機器學習和深度學習資料彙總【02】

• 《Image Scaling using Deep Convolutional Neural Networks》

介紹:使用卷積神經網絡的圖像縮放.

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

介紹:ICML2015 論文集,優化4個+稀疏優化1個；強化學習4個，深度學習3個+深度學習計算1個；貝葉斯非參、高斯過程和學習理論3個；還有計算廣告和社會選擇.ICML2015 Sessions.

• 《Image Scaling using Deep Convolutional Neural Networks》

介紹:使用卷積神經網絡的圖像縮放.

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

介紹:，第28屆IEEE計算機視覺與模式識别(CVPR)大會在美國波士頓舉行。微軟研究員們在大會上展示了比以往更快更準的計算機視覺圖像分類新模型，并介紹了如何使用Kinect等傳感器實作在動态或低光環境的快速大規模3D掃描技術.

• 《Machine Learning for Humans》

介紹:(文本)機器學習可視化分析工具.

• 《A Plethora of Tools for Machine Learning》

介紹:機器學習工具包/庫的綜述/比較.

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

介紹:資料可視化最佳實踐指南.

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

介紹:Day 1、Day 2、Day 3、Day 4、Day 5.

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

介紹:深度學習之“深”——DNN的隐喻分析.

• 《Mixture Density Networks》

介紹:混合密度網絡.

• 《Interview Questions for Data Scientist Positions》

介紹:資料科學家職位面試題.

• 《Accurately Measuring Model Prediction Error》

介紹:準确評估模型預測誤差.

• 《Continually updated Data Science Python Notebooks》

介紹:Continually updated Data Science Python Notebooks.

• 《How to share data with a statistician》

介紹:How to share data with a statistician.

• 《The Eyescream Project NeuralNets dreaming natural images》

介紹:來自Facebook的圖像自動生成.

• 《How to share data with a statistician》

介紹:How to share data with a statistician.

• 《A Neural Conversational Model》

介紹:(Google)神經(感覺)會話模型.

• 《The 50 Best Masters in Data Science》

介紹:The 50 Best Masters in Data Science.

• 《NLP常用資訊資源》

介紹:NLP常用資訊資源.

• 《Conditional Random Fields as Recurrent Neural Networks》

介紹:語義圖像分割的實況示範,通過深度學習技術和機率圖模型的語義圖像分割.

• 《Fully Convolutional Networks for Semantic Segmentation》

介紹:Caffe模型/代碼:面向圖像語義分割的全卷積網絡,模型代碼.

• 《Growing Pains for Deep Learning》

介紹:深度學習——成長的煩惱.

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

介紹:基于三元樹方法的文本流聚類.

• 《Foundations and Advances in Data Mining》

介紹:Free Ebook:資料挖掘基礎及最新進展.

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

介紹:深度學習革命.

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

介紹:資料科學(實踐)權威指南.

• 《Microsoft Academic Graph》

介紹:37G的微軟學術圖譜資料集.

• 《Challenges and Opportunities Of Machine Learning In Production》

介紹:生産環境(産品級)機器學習的機遇與挑戰.

• 《Neural Nets for Newbies》

介紹:神經網絡入門.

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

介紹:來自麻省理工的結構化稀疏論文.

• 《Optimal and Adaptive Algorithms for Online Boosting》

介紹:來自雅虎的機器學習小組關于線上Boosting的論文 .

• 《Top 20 Python Machine Learning Open Source Projects》

介紹:20個最熱門的開源(Python)機器學習項目.

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

介紹:C++并行貝葉斯推理統計庫QUESO,github code.

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

介紹:Nature:LeCun/Bengio/Hinton的最新文章《深度學習》,Jürgen Schmidhuber的最新評論文章《Critique of Paper by "Deep Learning Conspiracy" (Nature 521 p 436)》.

• 《Palladium》

介紹:基于Scikit-Learn的預測分析服務架構Palladium.

• 《Advances in Structured Prediction》

介紹:John Langford和Hal Daume III在ICML2015上關于Learning to Search的教學講座幻燈片.

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

介紹:讀完這100篇論文 就能成大資料高手,國内翻譯.

• 《Social Media & Text Analytics》

介紹:NLP課程《社交媒體與文本分析》精選閱讀清單.

• 《Machine Learning for Developers》

介紹:寫給開發者的機器學習指南.

• 《Hot news detection using Wikipedia》

介紹:基于維基百科的熱點新聞發現.

• 《Harvard Intelligent Probabilistic Systems Group》

介紹:(Harvard)HIPS将釋出可擴充/自動調參貝葉斯推理神經網絡.

• 《An Empirical Exploration of Recurrent Network Architectures》

介紹:面向上下文感覺查詢建議的層次遞歸編解碼器.

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

介紹:GPU上基于Mean-for-Mode估計的高效LDA訓練.

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

介紹:從實驗室到工廠——建構機器學習生産架構.

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

介紹:适合做資料挖掘的6個經典資料集(及另外100個清單).

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

介紹:Google面向機器視覺的深度學習.

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

介紹:建構預測類應用時如何選擇機器學習API.

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

介紹:Python+情感分析API實作故事情節(曲線)分析.

• 《Movie selection using R》

介紹:(R)基于Twitter/情感分析的口碑電影推薦,此外推薦分類算法的實證比較分析.

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

介紹:CMU(ACL 2012)(500+頁)面向NLP基于圖的半監督學習算法.

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

介紹:從貝葉斯分析NIPS，看同行評審的意義.

• 《Basics of Computational Reinforcement Learning》

介紹:(RLDM 2015)計算強化學習入門.

• 《Deep Reinforcement Learning》

介紹:David Silver的深度強化學習教程.

• 《On Explainability of Deep Neural Networks》

介紹:深度神經網絡的可解釋性.

• 《The Essential Spark Cheat Sheet》

介紹:Spark快速入門.

• 《Machine Learning for Sports and Real Time Predictions》

介紹:TalkingMachines:面向體育/政治和實時預測的機器學習.

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

介紹:Stanford社交網絡與資訊網絡分析課程資料+課設+資料.

• 《RL Course by David Silver》

介紹:David Silver(DeeMind)的強化學習課程,slide.

• 《Faster deep learning with GPUs and Theano》

介紹:基于Theano/GPU的高效深度學習.

