本文主要回顾下几个常用算法的适应场景和优缺点！ 对于你的分类问题，你知道应该如何选择哪一个机器学习算法么？当然，如果你真的在乎精度（accuracy），最好的方法就是通过交叉验证（cross-v

Part 1: 机器学习的前世今生. 既然说机器学习，就从什么机器学习开始，相对而言，机器学习是一个比较泛的概念 初看的话，会觉得机器学习和人工智能，数据挖掘讲的东西很像，实际他们之间的关系可以概括为：

Adaboost是一种组合学习的提升算法，能将多个弱学习算法（甚至只比随机猜测好一点）组合起来，构成一个足够强大的学习模型。 组合学习 组合学习是将多个假说组合起来，并集成它们的预测。比如对于一个

最近学习的重点不在机器学习上面，但是现代的学科就是这么奇妙，错综复杂，玩着玩着，你发现又回到了人工智能这一块。所以干脆好好整理下当下令很多 人如痴如醉，但又不容易入门的机器学习。一来给大多数还没有入门

热门深度学习工具汇总

Caffe 是一个深度学习框架，由表达式，速度和模块化组成。Caffe 是 Berkeley Vision and Learning Center ( BVLC ) 社区贡献者开发的。在线演示： http://demo

neon 是 Nervana System 的深度学习软件。根据Facebook一位研究者的 基准测试 ，Nervana的软件比业界知名的深度学习工具性能都要高，包括Facebook自己的Torch7和Nvidia的

现在每一个人都正在学习，或者正打算学习深度学习，它是目前人工智能诸多流派中唯一兴起的一个。各个年龄阶段的数十万人都在学习着免费和收费的深度学习课程。太多的创业公司和产品的命名以“深度”开头，深度学习已然成了一

map可以很好的作为图像生成中的损失函数的辅助工具。 GAN可以利用监督学习来强化生成网络的效果。其效果的原因虽然还不具可解释性，但是可以理解为可以以一种不直接的方式使生成网络学习到规律。 基于上述三个进展，参考文献[1]提出了一种基于CNN的图像复原方法。

【编者按】 深度学习尽管对当前人工智能的发展作用很大，然而深度学习工作者并非一帆风顺。Chris Edwards发表于Communications of the ACM的这篇文章，通过不同的深度学习研究人员

import java.util.List; /** * 从一个点到达另一个点的路径
* 用到深度优先算法dfs
* * @author Hang * */ public class MazePath{

MXNet是深学习框架，设计效率和灵活性。 cxxnet借鉴了很多caffe的思想。相比之下，cxxnet在实现上更加干净，例如依赖很少，通过mshadow的模板化使得gpu和cpu代码只用写一份，分布式接口也很干净。

cn/2016/02/04/bqrzz/ 深度学习计算密集，所以你需要一个快速多核CPU，对吧？还是说买一个快速CPU可能是种浪费？搭建一个深度学习系统时，最糟糕的事情之一就是把钱浪费在并非必需的

JavaScript 是一门弱类型语言，刚接触的时候感觉方便快捷（不需要声明变量类型了耶！），接触久了会发现它带来的麻烦有的时候不在预期之内 呵呵一笑，哪有这么夸张，可能有人看过这样一段代码 [][(![]+[])[+[]]+([![]]+[][[]])[+!+[]+[+[]]]+(![]+[])[!+[]+!+[]]+(!![]+[])[+[]]+(!![]+[])[!+[]+!+[]+!+[]

深度学习及TensorFlow简介 深度学习目前已经被应用到图像识别，语音识别，自然语言处理，机器翻译等场景并取得了很好的行业应用效果。至今已有数种深度学习框架，如TensorFlow、Caffe

LightRNN：深度学习之以小见大 历经沉浮，AI终去颓势，一扫六合，雄踞当今IT江湖之巅，江湖帮派无论大小皆以AI为荣。然帮派虽众，论及武功秘籍，江湖中只有一个传说，“深度学习，AI至尊，号令天

如今，许多科技公司都在研究深度学习，也非常渴求这方面的专业人才。斯坦福大学的研究生 Richard Socher 曾经发起过与深度学习相关的 Nasent 项目，引起了科技公司的关注，并因此得到了许多

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

Deep Learning（深度学习）学习笔记整理 目录 Deep Learning（深度学习）学习笔记整理系列 1 一、概述 1 二、背景 4 三、人脑视觉机理 7 四、关于特征 11 五、Deep