自动化，版本管理等功能，其中最方便的团队协同功能在体验过后也有非常棒的收获。以我的学习经验为例，通过云平台协同开发能够快速迭代更新，相互code review审视代码质量，提醒自己管理好code style，极大缩减自身写bug的概率。
以我之前的回答为例：
即使我对算法代码零基础讲解入门，但是还是有人在复现过程中提出许多问题，也无法定义bug的位置，如果在入门过程中能跟小伙伴协作 Debug，就能快速迭代提高自己的水平和代码质量。
模型
深度学习另一大入门门槛就是模型，而运行模型的前提是有合适的环境配置。
环境配置的困扰
从CUDA、cuDNN的下载安装到使用，从PyTorch框架的安装到GPU版本的配置和调用，中间都有许许多多的挑战等待着大家，对我来说，当初从 Anaconda 到 PyTorch 的一条龙配置都浪费了我许多时间，而之后的类似 PyG 的图神经网络框架、FATE 的联邦学习框架都需要大量的精力，而且需要管理在不同的虚拟环境中，不然版本冲突会导致没法使用，而新入门的朋友很难妥善解决这些问题。
目前而言，对于深度学习入门的同学，我推荐使用云平台的算力资源，不仅能够一键配置环境，而且对于实验室没有GPU或者算力不够的同学能够更方便进行模型训练。
对于云平台的算力资源，给大家推荐一下Featurize平台，算力资源并没有大家想象的那么贵，而且通过 Docker 可以实现一次云端配置，永久使用的便利。
预训练模型的使用
如今随着深度学习问题的逐渐深入和发展，出现了模型规模越来越大，训练成本越来越高的问题，入门即 Transformer、BERT的大模型让新手无比抓狂，Hugging Face 平台提供 Transformer-based model，能够几行代码下载预训练好的大模型，fine-tune 后就能解决自己的研究问题。
算法
保证全流程 Pipeline 稳定性。对于深度学习入门，通常聚焦于某一研究方面，如CV、NLP、推荐系统中的一个，在算法全流程中，我们通常采用同一套操作体系，仅更换中间部分操作，提高研究和生产效率。
根据上图可以看到，模型的训练、调整优化仅占整个流程的一小部分，剩下的Data Labeling、Data Cleansing 和 Data Augmentation 等步骤都是我们常戏称的“脏活累活”，但是对于新手如果缺乏这部分操作，就会导致整体算法不work，也很难仅通过 model 改善这个问题。
例如在 CV 领域中需要对数据 Resize、Normalization 等操作进行处理，用 Crop、Flip和Rotation 进行数据增强，在 NLP 领域要先进行 Segmentation进行分词、Data Cleaning去除停用词和特殊符号、Normalization标准化、Feature Extraction进行词嵌入等操作，使用工具能够将这些重复的流程模块化、定制化，对于刚入门的新手，能更好地认识搭建整体模型的步骤。
这里还是推荐格物钛数据平台的操作，通过工作流连接不同的数据处理任务和应用，统一存储与管理数据，使得数据可以在各个流程节点高效流转，实现快速搭建任意场景下的数据自动化处理流程，并且可以和用户的已有Pipeline集成。
教程
既然之前的回答都举了很多课程、书籍的例子，那我就介绍一些实战的教程吧。
Kaggle、天池的 Discussion提供许多对比赛数据的预处理、思路讲解和baseline代码，新手在这里能够了解代码背后的知识；
格物钛的知识库提供用户案例、技术实战博客和帮助文档，而且里面的教程是中文，对新手友好；
Featurize 的笔记本功能，算是深度学习进阶部分了，这里的部分答主都是 Kaggle 银牌及以上的深度学习高手，所以阅读难度可能相比而言会高一点，不过也适合勇于挑战的朋友们尝试；
总结
深度学习的入门不是一件一蹴而就的事情，其他答主讲了知识的部分，所以我补充了部分平台和工具的帮助，对于想要入门的同学，我还是真诚的建议大家阅读论文，先建立对整体流程的认识，从数据开始认识深度学习，而不是给自己列一堆阅读清单消磨自己的耐心。
qd6pwu4 网友的相关建议:
借用一下德国的观点，我觉得非常合理。
我记得一个德国UP主关于纳粹暴行的言论，让我觉得德国部分民众是对历史有敬畏之心的。
1.不支持纳粹的德国民众不应当承受纳粹的战争暴行罪责，因为他们不支持纳粹。如果将来纳粹复辟，他们也拒绝成为纳粹的帮凶，他们出生在战后也没有事实性的帮助纳粹。