• 《Introduction to R Programming》

介紹:來自微軟的.

• 《Golang:Web Server For Performing Sentiment Analysis》

介紹:(Go)情感分析API服務Sentiment Server.

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

介紹:受限波爾茲曼機初學者指南.

• 《KDD2015十年最佳論文》

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

• 《Nvidia Deep Learning Courses》

介紹:Nvidia深度學習課程.

• 《Deep Learning Summer School 2015》

介紹:2015年深度學習暑期課程，推薦講師首頁.

• 《百度深度學習的圖像識别進展》

介紹:這是一篇關于百度文章《基于深度學習的圖像識别進展：百度的若幹實踐》的摘要,建議兩篇文章結合起來閱讀.

• 《Machine Learning Methods in Video Annotation》

介紹:視訊标注中的機器學習技術.

• 《Training Recurrent Neural Networks》

介紹:博士論文:(Ilya Sutskever)RNN訓練.

• 《On Explainability of Deep Neural Networks》

介紹:深度神經網絡的灰色區域：可解釋性問題，中文版.

• 《Machine Learning Libraries in GoLang by Category》

介紹:Golang 實作的機器學習庫資源彙總.

• 《A Statistical View of Deep Learning》

介紹:深度學習的統計分析.

• 《Deep Learning For NLP - Tips And Techniques》

介紹:面向NLP的深度學習技術與技巧.

• 《CrowdFlower Competition Scripts: Approaching NLP》

介紹:Kaggle's CrowdFlower競賽NLP代碼集錦.

• 《CS224U: Natural Language Understanding》

介紹:斯坦福的自然語言了解課程.

• 《Deep Learning and Shallow Learning》

介紹:Deep Learning與Shallow Learning 介紹

• 《A First Encounter with Machine Learning》

介紹:這是一本機器學習的電子書,作者Max Welling先生在機器學習教學上面有着豐富的經驗,這本書小但精緻.

• 《Click Models for Web Search》

介紹:由荷蘭阿姆斯特丹大學 & 谷歌瑞士著.

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

介紹:介紹個樂于總結和翻譯機器學習和計算機視覺類資料的部落格,包含的内容：Hinton的CSC321課程的總結；Deep Learning綜述；Notes on CNN的總結；python的原理總結；Theano基礎知識和練習總結；CUDA原理和程式設計；OpenCV一些總結.

• 《Which Algorithm Family Can Answer My Question?》

介紹:針對具體問題(應用場景)如何選擇機器學習算法(系列).

• 《Free Data Science Books》

介紹:資料科學免費書分類集合

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

介紹:深度學習在語音合成最新進展有哪些？推薦MSRA的Frank Soong老師關于語音合成的深度學習方法的錄像和幻燈片與以及谷歌的LSTM-RNN合成介紹,論文

• 《The Art of Data Science》

介紹:新書(可免費下載下傳):資料科學的藝術

• 《Pattern Recognition and Machine Learning》

介紹:模式識别與機器學習書籍推薦,本書是微軟劍橋研究院大神Bishop所寫，算是最為廣為認知的機器學習教材之一，内容覆寫全面，難度中上，适合研究所學生中文版 or 備份

• 《an introduction to visualizing DATA》

介紹:資料可視化介紹(23頁袖珍小冊子)

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

介紹:這篇論文榮獲EMNLP2015的最佳資料/資源獎優秀獎,标注的推特資料集

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

介紹:作者在深度學習的思考.

• 《Data-Visualization Tools & Books》

介紹:資料可視化常用工具軟體資源彙總

• 《Machine Learning and Probabilistic Graphical Models Course》

介紹:Buffalo大學教授Sargur Srihari的“機器學習和機率圖模型”的視訊課程

• 《Understanding Machine Learning: From Theory to Algorithms》

介紹:耶路撒冷希伯來大學教授Shai Shalev-Shwartz和滑鐵盧大學教授Shai Ben-David的新書Understanding Machine Learning: From Theory to Algorithms,此書寫的比較偏理論，适合對機器學習理論有興趣的同學選讀

• 《Machine Learning Checklist》

介紹:機器學習學習清單

• 《NLP界有哪些神級人物？》

介紹:知乎上面的一篇關于NLP界有哪些神級人物？提問。首推Michael Collins

• 《機器學習溫和指南》

介紹:機器學習與NLP專家、MonkeyLearn聯合創始人&CEO Raúl Garreta面向初學者大體概括使用機器學習過程中的重要概念，應用程式和挑戰，旨在讓讀者能夠繼續探尋機器學習知識。

• 《Gradient Boosted Regression Trees》

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

• 《Apache SINGA : Distributed Deep Learning System》

介紹: 無需做深度學習就能用的分布式深度學習軟體.

• 《E-commerce Recommendation with Personalized Promotion》

介紹: 在亞馬遜資料和衆包Mechanical Turk上，實作了來自彩票和拍賣的機制，以收集使用者對産品的樂意購買價格（WTP，willingness-to-pay）訓練集。 E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15] 回歸模型預測未知WTP，提升賣家利潤和消費者滿意度

• 《Scalable Machine Learning》

介紹:來自伯克利分校的大規模機器學習.

• 《機器學習資料大彙總》

介紹:來自52ml的機器學習資料大彙總.

• 《Automatic Summarization》

介紹:這本書的作者McKeown是2013年世界首個資料科學院（位于哥倫比亞大學）主任，她亦是ACL、AAAI和ACM Fellow .

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

介紹:EMNLP-15文本摘要若幹.

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

介紹:來自Netflix的Xavier Amatriain在Summer School 2014 @ CMU上長達4小時的報告，共248頁，是對推薦系統發展的一次全面綜述，其中還包括Netflix在個性化推薦方面的一些經驗介紹.

• 《BigData Stream Mining》

介紹:(ECML PKDD 2015)大資料流挖掘教程,此外推薦ECML PKDD 2015 Tutorial清單.

• 《Deep learning on Spark with Keras》

介紹:Spark上的Keras深度學習架構Elephas.

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

介紹:Surya Ganguli深度學習統計實體學.

• 《(系統/算法/機器學習/深度學習/圖模型/優化/...)線上視訊課程清單》

介紹:(系統/算法/機器學習/深度學習/圖模型/優化/...)線上視訊課程清單.

