深度学习是近年机器学习领域的重大突破，有着广泛的应用前景。随着Google公开Google Brain计划，业界对深度学习的热情高涨。腾讯在深度学习领域持续投入，获得了实际落地的产出。我们准备了四篇文章，阐述深度学习的原理和在腾讯的实

Yoshua Bengio在机器学习领域非常有名。他有很多称号，包括蒙特利尔大学计算机科学与操作研究部全职教授、机器学习实验室主任、CIFAR神经计算与自适应感知项目联合主任、统计学习算法加拿大研究主席等等。

2016 年的技术趋势，尤其是关于深度学习方面。新智元在 2015 年底发过一篇文章《深度学习会让机器学习工程师失业吗？》，引起很大的反响。的确，过去一年的时间里，深度学习正在改变越来越多的人工智能领域。Google

采用的方法生成窗口很慢，所以实际上整个检测是比较慢的。） 以上就是我总结的最近学习的一点内容，错误之处还请指出。

被训练，但是使用的方法较为简单，并没有使用目前机器学习中通用的方法，这导致其扩展性与适用性非常有限。从两层神经网络开始，神经网络的研究人员开始使用机器学习相关的技术进行神经网络的训练。例如用大量的数据

第11章 　分析学习 神经网络和决策树这样的学习方法需要一定数目的训练样例，以达到一定级别的泛化精度。前面章节讨论的理论界限和实验结果反映出了这一事实。分析学习使用先验知识和演绎推理来扩大训练样例提

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。在机器学习 领域，有几种主要的学习方法。将算法按照学习方法分类是一个不错的想法，这样可以让人们在建模

第10章 　学习规则集合 对学习到的假设，最具有表征力的和最能为人类所理解的表示方法之一为if-then规则的集合。本章探索了若干能学习这样的规则集合的算法。其中最重要的一种是学习包含变量的规则集合

第2章 　概念学习和一般到特殊序 从特殊的训练样例中归纳出一般函数是机器学习的中心问题。本章介绍概念学习：给定某一类别的若干正例和反例，从中获得该类别的一般定义。概念学习也可被看作一个搜索问题，它在

第6章 　贝叶斯学习 贝叶斯推理提供了推理的一种概率手段。它基于如下的假定，即待考查的量遵循某概率分布，且可根据这些概率及已观察到的数据进行推理，以作出最优的决策。贝叶斯推理对机器学习十分重要，因为它

对于机器学习来说，不管你的水平怎么样，网络社区都是十分重要的。因为在你学习的过程中，你无法掌握所有新的算法，也无法实践所有新的数据。但是，通过网络社区的问答互助，你可以在学习过程中收获很多，网络社区的重要性也由此体现，JasonB

第8章 基于实例的学习 已知一系列的训练样例，很多学习方法为目标函数建立起明确的一般化描述；但与此不同，基于实例的学习方法只是简单地把训练样例存储起来。从这些实例中泛化的工作被推迟到必须分类新的实例

http://www.cnblogs.com/liangliangh/p/4712600.html 机器学习（Machine Learning，简称 ML）和计算机视觉（Computer Vision，简称

要点 机器学习中数学的重要性：良好的数理基础会让机器学习事半功倍，算法和模型的选择和理解都需要一定的数学基础。 机器学习中哪些数学知识是必备的：线性代数、概率论和统计学、多元微积分、算法和优化理论、复

html 从今天开始，坚持每天学习一个机器学习的新知识，加油！ 决策树学习是应用最广的归纳推理算法之一，是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一颗决策树。 决策树表示法

《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

学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要 的学习方式。将算法按照学习方式分类是一个不错的想法

深度学习架构- NiN 网络中的网络（NiN，参见论文：Network In Network）的思路简单又伟大：使用 1×1 卷积为卷积层的特征提供更组合性的能力。 NiN 架构在各个卷积之后使用空间

百度余凯团队最新力作《 基于深度学习的图像识别进展百度的若干实践 》，作者：都大龙、余轶南、罗恒 ,其他作者：张健、黄畅、徐伟、余凯。《中国计算机学会通讯》，第11卷第4期，2015年4月。 本文

所以只需简略看看即可。以下是正文： 卷积现在可能是深度学习中最重要的概念。正是靠着卷积和卷积神经网络，深度学习才超越了几乎其他所有的机器学习手段。但卷积为什么如此强大？它的原理是什么？在这篇博客中