欢迎大家赞助一杯啤酒🍺 我们准备了下酒菜:Formal mathematics/Isabelle/ML, Formal verification/Coq/ACL2, C++/F#/Lisp
Machine learning
来自开放百科 - 灰狐
(版本间的差异)
小 (→链接) |
小 (→链接) |
||
第72行: | 第72行: | ||
*[http://reference.wolfram.com/language/guide/MachineLearning.html Wolfram 语言指南: 机器学习] | *[http://reference.wolfram.com/language/guide/MachineLearning.html Wolfram 语言指南: 机器学习] | ||
*[http://www.computervisiontalks.com/ Machine Learning & Computer Vision Talks] | *[http://www.computervisiontalks.com/ Machine Learning & Computer Vision Talks] | ||
+ | *[http://dmlc.ml/ Distributed (Deep) Machine Learning Common] | ||
[[category:machine learning]] | [[category:machine learning]] | ||
[[category:artificial intelligence]] | [[category:artificial intelligence]] |
2015年9月12日 (六) 16:51的版本
您可以在Wikipedia上了解到此条目的英文信息 Machine learning Thanks, Wikipedia. |
machine learning 机器学习
机器学习是人工智能研究领域中的一个极其重要的方向。在现今大数据时代的背景下,捕获数据并从中萃取有价值的信息或模式,使得这一过去为分析师与数学家所专属的研究领域越来越为人们瞩目。
机器学习会成为研发未来人工智能的核心技术。人工智能发展的最大问题,是改进机器学习算法。
机器学习已经有了十分广泛的应用,例如:数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。
目录 |
新闻
自http://www.infoq.com/feed/MachineLearning加载RSS失败或RSS源被墙
项目
文档
- Deep Learning for Natural Language Processing and Related Applications
- Sibyl: 来自Google的大规模机器学习系统
- 百度:广告数据上的大规模机器学习
- MADlib: Big Data Machine Learning in PostgreSQL
- Practical Machine Learning Pipelines with MLlib
- Machine Learning with WEKA
图书
- 《Introduction to Machine Learning》
- 《机器学习》中文版、Machine Learning
- 《机器学习导论(原书第2版)》
- 《机器学习实践指南 案例应用解析》
- 《概率编程和贝叶斯方法实践》 @nbviewer @huihoo
课程
- Neural Networks for Machine Learning by Geoffrey Hinton
- 斯坦福大学公开课 :机器学习课程
- Stanford机器学习
- Stanford Machine Learning Course notes
- 加州理工学院公开课:机器学习与数据挖掘
讲义
机器学习的PPT讲义,包括基于符号和逻辑表示的概念学习,决策树,计算学习,规则学习,基于解释的学习等内容。
讲义下载:
- 第1章 机器学习引言
- 第2章 基于符号和逻辑表示的概念学习
- 第3章 决策树学习
- 第4章 人工神经网络
- 第5章 评估假设
- 第6章 贝叶斯学习
- 第7章 计算学习理论
- 第8章 基于实例的学习
- 第9章 遗传算法
- 第10章 学习规则集合
- 第11章 分析学习
- 第12章 归纳和分析学习的结合
- 第13章 增强学习
链接
分享您的观点