• 《Introduction to Topic Modeling in Python》

介紹:(PyTexas 2015)Python主題模組化.

• 《Large Scale Distributed Deep Learning on Hadoop Clusters》

介紹:Hadoop叢集上的大規模分布式機器學習.

• 《Top Deep Learning Employers Based On LinkedIn Data》

介紹:基于LinkedIn資料得出的深度學習熱門"東家"排行.

• 《Neural Net in C++ Tutorial》

介紹:(c++)神經網絡手把手實作教程.

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

介紹:香港中文大學湯曉鷗教授實驗室公布的大型人臉識别資料集： Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人，202K 臉部圖像，每個圖像40餘标注屬性.

• 《Unsupervised Feature Learning in Computer Vision》

介紹:面向機器視覺的無監督特征學習,Ross Goroshin's webpage.

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

介紹:谷歌研究院Samy Bengio等人最近寫的RNN的Scheduled Sampling訓練方法論文.

• 《Essential Machine Learning Algorithms in a nutshell》

介紹:機器學習基本算法簡要入門.

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

介紹:Github機器學習/數學/統計/可視化/深度學習相關項目大清單.

• 《Information Processing and Learning》

介紹:CMU的資訊論課程.

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

介紹:谷歌研究院Samy Bengio等人最近寫的RNN的Scheduled Sampling訓練方法論文.

• 《基于Hadoop叢集的大規模分布式深度學習》

介紹:基于Hadoop叢集的大規模分布式深度學習.

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

介紹:來自斯坦福大學及NVIDIA的工作，很實在很實用。采用裁剪網絡連接配接及重訓練方法，可大幅度減少CNN模型參數。針對AlexNet、VGG等模型及ImageNet資料，不損失識别精度情況下，模型參數可大幅度減少9-13倍.

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

介紹:無需做深度學習就能用的分布式深度學習軟體,github.

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

介紹:當今世界最NB的25位大資料科學家,通過他們的名字然後放在google中搜尋肯定能找到很多很棒的資源譯文.

• 《Deep Learning for NLP - Lecture October 2015》

介紹:Nils Reimers面向NLP的深度學習(Theano/Lasagne)系列教程.

• 《Connection between probability theory and real analysis》

介紹:主講人是陶哲軒,資料Probability: Theory and Examples,筆記.

• 《Data Science Learning Resources》

介紹:資料科學(學習)資源清單.

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

介紹:應對非均衡資料集分類問題的八大政策.

• 《Top 20 Data Science MOOCs》

介紹:重點推薦的20個資料科學相關課程.

• 《Recurrent Neural Networks》

介紹:遞歸神經網絡.

• 《Histograms of Oriented Gradients》

介紹:(HOG)學習筆記.

• 《Computational modelling courses》

介紹:計算模組化/計算神經學課程彙總.

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

介紹:(Yelp)基于深度學習的商業圖檔分類.

• 《Neural Networks and Deep Learning》

介紹:免費線上書《Neural Networks and Deep Learning》神經網絡與深度學習。目前提供了前四章的草稿，第一章通過手寫數字識别的例子介紹NN，第二章講反向傳播算法，第三章講反向傳播算法的優化，第四章講NN為什麼能拟合任意函數。大量python代碼例子和互動動畫，生動有趣.中文版

• 《Books to Read if You Might Be Interested in Data Science》

介紹:資料科學大咖薦書(入門).

• 《Deep Learning for NLP resources》

介紹:NLP 深度學習資源清單.

• 《GitXiv》

介紹:很多arXiv上面知名論文可以在這個網站找到github的項目連結.

• 《Learning Multi-Domain Convolutional Neural Networks for Visual Tracking》

介紹:深度學習在視覺跟蹤的探索.

• 《Beginners Guide: Apache Spark Machine Learning Scenario With A Large Input Dataset》

介紹:Spark機器學習入門執行個體——大資料集(30+g)二分類.

• 《Semantic Scholar》

介紹:保羅艾倫人工智能實驗室表示，Google Scholar是十年前的産物，他們現在想要做進一步的提高。于是推出了全新的，專門針對科學家設計的學術搜尋引擎Semantic Scholar.

• 《Semi-Supervised Learning》

介紹:半監督學習,Chapelle.篇篇都是經典,作者包括Vapnik,Bengio,Lafferty,Jordan.此外推薦Xiaojin (Jerry) Zhu編寫的Introduction to Semi-Supervised Learning.

介紹:Spark機器學習入門執行個體——大資料集(30+g)二分類.

• 《Free Resources for Beginners on Deep Learning and Neural Network》

介紹:為入門者準備的深度學習與神經網絡免費資源.

• 《TensorFlow is an Open Source Software Library for Machine Intelligence》

介紹:Google 開源最新機器學習系統 TensorFlow,此外提供TensorFlow白皮書white paper of tensorflow 2015.hacker news,Google大牛解讀TensorFlow

• 《Veles:Distributed machine learning platform》

介紹:三星開源的快速深度學習應用程式開發分布式平台.

• 《DMTK:Microsoft Distributed Machine Learning Tookit 》

介紹:分布式機器學習工具包.

• 《Semantics Approach to Big Data and Event Processing》

介紹:語義大資料——大資料/事件處理的語義方法.

• 《LSTM(Long Short Term Memory)和RNN(Recurrent)學習教程》

介紹:LSTM(Long Short Term Memory)和RNN(Recurrent)學習教程.

• 《Marvin：A minimalist GPU-only N-dimensional ConvNet framework》

介紹:Princeton Vision Group的深度學習庫開源.

• 《Ufora is a compiled, automatically parallel subset of python for data science and numerical computing》

介紹:基于AWS的自動分布式科學計算庫Ufora,Why I Open Sourced Five Years of Work.

• 《Deep Learning and Deep Data Science - PyCon SE 2015》

介紹:(PyCon SE 2015)深度學習與深度資料科學.

• 《Zhi-Hua Zhou Papers》

介紹:推薦南京大學機器學習與資料挖掘研究所所長——周志華教授的Google學術首頁.

• 《Advanced Linear Models for Data Science》

介紹:免費書:面向資料科學的進階線性模型.

• 《Net2Net: Accelerating Learning via Knowledge Transfer》

介紹:基于知識遷移的神經網絡高效訓練Net2Net.

