- 一篇文章讲清楚人工智能、机器学习和深度学习的区别
- 写给大家看的机器学习书
- 机器学习算法的几个阶段
- 可以使用现有的算法（俗称：调包侠
- 可以理解算法原理并可以根据算法原理进行调参
- 可以写出代码复现算法
- 可以对现有的算法进行改进并发表会议灌水论文
- 可以写出自己的算法并具有一定的应用价值
- 复现他人结果
- 参加 Kaggle 实战
- Machine Learning 二选一，如果感觉困难就两个都看，相互补充：
- 斯坦福吴恩达 Andrew Ng 在 Coursera 上的 Machine Learning 课程
- 台大林轩田老师的『机器学习基石』和『机器学习技法』
- Deep Learning 一本就够了：Deep Learning Book - Yoshua Bengio
- 特征工程
- [EN] Feature Engineering and Selection - CS 294 - Practical Machine Learning.pdf
- [EN] Feature Extraction, Foundations and Applications.pdf
- 算法分化
- [CN] 机器学习 - 周志华.pdf
- [EN] ESLII - 统计学习基础 - The Elements of Statistical Learning - Print 10.pdf
- [EN] Support Vector Machines Optimization Based Theory, Algorithms, and Extensions.pdf
- 贝叶斯机器学习路线图
- Machine Learning Readings
- 1. 常见算法分类汇总
- 2. 机器学习和其他领域联系
- 3. Use Random Forest: Testing 179 Classifiers on 121 Datasets
- 4. Why you should be Spot-Checking Algorithms on your Machine Learning Problems
- 5. A Tour of Machine Learning Algorithms
- 6. 机器学习(Tom M. Mitchell)
- 7. 机器学习系统设计(Building Machine Learning Systems with Python)
- 8. 统计学习方法(李航)
- 9. 关于CNN(卷积神经网络)
- 10. 目前机器学习的瓶颈有哪些
- 11. 机器学习里，数学究竟多重要？
- 12. 一些介绍RNN/LSTM的好文章
- 13. 深度學習(Deep Learning)自學素材推薦
- 14. Generative Adversarial Networks: The Basic Idea
- 15. Best Practices for Applying Deep Learning to Novel Applications
- 16. 数据应该使用哪种图形表达
工欲善其事，必先利其器 ——20170623
-
获奖方案汇总