囊括了机器学习机计算机视觉的书籍、论 文、教程和课程多方面资料. Machine Learning EBooks My Colletion bookfi for free ebooks Tutorials

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

注：最近机器学习很火热，特别是谷歌推出TensorFlow后，推动了机器学习的发展。相比Android、iOS等开发项目，机器学习门槛相对要高一些，需要耐心地学习。在接触真正的机器学习之前，我们先来看一个在Android

-drawing 近日，德国图宾根大学的Leon A. Gatys等人研发出了一种 基于深度神经网络的人工系统 。该系统可以制作非常具有艺术气息的电脑图片，完成了电脑作画方面的一大突破。 画家

12 本免费的机器学习电子书

现在，我不知道这个故事是否真实。但是，我肯定在我的周围有一些跟达比一样的人，这些人认为，不管遇到什么问题， 机器学习的目的就是执行以及使用 2 – 3 组算法。他们不去尝试更好的算法和技术，因为他们觉得太困难或耗费时间。

机器学习毫无疑问是当今最热的话题，它已经渗透到生活的方方面面，在移动互联网中混不懂点机器学习都不好意思，说几个能看的到的，经常用邮箱吧，是不是感觉垃圾邮件比N年前变少了，无聊了和siri聊过天不，想坐

今年的 NIPS 会议是当下人工智能和深度学习热情的一个聚焦点 —— 从中能够感受到机器学习领域的飞速发展，并且公开了两家新的人工智能初创公司。参会人数相比2014年的大会几乎翻倍（希望明年主办方能设

编者按：本文收集了百来篇关于机器学习和深度学习的资料，含各种文档，视频，源码等。而且原文也会不定期的更新，望看到文章的朋友能够学到更多。 《Brief History of Machine Learning》

作者简介 秦涛博士，现任微软亚洲研究院主管研究员。他和他的小组的研究领域是机器学习和人工智能，研究重点是深度学习和强化学习的算法设计、理论分析及在实际问题中的应用。他在国际顶级会议和期刊上发表学术论文80余篇

编者按：本文收集了百来篇关于机器学习和深度学习的资料，含各种文档，视频，源码等。而且原文也会不定期的更新，望看到文章的朋友能够学到更多。 《Brief History of Machine Learning》

模型学习的目标是通过提供输入和观察输出来构建软件和硬件系统的黑箱状态图模型（black box state diagram model）。模型学习的算法的设计师一个基本的研究问题。 模型学习正在成

机器视觉。当然这只是一种比较直白的理解，并不能见得绝对准确或者全面。我们权且这样处理。而且在本文后面若提到这两个名词，我们所表示的意思是一致的。 但无论是机器学习，还是数据挖掘，你一定听说过很多很

，同时对机器学习是如何随着时间缓慢发展的也有个直观的认识。 以下为正文： 本文我们来关注下三个非常相关的概念（深度学习、机器学习和模式识别），以及他们与2015年最热门的科技主题（机器人和人工智能）的联系。

第12章 　归纳和分析学习的结合 纯粹的归纳学习方法通过在训练样例中寻找经验化的规律来形成一般假设。纯粹的分析方法使用先验知识演绎推导一般假设。本章考虑将归纳和分析的机制结合起来的方法，以获得两者的

DeepDetect是C++实现的基于外部机器学习/深度学习库（目前是Caffe）的API。给出了图片训练（ILSVRC）和文本训练（基于字的情感分析，NIPS15）的样例，以及根据图片标签索引到El

摘要 ： 深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结 构使其具备强大的特征表达能力和对复杂任务建模

第13章 　增强学习 增强学习要解决的是这样的问题：一个能够感知环境的自治agent，怎样学习选择能达到其目标的最优动作。这个很具有普遍性的问题应用于学习控制移动机器人、在工厂中学习进行最优操作工序、

　计算学习理论 本章理论地刻画了若干类型的机器学习问题中的困难，和若干类型的机器学习算法的能力。该理论致力于回答如下的问题：“在什么样的条件下成功的学习是可能的？”以及“在什么条件下一特定的学习算法可

图1 人脑神经网络 神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向–深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。