• 《徐亦達機器學習課程 Variational Inference》

介紹:徐亦達機器學習課程 Variational Inference.

• 《Learning the Architecture of Deep Neural Networks》

介紹:深度神經網絡結構學習.

• 《Multimodal Deep Learning》

介紹:來自斯坦福大學的Multimodal Deep Learning papers.

• 《深度學習簡析,TensorFlow,Torch,Theano,Mxnet》

介紹:深度學習簡析,TensorFlow,Torch,Theano,Mxnet.

• 《"Notes Essays —CS183C: Technology-enabled Blitzscaling — Stanford University》

介紹:這個專欄是一個stanford學生做的CS183c課程的一個note，該課程是由Reid Hoffman等網際網路boss級人物開設的，每節課請一位巨頭公司的相關負責人來做訪談，講述該公司是怎麼scale的。最新兩期分别請到了雅虎的梅姐和airbnb創始人Brian Chesky。.

• 《Natural Language Understanding with Distributed Representation》

介紹:基于分布式表示的自然語言了解(100+頁),論文.

• 《Recommender Systems Handbook》

介紹:推薦系統手冊.

• 《Understanding LSTM Networks》

介紹:了解LSTM網絡翻譯.

• 《Machine Learning at Quora》

介紹:機器學習在quora中的應用.

• 《On Learning to Think: Algorithmic Information Theory for Novel Combinations of Reinforcement Learning Controllers and Recurrent Neural World Models》

介紹:思維學習——RL+RNN算法資訊論.

• 《The 5 Ways Data Scientists Keep Learning After College》

介紹:資料科學家畢業後繼續學習的5種方式.

• 《Deep Learning in Neural Networks: An Overview》

介紹:深度學習在神經網絡的應用.

• 《Contextual Learning》

介紹:上下文學習,代碼.

• 《Machine Learning For Complete Beginners》

介紹:機器學習零基礎入門,代碼.

• 《2015年中國計算機學會（CCF）優秀博士學位論文》

介紹:2015年度CCF優秀博士學位論文獎論文清單.

• 《Learning to Hash Paper, Code and Dataset》

介紹:Learning to Hash Paper, Code and Dataset.

• 《Neural networks with Theano and Lasagne》

介紹:(PyData2015)基于Theano/Lasagne的CNN/RNN教程,github.

• 《神經網絡與深度學習講義》

介紹:複旦大學邱錫鵬老師編寫的神經網絡與深度學習講義,ppt.

• 《Microsoft Open Sources Distributed Machine Learning Toolkit》

介紹:微軟亞洲研究院開源分布式機器學習工具包.

• 《語音識别的技術原理是什麼？》

介紹:語音識别的技術原理淺析

• 《Michael I. Jordan》

介紹:邁克爾·I.喬丹的首頁.根據首頁可以找到很多資源。邁克爾·I.喬丹是知名的計算機科學和統計學學者，主要研究機器學習和人工智能。他的重要貢獻包括指出了機器學習與統計學之間的聯系，并推動機器學習界廣泛認識到貝葉斯網絡的重要性。

• 《Geoff Hinton》

介紹:傑弗裡·埃弗裡斯特·辛頓 FRS是一位英國出生的計算機學家和心理學家，以其在神經網絡方面的貢獻聞名。辛頓是反向傳播算法和對比散度算法的發明人之一，也是深度學習的積極推動者.通過他的首頁可以發掘到很多Paper以及優秀學生的paper,此外推薦他的學生Yann Lecun首頁

• 《Yoshua Bengio》

介紹:Yoshua Bengio是機器學習方向的牛人,如果你不知道可以閱讀對話機器學習大神Yoshua Bengio（上）,對話機器學習大神Yoshua Bengio（下）

• 《Large Scale Deep Learning within google》

介紹:google大規模深度學習應用演進

• 《Deep Learning: An MIT Press Book in Preparation》

介紹:MIT出版的深度學習電子書,公開電子書

• 《A Mathematical Theory of Deep Convolutional Neural Networks for Feature Extraction》

介紹:深度卷積神經網絡(CNN)提取特征的數學理論

• 《Microsoft Research Asia：Kaiming He》

介紹:推薦微軟亞洲研究院何恺明首頁

• 《Speech and Language Processing (3rd ed. draft)》

介紹:《語音與語言處理》第三版(草稿)

• 《LSA 311: Computational Lexical Semantics - Summer 2015》

介紹:Stanford新課"計算詞彙語義學"

• 《上海交大張志華老師的統計機器學習與機器學習導論視訊》

介紹:上海交大張志華老師的統計機器學習與機器學習導論視訊連結:密碼: r9ak .機率基礎

• 《Computational Linguistics and Deep Learning》

介紹:computational linguistics and deep learning視訊,推薦Deep Learning: An Introduction from the NLP Perspective

• 《Black Hat USA 2015 - Deep Learning On Disassembly》

介紹:(BlackHat2015)深度學習應用之流量鑒别(協定鑒别/異常檢測),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),[material](https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

• 《LibRec：A Java Library for Recommender Systems》

介紹:一個推薦系統的Java庫

• 《Multi-centrality Graph Spectral Decompositions and their Application to Cyber Intrusion Detection》

介紹:多中心圖的譜分解及其在網絡入侵檢測中的應用(MC-GPCA&MC-GDL)

• 《Computational Statistics in Python》

介紹:用Python學計算統計學

• 《New open-source Machine Learning Framework written in Java》

介紹:datumbox-framework——Java的開源機器學習架構，該架構重點是提供大量的機器學習算法和統計檢驗，并能夠進行中小規模的資料集

• 《Awesome Recurrent Neural Networks》

介紹:遞歸神經網絡awesome系列,涵蓋了書籍,項目,paper等

• 《Pedro Domingos》

介紹:Pedro Domingos是華盛頓大學的教授,主要研究方向是機器學習與資料挖掘.在2015年的ACM webinar會議,曾發表了關于盤點機器學習領域的五大流派主題演講.他的個人首頁擁有很多相關研究的paper以及他的教授課程.

• 《Video resources for machine learning》

介紹:機器學習視訊集錦

• 《Deep Machine Learning libraries and frameworks》

介紹:深度機器學習庫與架構

• 《大資料/資料挖掘/推薦系統/機器學習相關資源》

介紹:這篇文章内的推薦系統資源很豐富,作者很有心,摘錄了《推薦系統實戰》内引用的論文.

