从毕业加入Google开始做分布式机器学习，到后来转战腾讯广告业务，至今已经七年了。我想说说我见到的故事和我自己的实践经历。这段经历给我的感觉是：虽然在验证一个新的并行算法的正确性的时候，我们可以利用现有框架，尽量快速实现，但是

Petuum 是一个分布式机器学习框架。它致力于提供一个超大型机器学习的通用算法和系统接口。它主要集中在系统上 "plumbing work"和算法加速的优化上面，当简化分布式 ML 程序实现时——允

兔子和分布式机器学习 上个学习的时候，我除了 TA 机器学习以外，另外一半的时间就是上了 System 课程。因为上课的缘故，需要做一个课程项目，于是我决定做一些和分布式机器学习相关的事情。 来到

Jubatus 是一个分布式处理框架和机器学习库，包含以下功能： 在线机器学习库，包括：分类、聚合和推荐 fv_converter: 数据预处理（用自然语言） 在线机器学习框架，支持容错 项目主页：

从毕业加入Google开始做分布式机器学习，到后来转战腾讯广告业务，至今已经七年了。我想说说我见到的故事和我自己的实践经历。这段经历给我的感觉是：虽然在验证一个新的并行算法的正确性的时候，我们可以利用现有框架，尽量快速实现，但是

Azure 机器学习平台 这样的云端服务平台，企业不仅仅可以用它来储存数据，做一些经典的“后视”商务智能分析，更能使用云端的强大力量做出具有“前瞻性”的预测分析。使用 Azure 机器学习 这样的现代

是一个分布式机器学习算法的集合，协同过滤只是其中的一部分。除了被称为Taste的分布式协同过滤的实现（Hadoop-based，另有pure Java版本），Mahout里还有其他常见的机器学习算法的分布式实现方案。当前拥有：

摘要： 机器学习，特别是深度学习（DL），最近已经在语音识别、图像识别、自然语言处理、推荐/搜索引擎等领域获得了成功。这些技术在自主驾驶汽车、数字卫生系统、CRM、广告、物联网等方面都存在着非常有前景

《Brief History of Machine Learning》 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

ibus-rime ibus-gtk* ibus-qt4 不知道是不是因为 Emacs 升级到 24 的缘故，ibus-el 这个插件失效了。塞翁失马，我发现了一个神奇的 Emacs 插件，chinese-pyim，一个用

比较全面的收集了机器学习的介绍文章，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning。 《机器学习经典论文/survey合集》 介绍：看题目你已经知道了是什么内容

Criminisi，Sebastian Nowozin共同完成。 机器视觉是通过计算机算法自动理解图片内容的技术，十九世纪六十年代，它起源于人工智能和认知神经科学。为了“解决”机器视觉的问题，1966 年，在麻省理工学院，这

cn/2015/12/02/woume/ 机器学习现在可谓是炙手可热。只要应用机器学习，就可以有效丰富数据和知识，促进有价值的任务自动化，包括感知、分类和数值预测等。而它的「兄弟」——机器发现，可用于发现照亮和引导人

自从计算机被发明以来，人们就想知道它们能不能学习。如果我们理解了计算机学习的内在机制，即怎样使它们根据经验来自动提高，那么影响将是空前的。想象一下，在未来，计算机能从医疗记录中学习，获取治疗新疾病的最有效方法；住

事实上有许多的途径可以了解 机器学习 ，也有许多的资源例如书籍、公开课等可为所用，一些相关的比赛和工具也是你了解这个领域的好帮手。本文我将围绕这个话题，给出一些总结性的认识，并为你由 程序员 到机器学习高手的蜕变旅程中提供一些学习指引。

ganitha 包含一组算法用来实现在 Hadoop 平台是的各种规模的机器学习和统计分析。 项目主页： http://www.open-open.com/lib/view/home/1377775301651

和使用机器学习（简称ML）算法已经17年了。最近这几年机器学习开始受到广泛关注，所以人们经常问我：“什么是机器学习？你们用机器学习来做什么？” 我非常乐意回答这些问题，因为事实证明，机器学习的使用

也得到机器学习研究者的青睐，很多机器学习的算法库加入到了Python生态圈。这里介绍一些在发展的相关软件库，可以按图索骥，一窥机器学习的端奥。最近，像Google/IBM/MS都加入了机器学习的大阵营

在最近的学习中，看到一些有用的资源就记下来了，现在总结一下，欢迎补充！ 机器视觉开源代码合集 计算机视觉算法与代码集锦 计算机视觉的一些测试数据集和源码站点 SIFT官网 SURF

在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是 EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步