那么谁来承受纳粹的战争暴行的罪责呢？新纳粹应该承受，那些叫嚣这纳粹无罪的人应该承受，那些试图将法西斯在德国复辟的人应该承受，他们是纳粹的后继者。
二战的德国民众有罪责么，有的，他们有的真心诚意帮助纳粹，有的事实性的帮助纳粹。
2.德国人民即使不支持纳粹，也应当承担传递历史真相的使命。
不支持纳粹的德国民众不会去给也不需要给奥斯维辛，屠杀等行径洗地或者否认，因为他们本身不是罪人，但是他们理应告诉后代，在1939-1945年发生了什么，德国做了什么，万恶的法西斯分子做了什么丧尽天良的龌龊事情。
正是因为这样，德国人才有如此资格挺起腰来对历史的受害者正视，我不支持纳粹，我也没支持过纳粹，纳粹干的坏事赖不到我头上，但是我仍然告诉你们当年纳粹丧尽天良的事。
正视历史，反思历史，肩负历史，这是德国人的优良品质。
回到日本法西斯这边。
相信很多人已经看过了小约翰可汗最新一期的日本变态“鸟”，其实这就是日本战后的写照。
战犯一个劲地说不是我，我没有，文化差异，试图逃避自己的罪行，似乎忘记了就在几个月前还在满脸狰狞的虐待战俘营里的战俘。
民众们有的不能接受自杀殉道，有的遮遮掩掩地说不是我不是我不是我与我无关。
是的，这群人要么畏畏缩缩地求原谅，要么装的楚楚可怜，要么假惺惺的说自己是被上级逼迫的。
施加暴行的时候笑得比谁的猖狂，接受惩罚的时候哭的比谁都可怜。
在1970—80年代，日本经济高速发展，似乎那个战败国日本已经一去不复返，他们开始让军国主义和右翼抬头，因为自己是世界第二经济体，自己有权说不。
那些躲起来的军国主义者们又威风地穿着军服走上了街头，带着军刀的老不死们走过街头，脸上洋溢着得意的神情，忘了十几年前自己如何装成一个可怜的良民丑态。
他们堂而皇之的把战犯放在神社里面供奉。他们小人得志地嘲笑那些被侵略的国家。
他们求饶只是因为弱小。
他们凌虐只是因为强大。
他们支持右翼，却说自己并无罪责。
他们声称自己并无罪责，却不敢承认犯下的战争暴行。
相比之下我甚至还觉得德国的新纳粹也算好东西，至少他们从不遮掩，他们极端排外，他们也不洗地，直接说杀的好。
坏，坏到了极致也至少敢作敢当。
而某些民族，明明是自己犯下了战争暴行，明明是自己侵略其他国家，却支支吾吾不敢承认，却明里暗里洗地，却一个劲的支持右翼，还对中国的dislike率直飙90%以上，不知道的还以为是日本被中国侵略了。
也不是说这是劣根性，人民从来没有什么劣根性支撑，只是麦跑跑当初的清算似乎并不彻底，让大正时期的龌龊国风传递到了现在还能生根发芽。
liang-zi-wei-48 网友的相关建议:
聪明人靠统计数字和洞察来得出结论。
平庸的人仅依靠统计数字来获取信息。
笨蛋成天看个案小作文来悲鸣或自嗨。
Yanzhiquan 网友的相关建议:
女王:求求题主放过我，我可不敢有什么政绩。。。
wu-yi-ming-15 网友的相关建议:
这个4年前的问题选择在这个时间点突然出现在我今天的时间线上显得非常 亦可赛艇！
Android是2008年初才发布，而Oracle在2009年就以7.4B$收购了Sun，是Google不够睿智吗？
非也！
1）如果Android没有如此成功，Java对于Google而言就是一坨shit，Google从来没有想到自己会站在一坨翔上面取得空前的成功，如果有算命的告诉Google的命中贵人是阿翔，它就是穿越回去吃也要把它吃下去，可惜历史不能假设！
2）Google一直有python基因，很多系统都是基于python的，你知道工程师主导文化的可怕性吗？这帮pythonic的nerd出于情怀或者节操或者叫清高或者叫偏执或者叫真爱，它说什么都不会去买Java的，“老子看不上”！谁知造化弄人，09年你对我爱答不理，18年老子叫你高攀不起88亿！（注：今天的Google在各种收购之后，Java服务的比重占的也非常大了，变成了一个杂合的技术栈，而官司也很可能打到高院，尚未定论）
3）Google一直有跟开源保持共存共荣共襄盛举的传统，它跟Mozilla做生意，赞助开源项目，捐赠Wiki，主张“不作恶”，简直就是一副乌托邦理想主义者的化身，圈粉无数（包含答主），像Java这种项目，它更可能的方式是烧一笔钱给它花，然后来几句“希望Java明天会更好”之类的废话，它根本就不曾想过有一个家伙抄底了，因为那时候Android根本就没有火，Google从来就没有想过Java也T-M-D算哪门子“底”？