• 《Bayesian Methods in Astronomy: Hands-on Statistics》

介紹:(天文學)貝葉斯方法/MCMC教程——統計實戰

• 《Statistical Learning with Sparsity: The Lasso and Generalizations》

介紹:免費書:統計稀疏學習,作者Trevor Hastie與Rob Tibshirani都是斯坦福大學的教授,Trevor Hastie更是在統計學學習上建樹很多

• 《The Evolution of Distributed Programming in R》

介紹:R分布式計算的進化,此外推薦(R)氣候變化可視化,(R)馬爾可夫鍊入門

• 《neon workshop at Startup.ML: Sentiment Analysis and Deep Reinforcement Learning》

介紹:Nervana Systems在Startup.ML的主題研讨會——情感分析與深度強化學習

• 《Understanding Convolution in Deep Learning》

介紹:深度學習卷積概念詳解.

• 《Python libraries for building recommender systems》

介紹:Python推薦系統開發庫彙總.

• 《Neural networks class - Université de Sherbrooke》

介紹:超棒的神經網絡課程，深入淺出介紹深度學習，由Hugo Larochelle（Yoshua Bengio的博士生，Geoffrey Hinton之前的博士後）主講，強烈推薦.

• 《CS231n: Convolutional Neural Networks for Visual Recognition》

介紹:斯坦福新課程,面向視覺識别的卷積神經網絡(Fei-Fei Li & Andrej Karpathy),slides+video,homework.

• 《NIPS 2015 Deep Learning Symposium Part I》

介紹:NIPS 2015會議總結第一部分,第二部分.

• 《python機器學習入門資料梳理》

介紹:python機器學習入門資料梳理.

• 《Reading Text in the Wild with Convolutional Neural Networks》

介紹:牛津大學著名視覺幾何組VGG在IJCV16年首卷首期: Reading Text in the Wild with Convolutional Neural Networks,Jaderberg。這篇期刊文章融合了之前兩篇會議(ECCV14,NIPS14ws)，定位和識别圖檔中的文本(叫text spotting)。 端到端系統: 檢測Region + 識别CNN。論文、資料和代碼.

• 《Yet Another Computer Vision Index To Datasets (YACVID)》

介紹:計算機視覺的一個較大的資料集索引, 包含387個标簽，共收錄了314個資料集合，點選标簽雲就可以找到自己需要的庫了.

• 《Why SLAM Matters, The Future of Real-Time SLAM, and Deep Learning vs SLAM》

介紹:Tombone 對 ICCV SLAM workshop 的總結： the future of SLAM, SLAM vs deep learning 重點介紹了 monoSLAM 和 LSD-SLAM，而且讨論了 feature-based 和 feature-free method 的長短。在全民deep learning做visual perception的時候，再來讀讀CV中的 geometry.

• 《Python based Deep Learning Framework by Nervana™》

介紹:Nervana Systems的開源深度學習架構neon釋出.

• 《mageNet and MS COCO Visual Recognition Challenges video and slider》

介紹:ICCV 2015的ImageNet比賽以及MS COCO競賽聯合研讨會的幻燈片和視訊.

• 《An Introduction to Machine Learning with Python》

介紹:Python機器學習入門.

• 《Neural Enquirer: Learning to Query Tables with Natural Language》

介紹:Neural Enquirer 第二版.

• 《Deep Learning - Taking machine learning to the next level》

介紹:[Google]基于TensorFlow的深度學習/機器學習課程.

• 《100 “must read” R-bloggers’ posts for 2015》

介紹:R-bloggers網站2015"必讀"的100篇文章,R語言學習的福音.

• 《Machine Learning: a Probabilistic Perspective》

介紹:推薦書籍:<機器學習：機率視角>,樣章Undirected graphical models Markov random fields.

• 《Deep learning Book》

介紹:這是一本線上的深度學習書籍,合著者有Ian Goodfellow, Yoshua Bengio 和 Aaron Courville.如果你是一位新入門的學員可以先看這本書籍Yoshua Bengio: How can one get started with machine learning?

• 《UFLDL Recommended Readings》

介紹:UFLDL推薦的深度學習閱讀清單.

• 《CSE 705: Deep Learning (Spring 2015)》

介紹:紐約州立大學布法羅分校2015年春季機器學習課程首頁.

• 《Theano is a Deep learning Python library 》

介紹: Theano是主流的深度學習Python庫之一，亦支援GPU,入門比較難.推薦Theano tutorial,Document

• 《Statistical Language Models Based On Neural Networks》

介紹:博士論文:神經網絡統計語言模型.

• 《文本資料的機器學習自動分類方法(上)》

介紹:文本資料的機器學習自動分類方法(下).

• 《Pixel Recurrent Neural Networks》

介紹:用RNN預測像素，可以把被遮擋的圖檔補充完整.

• 《Computational Network Toolkit (CNTK)》

介紹:微軟研究院把其深度學習工具包CNTK,想進一步了解和學習CNTK的同學可以看前幾天公布的《CNTK白皮書》An Introduction to Computational Networks and the Computational Network Toolkit.

• 《Kalman and Bayesian Filters in Python》

介紹: 卡爾曼濾波器教材，用盡量少的數學和推導，傳授直覺和經驗，全部Python示例，内容覆寫卡爾曼濾波器、擴充卡爾曼濾波，無迹卡爾曼濾波等，包括練習和參考答案

• 《Statistical inference for data science》

介紹:線上免費書:面向資料科學的統計推斷，R示例代碼，很不錯GitHub.

• 《Learning Deep Architectures for AI》

介紹:這本書是由Yoshua Bengio撰寫的教程,其内容包含了學習人工智能所使用的深度學習架構的學習資源,書中的項目

已停止更新

DeepLearnToolbox.

• 《Machine Learning Tutorials》

介紹:這是一份機器學習和深度學習教程，文章和資源的清單。這張清單根據各個主題進行撰寫，包括了許多與深度學習有關的類别、計算機視覺、加強學習以及各種架構.

• 《Data science ipython notebooks》

介紹:這是由Donne Martin策劃收集的IPython筆記本。話題涵蓋大資料、Hadoop、scikit-learn和科學Python堆棧以及很多其他方面的内容。至于深度學習，像是TensorFlow、Theano和Caffe之類的架構也均被涵蓋其中，當然還有相關的特定構架和概念等.

