Attention Please!TWO HUNDREDS OF machine learning turorial summary

Posted hugeng007

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Attention Please!TWO HUNDREDS OF machine learning turorial summary相关的知识,希望对你有一定的参考价值。

Machine Learning

The First Column The Second Column
Machine Learning 1 从机器学习入手
Machine Learning 2 机器学习很有趣!
Machine Learning 3 机器学习规则:ML工程的最佳实践
Machine Learning 4 机器学习速成课程:第一部分
Machine Learning 5 第二部分;伯克利机器学习
Machine Learning 6 第三部分;伯克利机器学习
Machine Learning 7 机器学习理论及其应用简介:用一个小例子进行视觉教程
Machine Learning 8 [机器学习的简单指南](https://monkeylearn.com/blog/a-gentle-guide-to-machine-learning/
Machine Learning 9 我应该使用哪种机器学习算法?
Machine Learning 10 机器学习入门
Machine Learning 11 初学者机器学习教程

激活函数和Dropout函数

The First Column The Second Column
1 Sigmoid神经元
2 激活函数在神经网络中的作用是什么?
3 神经网络中常见的激活函数的优缺点比较列表
4 激活函数及其类型对比
5 理解对数损失
6 损失函数;斯坦福CS231n
7 L1与L2损失函数
8 交叉熵成本函数

偏差(bias)

The First Column The Second Column
1 偏差在神经网络中的作用
2 [神经网络中的偏差节点](http://makeyourownneuralnetwork.blogspot.com/2016/06/bias-nodes-in-neural-networks.html]
3 什么是人工神经网络的偏差?

感知器

The First Column The Second Column
1 感知器
2 感知器
3 单层神经网络(感知器)
4 从Perceptrons到Deep Networks

回归

The First Column The Second Column
1 线性回归分析介绍
2 线性回归
3 线性回归
4 Logistic回归
5 机器学习的简单线性回归教程
6 机器学习的Logistic回归教程
7 Softmax回归

梯度下降

The First Column The Second Column
1 在梯度下降中学习
2 梯度下降
3 如何理解梯度下降算法
4 梯度下降优化算法概述
5 优化:随机梯度下降(斯坦福CS231n)

生成学习(GenerativeLearning)

The First Column The Second Column
1 生成学习算法(斯坦福CS229)
2 [朴素贝叶斯分类器的实用解释] (https://monkeylearn.com/blog/practical-explanation-naive-bayes-classifier/)

支持向量机

The First Column The Second Column
1 支持向量机(SVM)简介
2 支持向量机(斯坦福CS229)
3 线性分类:支持向量机,Softmax

反向传播

The First Column The Second Column
1 你能给出神经网络反向传播算法的直观解释吗
2 反向传播算法的工作原理
3 通过时间反向传播和消失的渐变
4 时间反向传播的简单介绍
5 反向传播,直觉(斯坦福CS231n)

深度学习

The First Column The Second Column
1 YN2深度学习指南
2 深度学习论文阅读路线图
3 Nutshell中的深度学习
4 深度学习教程
5 什么是深度学习?
6 人工智能,机器学习和深度学习之间有什么区别
7 深度学习–简单介绍

最优化和降维

The First Column The Second Column
1 数据降维减少的七种技术
2 主成分分析(斯坦福CS229)
3 Dropout:一种改善神经网络的简单方法
4 如何训练你的深度神经网络?

长短期记忆(LSTM)

The First Column The Second Column
1 长短期记忆网络的通俗介绍
2 了解LSTM 神经网络Networks
3 探索LSTM
4 任何人都可以学习用Python编写LSTM-RNN

卷积神经网络(CNN)

The First Column The Second Column
1 卷积网络介绍
2 深度学习和卷积神经网络
3 Conv Nets:模块化视角
4 [了解卷积](http://colah.github.io/posts/2014-07-Understanding-Convolutions/)

递归神经网络(RNN)

The First Column The Second Column
1 递归神经网络教程
2 注意和增强的递归神经网络
3 递归神经网络的不合理有效性
4 深入了解递归神经网络

强化学习

The First Column The Second Column
1 强化学习初学者入门及其实施指南
2 强化学习教程
3 学习强化学习
4 深度强化学习:来自像素的乒乓球

生成对抗网络(GAN)

The First Column The Second Column
1 对抗机器学习简介
2 什么是生成性对抗网络?
3 滥用生成对抗网络制作8位像素艺术
4 Generative Adversarial Networks简介(TensorFlow中的代码)
5 初学者的生成对抗网络

多任务学习

The First Column The Second Column
1 深度神经网络中多任务学习概述

NLP

The First Column The Second Column
1 自然语言处理很有趣!
2 自然语言处理神经网络模型入门
3 自然语言处理权威指南
4 自然语言处理简介
5 自然语言处理教程
6 自然语言处理(NLP)来自Scratch

Python

The First Column The Second Column
1 机器学习速成课程
2 令人敬畏的机器学习
3 使用Python掌握机器学习的7个步骤
4 一个示例机器学习笔记
5 使用Python进行机器学习

实战案例

The First Column The Second Column
1 如何在Python中从头开始实现感知器算法
2 在Python中使用Scratch实现神经网络
3 使用11行代码在Python中实现神经网络
4 使用Python实现你自己的k-Nearest Neighbor算法
5 来自Scatch的ML
6 Python机器学习(第2版)代码库

Scipy和numpy

The First Column The Second Column
1 Scipy讲义
2 Python Numpy教程
3 Numpy和Scipy简介
4 Python中的科学家速成课程

scikit学习

The First Column The Second Column
1 PyCon scikit-learn教程索引
2 scikit-learn分类算法
3 scikit-learn教程
4 简短的scikit-learn教程

Tensorflow

The First Column The Second Column
1 Tensorflow教程
2 TensorFlow简介 - CPU与GPU
3 TensorFlow
4 Tensorflow中的RNN
5 在TensorFlow中实现CNN进行文本分类
6 如何使用TensorFlow运行文本摘要

PyTorch

The First Column The Second Column
1 PyTorch教程
2 [PyTorch的简单介绍](http://blog.gaurav.im/2017/04/24/a-gentle-intro-to-pytorch/)
3 教程:PyTorch中的深度学习
4 PyTorch示例
5 PyTorch教程
6 深度学习研究人员的PyTorch教程

以上是关于Attention Please!TWO HUNDREDS OF machine learning turorial summary的主要内容,如果未能解决你的问题,请参考以下文章

301 重定向与相对 = 规范

RuntimeError: lines.type().is_cuda()INTERNAL ASSERT FAILED at ““, please report a bug to PyTorch.

RuntimeError: lines.type().is_cuda()INTERNAL ASSERT FAILED at ““, please report a bug to PyTorch.

xlent

xlent

NLP面试QA预训练模型