技術詞條 | 機器學習(Machine Learning)篇

2021-03-02 AI君工作日記

Carbonell, J. G., Michalski, R. S., & Mitchell, T. M. (1983). An overview of machine learning. In Machine learning (pp. 3-23). Springer Berlin Heidelberg.

Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine learning, 3(2), 95-99.

Nasrabadi, N. M. (2007). Pattern recognition and machine learning. Journal of electronic imaging, 16(4), 049901.

Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.

Zhang Run, & Wang Yong-bin. (2016). Research on Machine Learning with Algorithm and Development. Journal of Communication University of China Science and Technology, 23(2), 10-18. 

相關焦點

  • 機器學習(Machine Learning)&深度學習(Deep Learning)資料(之一)
    《Advice for students of machine learning》 介紹：康奈爾大學信息科學系助理教授David Mimno寫的《對機器學習初學者的一點建議》， 寫的挺實際，強調實踐與理論結合，最後還引用了馮 • 諾依曼的名言: "Young man, in mathematics you don't understand things.
  • 談談機器學習(Machine Learning)大家
    閒著無事，想寫點一些我所了解的machine learning大家。
  • CFA二級思維導圖分享:機器學習(Machine Learning)
    CFA二級思維導圖分享：機器學習（machine learning）Reading7主要了解機器學習的一些常見概念，主要分類、了解常用算法的原理及其用途。機器學習（Machine Learning）專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。從實踐的意義上來說，機器學習是一種通過利用數據，訓練出模型，然後使用模型預測的一種方法。
  • ​機器學習(Machine Learning)&深度學習(Deep Learning)資料(之二精選161-315網址)
    《機器學習入門者學習指南》介紹:作者是計算機研二(寫文章的時候，現在是2015年了應該快要畢業了)，專業方向自然語言處理．這是一點他的經驗之談．對於入門的朋友或許會有幫助181．《《A Tour of Machine Learning Algorithms》介紹:這是一篇關於機器學習算法分類的文章，非常好182．《2014年的《機器學習日報》大合集》介紹:機器學習日報裡面推薦很多內容，在這裡有一部分的優秀內容就是來自機器學習日報．183．
  • Auto Machine Learning 自動化機器學習筆記
    自動學習樣本數據: meta-learning，去學習樣本數據的模樣，自動推薦合適的模型。比如文本數據用什麼模型比較好，比如很多的離散數據用什麼模型好。自動調超參：Bayesian optimizer，貝葉斯優化。
  • awesome-adversarial-machine-learning資源列表
    發現一個不錯的awesome-adversarial-machine-learning的資源列表，有需要的同學可以查看訪問：
  • 吳恩達新書《Machine Learning Yearning》附完整中文版 PDF 下載!
    吳恩達在 AI 普及之路上從未停下腳步，歷時半年的大作《Machine Learning Yearning》中文版《機器學習訓練秘籍
  • 前沿資訊007|Machine Learning、Cloud Computing、Mobile Payment
    【前沿資訊006】本期內容是來自美國《NBER工作文件》以及《哈佛商業評論》等雜誌的三篇前沿資訊文章，分別與Machine Learning（機器學習）、Cloud Computing（雲計算）以及Mobile Payment（行動支付）有關。
  • 教你Machine Learning 玩轉金融入門Notes
    學習宏觀和machine learning之後發現這兩個真是天生一對，這也是我為什麼想要寫這篇文章。 周期則是一個框架將無數因子進行分類和重組，長周期將長期的因子給於動態權重互相作用在一起組成長周期的系統，中短周期亦如是，然後在不同的時間跨度上共同描述我們的整個經濟機器的運行。宏觀是勢，微觀是機。 而且對於不同市場，因子也會不一樣。
  • Google在Udacity推出機器深度學習課程 免費分享機器學習研究成果
    簡單的講，課程將涉及使用大量數據對人工神經網絡進行培訓，即讓機器在現有知識的基礎上根據新數據進行推斷和學習。　　Google Brain 團隊首席科學家和技術領頭人Vincent Vanhoucke將在 Udacity 上講授該門課程。Google Brain 研發團隊掌握著 Google 的核心深度學習技術，這些技術也被用在 Google 的許多產品中。
  • 機器學習吧面向ai的中文機器學習資源與分享平臺
    如果你對這個感興趣的話至少學習如何抓取的知識。機器學習吧，機器學習吧-面向ai的中文機器學習資源與分享平臺。裡面涵蓋了比較新的機器學習算法，可以看看。當然這僅僅是入門級的機器學習算法，下面會引入深度學習算法的文章。並且機器學習算法的理論比深度學習算法更加複雜，這裡有深度學習算法的專題篇。不管從什麼角度看，機器學習都是一個非常好的方向，希望你對機器學習有更多的了解。
  • 吳恩達最新《Machine Learning》Jupyter Notebook 版筆記發布!
    點擊上方「深度學習技術前沿」，選擇「星標」公眾號資源乾貨
  • 《Python 機器學習》-Python Machine Learning(附電子版 pdf)
    全書共16章，除了簡要介紹機器學習及Python在機器學習中的應用，還系統講述了數據分類、數據預處理、模型優化、集成學習、回歸、聚類、神經網絡、深度學習等內容。本書將機器學習背後的基本理論與應用實踐聯繫起來，通過這種方式讓讀者聚焦於如何正確地提出問題、解決問題。本書講解了如何使用Python的核心元素以及強大的機器學習庫，同時還展示了如何正確使用一系列統計模型。
  • Machine Learning+宏觀經濟學入門長文
    金融和統計背景介紹二. machine learning各個方法和在trading上的應用2.1 Supervised Learning: Regressions 2.2 Non-Parametric Regression: K-Nearest Neighbor and LOESS2.3 Tree Based Method ( Random Forest 和
  • Machine Learning-算法匯總介紹
    經典問題：classification and regression.（分類與回歸）經典算法：Logistic Regression and the Back Propagation Neural Network.（邏輯回歸算法與BP神經網絡算法）
  • Machine Learning 入門指南(MOOC版)
    如何學習機器學習？哪些資源可以幫助我們？
  • Hands-on Machine Learning with Scikit-Learn and TensorFlow 學習筆記
    ，利用業餘時間學習了《Hands-on Machine Learning with Scikit-Learn and TensorFlow》這本書並做了Jupyter notebook 筆記，這本書的中文版上市不久，譯名為《機器學習實戰：基於Scikit-Learn和TensorFlow》。
  • 吳恩達《Machine Learning》精煉筆記 1:監督學習與非監督學習
    然而，吳恩達從最早的 CS229，到後來的 deeplearning.ai 深度學習專項課程，還有其它 AI 資源，大神發布的 AI 知名課程和資料非常多。說到吳恩達優秀的 AI 課程，首當其衝的就是幾年前在 Coursera 上發布的《Machine Learning》課程！
  • 海外15所頂級名校名企的機器學習公開課
    機器學習（Machine Learning）Stanford University via Coursera開課時間：3rd Apr, 2017地址：https://www.class-central.com/mooc/835/coursera-machine-learning2
  • 《Python 機器學習》-Python Machine Learning第一版+第二版(附電子版 pdf)
    全書共16章，除了簡要介紹機器學習及Python在機器學習中的應用，還系統講述了數據分類、數據預處理、模型優化、集成學習、回歸、聚類、神經網絡、深度學習等內容。本書將機器學習背後的基本理論與應用實踐聯繫起來，通過這種方式讓讀者聚焦於如何正確地提出問題、解決問題。本書講解了如何使用Python的核心元素以及強大的機器學習庫，同時還展示了如何正確使用一系列統計模型。