• 《Open Source Deep Learning Server》

介紹:開源的深度學習服務,DeepDetect是C++實作的基于外部機器學習/深度學習庫（目前是Caffe）的API。給出了圖檔訓練（ILSVRC）和文本訓練（基于字的情感分析，NIPS15）的樣例，以及根據圖檔标簽索引到ElasticSearch中github.

• 《Data Mining, Analytics, Big Data, and Data Science》

介紹:這是國外的一個科技頻道,涵蓋了資料挖掘,分析以及資料科學類的文章.偶爾還有機器學習精選.

• 《Data Mining And Statistics: What's The Connection?》

介紹:經典論文:資料挖掘與統計學.

• 《(NIPS’2015 Tutorial)Yoshua Bengio深度學習》

介紹:NIPS’2015 Tutorial by Yoshua Bengio.

• 《(NENO:Python based Deep Learning Framework》

介紹:Nervana Systems的開源深度學習架構neon釋出.

• 《(Matt Might:Reading for graduate students》

介紹:猶他州大學Matt Might教授推薦的研究所學生閱讀清單.

• 《Awesome Public Datasets》

介紹:開放資料集.

• 《Introduction to Probability - The Science of Uncertainty》

介紹:(edX)不确定性的科學——機率論導論(MITx).

• 《R software and tools for everyday use》

介紹:R語言開發常用軟體/工具推薦.

• 《Implementing Dynamic memory networks》

介紹:動态記憶網絡實作.

• 《Deeplearning4j 中文首頁》

介紹:英文首頁

• 《Big Data Analysis Learning Resources: 50 Courses, Blogs, Tutorials, And More For Mastering Big Data Analytics》

介紹:50個大資料分析最佳學習資源(課程、部落格、教程等)

• 《A Full Hardware Guide to Deep Learning》

介紹:深度學習的全面硬體指南，從GPU到RAM、CPU、SSD、PCIe,譯文

• 《Deep Residual Networks》

介紹:kaiming開源作品

• 《The Definitive Guide to Natural Language Processing》

介紹:自然語言處理(NLP)權威指南

• 《Evaluating language identification performance》

介紹:如何在社會媒體上做語言檢測？沒有資料怎麼辦？推特官方公布了一個十分難得的資料集：12萬标注過的Tweets，有70種語言

• 《ICLR 2016 Accepted Papers》

介紹:深度學習和機器學習重要會議ICLR 2016錄取文章

• 《Machine Learning: An In-Depth, Non-Technical Guide - Part 1》

介紹:機器學習——深度非技術指南

• 《Data Storytelling 101: Helpful Tools for Gathering Ideas, Designing Content & More》

介紹:資料叙事入門指南——創意生成/資料采集/内容設計相關資源推薦

• 《WikiTableQuestions: a Complex Real-World Question Understanding Dataset》

介紹:WikiTableQuestions——複雜真實問答資料集

• 《Big Data: 35 Brilliant And Free Data Sources For 2016》

介紹:(2016版)35個超棒的免費大資料源

• 《SPARKNET: training deep networks in spark》

介紹:Ion Stoica和 Michael I. Jordan兩位大家首次聯手發文，CAFFE和SPARK完美結合，分布式深度學習混搭模式！github

• 《DeepLearning.University – An Annotated Deep Learning Bibliography | Memkite》

介紹:深度學習(分類)文獻集

• 《Learning Deep Learning》

介紹:深度學習閱讀清單

• 《Awesome42 The easiest way to find R packages》

介紹:探索R包的好網站Awesome 42

• 《MLbase:Distributed Machine Learning Made Easy》

介紹:MLbase是Prof. Dr. Tim Kraska的一個研究項目，MLbase是一個分布式機器學習管理系統

• 《Deep Learning At Scale and At Ease》

介紹:分布式深度學習平台SINGA介紹

• 《Learn All About Apache Spark (100x Faster than Hadoop MapReduce)》

介紹:Spark視訊集錦

• 《R For Deep Learning (I): Build Fully Connected Neural Network From Scratch》

介紹:R語言深度學習第一節:從零開始

• 《A Visual Introduction to Machine Learning》

介紹:圖解機器學習

• 《Citation Network Dataset》

介紹:AMiner論文引用資料集(v7:2,244,021 papers and 4,354,534 citation relationships)

• 《Best Free Machine Learning Ebooks》

介紹:10本最佳機器學習免費書

• 《International Conference on Computer Vision (ICCV) 2015, Santiago》

介紹:ICCV15視訊集

• 《CaffeOnSpark Open Sourced for Distributed Deep Learning on Big Data Clusters》

介紹::(Yahoo)基于Hadoop/Spark的分布式Caffe實作CaffeOnSpark

• 《A Short Introduction to Learning to Rank》

介紹:Learning to Rank簡介

• 《Global Deep learning researcher》

介紹:全球深度學習專家清單,涵蓋研究者首頁

• 《Top Spark Ecosystem Projects》

介紹:Spark生态頂級項目彙總

• 《Proceedings of the 21st International Conference on Intelligent User Interfaces》

介紹:ACM IUI'16論文集Conference Navigator - Proceedings

• 《Machine Learning: An In-Depth, Non-Technical Guide - Part 1》

介紹:深入機器學習,2,3,4

• 《Oxford Deep Learning》

介紹:Nando de Freitas在 Oxford 開設的深度學習課程,課程youtube位址,Google DeepMind的研究科學家,此外首頁:computervisiontalks的内容也很豐富,如果你是做機器視覺方面的研究,推薦也看看其他内容.肯定收獲也不小.還有,這位youtube首頁頂過的視訊也很有份量