4）Sun的主手人也是个技术型的，就是技术牛掰业务做的稀烂，当时怎么看Sun都处在夕阳，SPARC也是逼格满满业务下滑被Intel捣的稀烂，那个价格没有几家觉得划算的，幸好是Oracle这种剑走偏锋的收购了它，要是换一家公司收购多半就把Sun雪藏甚至捣腾碎了，Java也就没有今日风光了，而Google在坊间也有创业公司杀手的美称，也许这就已经是历史发展的最好结果了。
什么，你问我对于Oracle收购Sun和MySQL怎么看？
还能怎么看？好白菜都让猪给拱呢呗！
但是作为吃瓜群众，我最喜欢看大佬们掐架，Google与Oracle的这场官司绝对酸爽，大家保持关注，各家都有千百号律师，吵起架来想想都 亦可赛艇！学知识产权法/专利法/法理学的同学们千万不要错过，说不定两年后就能进教材作案例呢！
什么，你又问我Google应该怎么做？
靠，我有不是劈柴！按我的观点，Google这次是违反了Java的使用协议的（无意引战，定论的事情留给专业法官），不能因为体量大就以为能压死人，那可是在美帝，万事全靠律师一张嘴，怎么讲都有理！
大家还记得微软以前有个skydrive吗？在英国被判败诉了，最后也得改名叫OneDrive呢！Google有钱了不起啊，过来领罚单！
而Java的坑早早就埋在那里了，所以苹果直接一刀切：老子不支持，免得搞一嘴毛！Flash一身毛病，一刀切，老子不支持！
所以，我对Google的建议是：
从Android 10开始，一刀切：老纸永生永世不再支持Java！
名字我都起好了： Badroid！
这TM不是关乎技术，不是关乎信仰，不是关乎生态，不是关乎用户体验！
这TM关系到命！
什么？要我预测结果？
法官中间调停，你们俩和解，google把赚的钱按每部手机给Oracle付钱？什么你说太扯了？你每买一部Android，都要给微软钱，你造吗？Oracle就想躺着就把钱收了！
1 2
相关话题
生成式对抗网络GAN有哪些最新的发展，可以实际应用到哪些场景中？人工智能就业前景越来越严峻了，你还在坚持吗？
如何用简单易懂的例子解释隐马尔可夫模型？
国内哪些公司在用caffe、torch、TensorFlow、paddle等框架，哪些在用自研框架？
GAN生成的数据没有标签怎么用来训练分类模型？
反馈控制理论在优化、机器学习等领域有哪些应用？
类似AlphaGo一样的人工智能什么时候才可以击败RTS（如星际）顶级选手？
未来 3~5 年内，哪个方向的机器学习人才最紧缺？
人工智能和自动控制能在一起擦出什么样的火花？
为什么做机器学习的很少使用假设检验？
前一个讨论
相关的话题
如何评价Google提出的MLP-Mixer：只需要MLP就可以在ImageNet上达到SOTA？Transformer在工业界的应用瓶颈如何突破？
如何评价微软新出的自拍软件 Microsoft Selfie？
2019年CVPR有哪些糟糕的论文?
广告算法工程师的核心竞争力是什么？
如何看待Jeff Dean&Hinton投到ICLR17的MoE的工作？
如何看待百度无人车， 三千多个场景，一万多个if？
为什么读论文最好打印出来读？
如何评价各种关联因素分析算法,尤其是在算法效果对比方面?
视觉Transformer如何优雅地避开位置编码？
为什么很少人用FFT加速CNN卷积层的运算？
自学深度学习是怎样一种体验？
如何看待 Alex Smola 加入 Amazon？
如何评价 2018 年度图灵奖颁发给三位深度学习之父？
为什么小模型已经可以很好地拟合数据集了，换大模型效果却要比小模型好？
如何看待知乎的AI答主「四十二」？人工智能有可能理解生命的意义是什么吗？
参加kaggle竞赛是怎样一种体验？
你实践中学到的最重要的机器学习经验是什么？
如何看待swin transformer成为ICCV2021的 best paper？
如何评价周志华教授新提出的 Deep Forest 模型，它会取代当前火热的深度学习 DNN 吗？
马上计算机研一，想问一下机器学习、深度学习…大家都是怎么入门的？
对于神经网络，硕士博士不需要弄明白原理，只需要应用，是这样吗？
深度学习应用在哪些领域让你觉得「我去，这也能行！」？
如何评价Google提出的MLP-Mixer：只需要MLP就可以在ImageNet上达到SOTA？
究竟什么是损失函数 loss function?
Resnet到底在解决一个什么问题呢？
如何理解 inductive learning 与 transductive learning?
有哪些比较好的元学习（meta learning）领域的学习资源？
有哪些关于机器学习的真相还鲜为人知？
如何看待KDD'21的文章，异质图神经网络的效果不如简单的GCN、GAT？