cn/2016/01/27/tytne/ 导读：这是《神经网络和深度学习简史》第二部分，这一部分我们会了解BP算法发展之后一些取得迅猛发展的研究，稍后我们会看到深度学习的关键性基础。还没有看过第一部分的读者可以 戳这里

导读：这是《神经网络和深度学习简史》第一部分。这一部分，我们会介绍1958年感知器神经网络的诞生，70年代人工智能寒冬以及1986年BP算法让神经网络再度流行起来。 序言：深度学习掀起海啸 如

注意下面两种向量的求导形式： （a）矩阵形式 （b）点乘形式 有了上面的基础后，就可以看看几种常见的神经网络的推导 1）普通的神经网络 2）LSTM的BPTT推导，一个典型的LSTM示意图如下：

TensorFlow 是一个表达机器学习算法的接口，并且是执行算法的实现框架。使用 TensorFlow 表示的计算可以在众多异构的系统上方便地移植，从移动设别如手机或者平板电脑到成千的GPU计算集群

TensorFlow 是一个表达机器学习算法的接口，并且是执行算法的实现框架。使用 TensorFlow 表示的计算可以在众多异构的系统上方便地移植，从移动设别如手机或者平板电脑到成千的GPU计算集群

TensorFlow 是一个表达机器学习算法的接口，并且是执行算法的实现框架。使用 TensorFlow 表示的计算可以在众多异构的系统上方便地移植，从移动设别如手机或者平板电脑到成千的GPU计算集群

不过我是一名商人。 在商言商 ，我对机器学习和人工智能（由于某种原因，我认为它是一样的——好吧，换句说法，过去认为是一样的）感到非常激动。我相信这就是未来，我完全想开发下一代应用了“机器学习”的产品，以此来统治世界。

算算时间，从开始到现在，做机器学习算法也将近八个月了。虽然还没有达到融会贯通的地步，但至少在熟悉了算法的流程后，我在算法的选择和创造能 力上有了不小的提升。实话说，机器学习很难，非常难，要做到完全了解

1. 机器学习定义 机器学习（Arthur Samuel，1959）：在确定编程之外给予计算机学习能力的研究领域。 机器学习（Tom Mitchell，1998）：如果计算机程序对于任务T的 性能度量P

到的大量的优质资讯信息进行学习吸收又非常的困难，所以特此做一个机器学习快讯专题，把平日遇到的优质文章整理罗列出来，等有时间或者遇到类似的问题的时候再看也是有益处的。 机器学习技术 12个用好朴素贝叶斯算法的小提示

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