• 《Neural Networks for Machine Learning》

介紹:Geoffrey Hinton在Coursera開設的MOOC

• 《Deep Learning News》

介紹:深度學習領域的Hacker news.緊跟深度學習的新聞、研究進展和相關的創業項目。從事機器學習,深度學習領域的朋友建議每天看一看

• 《Maxout Networks》

介紹:Maxout網絡剖析

• 《Advances in Neural Information Processing Systems》

介紹:NIPS領域的會議paper集錦

• 《Machine learning applications in genetics and genomics》

介紹:機器學習在生物工程領域的應用,如果你從事生物工程領域,可以先閱讀一篇文章詳細介紹

• 《Deep Learning in Bioinformatics》

介紹:深度學習在生物資訊學領域的應用

• 《A Few Useful Things to Know about Machine Learning》

介紹:一些關于機器學習需要知道知識,對于剛剛入門機器學習的同學應該讀一讀

• 《Cambridge Machine Learning Group》

介紹:劍橋大學機器學習使用者組首頁,網羅了劍橋大學一些機器學習領域專家與新聞

• 《Randy Olson's data analysis and machine learning projects》

介紹:Randy Olson's的一些資料分析與機器學習項目庫,是學習實踐的好材料

• 《GoLearn:Golang machine learning library》

介紹:Golang機器學習庫,簡單,易擴充

• 《Swift Ai》

介紹:用Swift開發蘋果應用的倒是很多，而用來做機器學習的就比較少了.Swift Ai在這方面做了很多聚集.可以看看

• 《Please explain Support Vector Machines (SVM) like I am a 5 year old》

介紹:如何向一位5歲的小朋友解釋支援向量機(SVM)

• 《reddit Machine learning》

介紹: reddit的機器學習欄目

• 《ComputerVision resource》

介紹: 計算機視覺領域的一些牛人部落格，超有實力的研究機構等的網站連結.做計算機視覺方向的朋友建議多關注裡面的資源

• 《Multimedia Laboratory Homepage》

介紹:香港中文大學深度學習研究首頁,此外研究小組對2013年deep learning 的最新進展和相關論文做了整理,其中useful links的内容很受益

• 《Search Engines that Learn from Their Users》

介紹: 這是一篇關于搜尋引擎的博士論文,對現在普遍使用的搜尋引擎google，bing等做了分析.對于做搜尋類産品的很有技術參考價值

• 《Deep Learning Books》

介紹: 深度學習書籍推薦(畢竟這類書比較少).

• 《Deep Learning Books》

介紹: 深度學習書籍推薦(畢竟這類書比較少).

• 《Towards Bayesian Deep Learning: A Survey》

介紹: 貝葉斯定理在深度學習方面的研究論文.

• 《Revisiting Distributed Synchronous SGD》

介紹: 來自谷歌大腦的重溫分布式梯度下降.同時推薦大規模分布式深度網絡

• 《Research Issues in Social Computing》

介紹: 社交計算研究相關問題綜述.

• 《What are some important areas of research in social computing right now?》

介紹: 社交計算應用領域概覽,裡面有些經典論文推薦

• 《Collaborative Filtering Recommender Systems》

介紹: 協同過濾在推薦系統應用.

• 《Content-Boosted Collaborative Filtering for Improved Recommendations》

介紹: 協同過濾在内容推薦的研究.

• 《Unifying User-based and Item-based Collaborative Filtering Approaches by Similarity Fusion》

介紹: 協同過濾經典論文.

• 《Item-based Collaborative Filtering Recommendation Algorithms》

介紹: 協同過濾算法.

• 《Amazon.com Recommendations Item-to-Item Collaborative Filtering》

介紹: 亞馬遜對于協同過濾算法應用.

• 《Collaborative Filtering for Implicit Feedback Datasets》

介紹: 協同過濾的隐式回報資料集處理.

• 《Tutorials, papers and code for computer graphics, fractals and demoscene》

介紹: 計算機圖形，幾何等論文，教程，代碼.做計算機圖形的推薦收藏.

• 《ELEN 6886 Sparse Representation and High-Dimensional Geometry》

介紹: 推薦哥倫比亞大學課程，稀疏表示和高維幾何.12年由Elsevier、13年至今由PAMI(仍由Elsevier贊助)設立的青年研究者獎(Young Researcher Award)授予完成博士學位後七年内取得傑出貢獻的；由CV社群提名，在CVPR會議上宣布。2015年得主是哥大助理教授John Wright，09年《健壯人臉識别的稀疏表示法》引用已超5K.

• 《Software engineer how to learning Machine learning》

介紹: CMU機器學習系著名教授Alex Smola在Quora對于《程式員如何學習Machine Learning》的建議：Alex推薦了不少關于線性代數、優化、系統、和統計領域的經典教材和資料.

• 《Book review: Fundamentals of Deep Learning》

介紹: 書籍推薦,深度學習基礎.源碼

• 《Learning from Big Code》

介紹: 軟體工程領域現在也對機器學習和自然語言處理很感興趣，有人推出了“大代碼”的概念，分享了不少代碼集合，并且覺得ML可以用在預測代碼Bug，預測軟體行為，自動寫新代碼等任務上。大代碼資料集下載下傳

• 《Object Detection》

介紹: 深度學習進行目辨別别的資源清單：包括RNN、MultiBox、SPP-Net、DeepID-Net、Fast R-CNN、DeepBox、MR-CNN、Faster R-CNN、YOLO、DenseBox、SSD、Inside-Outside Net、G-CNN

• 《Deep Learning: Course by Yann LeCun at Collège de France 2016(Slides in English)》

介紹: Yann LeCun 2016深度學習課程的幻燈片（Deep Learning Course by Yann LeCun at Collège de France 2016）百度雲密碼: cwsm 原位址

• 《Stanford HCI Group》

介紹: 斯坦福人機互動組五篇CHI16文章。1.衆包激勵機制的行為經濟學研究：批量結算比單任務的完成率高。2.在衆包專家和新手間建立聯系：微實習。3.詞嵌入結合衆包驗證的詞彙主題分類（如貓、狗屬于寵物）。4.詞嵌入結合目辨別别的活動預測。5.鼓勵出錯以加快衆包速度。

• 《Learn Data Science》

介紹: 自學資料科學

• 《CS224D Lecture 7 - Introduction to TensorFlow》

介紹: 本課是CS224D一節介紹TensorFlow課程，ppt,DeepDreaming with TensorFlow

• 《Leaf - Machine Learning for Hackers》

介紹: Leaf是一款機器學習的開源架構，專為黑客打造，而非為科學家而作。它用Rust開發，傳統的機器學習，現今的深度學習通吃。Leaf

• 《MXnet:Flexible and Efficient library for deep learning》

介紹: GTC 2016視訊，MXnet的手把手深度學習tutorial,相關參考資料MXNet Tutorial for NVidia GTC 2016.

• 《OpenAI Gym: Toolkit for developing, comparing reinforcement learning algorithms》

介紹: OpenAI Gym：開發、比較強化學習算法工具箱

• 《conference-iclr-2016 Papers and Code》

介紹: 機器學習會議ICLR 2016 論文的代碼集合

• 《probabilistic graphical models principles and techniques》

介紹: 此書是斯坦福大學機率圖模型大牛Daphne Koller所寫，主要涉及的是貝葉斯網絡和馬爾科夫邏輯網絡的learning和inference問題，同時又對PGM有深刻的理論解釋，是學習機率圖模型必看的書籍。難度中上，适合有一些ML基礎的研究所學生.備份位址

• 《Information Theory, Inference, and Learning Algorithms》

介紹: 此書是劍橋大學著名資訊論專家David MacKay所寫，出發角度與很多機器學習的書籍都不一樣，inference和MCMC那章寫的最好，難度中。适合研究所學生和大學生。

• 《Convex Optimization – Boyd and Vandenberghe》

介紹: 非常好的Convex Optimization教材，覆寫了各種constrained和unconstrained optimization方法，介紹了convex優化的基本概念和理論。難度中，适合對優化和機器學習有一定基礎的人群

• 《Machine - Learning - Tom Mitchell》

介紹: 本書是CMU機器學習系主任Mitchell早年寫的機器學習教科書，年代有點久遠.難度不高。适合初學者，大學生，研究所學生

• 《Learning with Kernels Support Vector Machines, Regularization, Optimization, and Beyond》

介紹: 本書設計學習Kernel和SVM的各種理論基礎，需要較強的數學功底，适合對kernel和SVM感興趣的同學選讀Learning with Kernels PPT，參考Learning with Kernels

• 《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》

介紹: 斯坦福統計系三位大神的統計學習教科書，偏統計和學習理論，需要對線性代數、統計和機率論有一定基礎、難度高、适合研究所學生

• 《Data Mining: Practical Machine Learning Tools and Techniques》

介紹: 本書是著名機器學習工具Weka作者撰寫的應用機器學習指導書、非常實用、難度低、适合文科和各種應用科學做參考

• 《Foundations of Statistical Natural Language Processing》

介紹: 本書也是一本比較受歡迎的NLP教科書，難度一般，主要覆寫統計NLP方法，是斯坦福的另一位大牛Chirs manning所寫

• 《Speech and Language Processing》

介紹: 在北美NLP最常用的教材，斯坦福Jurafsky所寫的自然語言處理入門教程，覆寫面較為全面，難度中低。适合大學生和研究所學生

• 《Natural Language Processing with Python - NLTK》

介紹: 實戰型教程，著名工具NLTK作者的著作，适合大學生和入門者邊動手邊學

• 《nlp compromise》

介紹: 自然語言處理學習工具包，幫助你了解什麼是自然語言處理

• 《Multi-Way, Multilingual Neural Machine Translation with a Shared Attention Mechanism》

介紹: 基于Attention共享機制的多通道/多語言感覺機器翻譯模型

• 《CS229 - Machine Learning, Spring 2016, Stanford》

介紹: 斯坦福2016年機器學習春季課程

• 《What is deep learning?》

介紹: 我們深度學習，做資料處理。究竟深度學習可以用來做什麼？什麼場景下引入深度學習要必傳統的資料處理方式要好？初學者可以先看看這篇文章

• 《KDD16 accept papers》

介紹: KDD16論文是雙軌制：分為研究和應用資料科學（之前叫工業&政府），均是10頁。前者錄取142篇（口頭70+展報72），後者錄取66篇（口頭40+展報26） ，共計208篇。去年錄取率：160/819=19.5%。 高産作者：九篇Hui Xiong；七篇Jieping Ye；五篇Hengshu Zhu。高産機構：十篇Tsinghua University；九篇Carnegie Mellon University、Rutgers；八篇Stanford University。高頻詞：learning online networks［評論來自：學生古］

• 《Medical Data for Machine Learning》

介紹: 醫療資料

• 《Matlab Hacks》

介紹: Matlab小技巧

• 《Fundamentals of TensorFlow》

介紹: TensorFlow基本原理

• 《A Course in Machine Learning》

介紹: 電子書，機器學習課程

• 《ICML 2016 Tutorials》

介紹: 國際機器學習會議PPT提供下載下傳

• 《TensorFlow: A system for large-scale machine learning》

介紹: 大規模機器學習系統：TensorFlow,本論文已經投稿到OSDI 2016

• 《Globally Normalized Transition-Based Neural Networks》

介紹: 這篇論文提出的模型改進，可用于任何包含 transition system 的 feed-forward NN 上。他們将這個模型用于了幾大 NLP sequence tagging 的任務上：POS speech tagging，dependency parsing 和 sentence compression，結果發現有時候甚至比 RNN 還要好。

• 《The best explanation of Convolutional Neural Networks on the Internet!》

介紹: CNNs詳解,同時推薦A Beginner's Guide To Understanding Convolutional Neural Networks

• 《Python Data Visualization》

介紹: Python資料可視化教程

• 《EMNLP 2016 accepted papers》

介紹: 2016年EMNLP會議接收的論文下載下傳

• 《Summaries and notes on Deep Learning research papers》

介紹: 深度學習領域論文筆記與總結

• 《Deep Language Modeling for Question Answering using Keras》

介紹: Keras是一個極簡和高度子產品化的神經網絡庫，這是使用Keras建構深度語言模型使用問答系統Github,此外推薦Keras resource

• 《An Actor-Critic Algorithm for Sequence Prediction》

介紹: Yoshua Bengio 最新論文：用于序列預測的actor-critic算法

• 《Ranking Relevance in Yahoo Search》

介紹: KDD2016工業界最佳論文,另外學術界：最佳論文FRAUDAR: Bounding Graph Fraud in the Face of Camouflage；最佳學生論文：TRIÈST: Counting Local and Global Triangles in Fully-Dynamic Streams with Fixed Memory Size；

=================================================

        希望轉載的朋友，你可以不用聯系我．但是一定要保留原文連結，因為這個項目還在繼續也在不定期更新．希望看到文章的朋友能夠學到更多．此外:某些資料在中國通路需要梯子

參考：資料來源網址