第1001期机器学习日报(2017-06-15) ​

2017 年 6 月 16 日 好东西传送门 好东西传送门
温馨提示

点击文章底部【阅读原文】或【Read more】查看链接可点击的在线版本

机器学习日报 2017-06-15

  • “CNN详解与实现”系列文章:从卷积层、Maxpool层、BatchNorm层、Dropout层到评价、优化与实战

  • 机器学习验证与测试的挑战

  • Python3为主的机器学习算法教程集

  • 让人工智能学会谈判,Facebook开源端到端强化学习模型

  • Batch Normalization原理及其TensorFlow实现


用日报搜索找到以前分享的内容: http://ml.memect.com/search/

爱可可-爱生活   2017-06-15 14:24

深度学习 算法 代码 神经网络

【“CNN详解与实现”系列文章:从卷积层、Maxpool层、BatchNorm层、Dropout层到评价、优化与实战】《Implementing Convolutional Neural Networks | Deep Learning Demystified》by Paras Dahal http://t.cn/RSFY2h7 GitHub:http://t.cn/RSFY2hP 



爱可可-爱生活   2017-06-15 14:04

Ian Goodfellow Nicolas Papernot

【机器学习验证与测试的挑战】《The challenge of verification and testing of machine learning》by Ian Goodfellow, Nicolas Papernot http://t.cn/RSFWwzd pdf:http://t.cn/RSFWwzr 



爱可可-爱生活   2017-06-15 12:29

算法 资源 Python 代码 课程

【Python3为主的机器学习算法教程集】’machine learning algorithms tutorials (mainly in Python3)' by Ethen GitHub: http://t.cn/RSFJyb7 




爱可可-爱生活   2017-06-15 05:52

资源 PDF 代码

【端到端谈判对话学习】《Deal or no deal? Training AI bots to negotiate | Facebook Code》 http://t.cn/RSkT3oG pdf:http://t.cn/RSkT3ob ref:《Deal or No Deal? End-to-End Learning for Negotiation Dialogues》[Facebook & GIT] (2017) http://t.cn/RSkT3oq GitHub:http://t.cn/RSkT3o5



爱可可-爱生活   2017-06-14 08:48

深度学习

《Batch Normalization原理及其TensorFlow实现》via:深度学习每日摘要 http://t.cn/RSgu0pc 



关注“好东西传送门”,可以添加公众号awesomeport

 
点击【阅读原文】或【Read more】查看链接可点击的在线版 
↓↓↓↓↓↓ http://forum.ai100.com.cn/thread/ml-2017-06-15 

登录查看更多
2

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
专知会员服务
159+阅读 · 2020年1月16日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
【AI日报】2019-03-18 星期一
好东西传送门
3+阅读 · 2019年3月18日
【AI日报】2019-03-01 星期五
好东西传送门
3+阅读 · 2019年3月1日
2018年3月16日精彩内容推荐(从零开始机器学习Part 1-Part 4)
Chatbots技术与产品
6+阅读 · 2018年3月16日
机器学习汇总,珍藏版!
机器学习算法与Python学习
8+阅读 · 2018年3月5日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
500款各领域机器学习数据集,总有一个是你要找的
数据挖掘入门与实战
7+阅读 · 2018年1月24日
机器学习知识体系
架构文摘
19+阅读 · 2018年1月7日
【资源】15个在线机器学习课程和教程
专知
8+阅读 · 2017年12月22日
机器学习入门课今日9折,机不可失
Python程序员
3+阅读 · 2017年9月15日
资源 | 值得收藏的 27 个机器学习的小抄
AI100
3+阅读 · 2017年8月12日
Arxiv
5+阅读 · 2019年6月5日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
HAQ: Hardware-Aware Automated Quantization
Arxiv
6+阅读 · 2018年11月21日
Arxiv
5+阅读 · 2018年9月11日
Relational Deep Reinforcement Learning
Arxiv
10+阅读 · 2018年6月28日
Arxiv
11+阅读 · 2018年1月11日
Arxiv
5+阅读 · 2015年9月14日
VIP会员
相关VIP内容
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
专知会员服务
159+阅读 · 2020年1月16日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
相关资讯
【AI日报】2019-03-18 星期一
好东西传送门
3+阅读 · 2019年3月18日
【AI日报】2019-03-01 星期五
好东西传送门
3+阅读 · 2019年3月1日
2018年3月16日精彩内容推荐(从零开始机器学习Part 1-Part 4)
Chatbots技术与产品
6+阅读 · 2018年3月16日
机器学习汇总,珍藏版!
机器学习算法与Python学习
8+阅读 · 2018年3月5日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
500款各领域机器学习数据集,总有一个是你要找的
数据挖掘入门与实战
7+阅读 · 2018年1月24日
机器学习知识体系
架构文摘
19+阅读 · 2018年1月7日
【资源】15个在线机器学习课程和教程
专知
8+阅读 · 2017年12月22日
机器学习入门课今日9折,机不可失
Python程序员
3+阅读 · 2017年9月15日
资源 | 值得收藏的 27 个机器学习的小抄
AI100
3+阅读 · 2017年8月12日
相关论文
Arxiv
5+阅读 · 2019年6月5日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
HAQ: Hardware-Aware Automated Quantization
Arxiv
6+阅读 · 2018年11月21日
Arxiv
5+阅读 · 2018年9月11日
Relational Deep Reinforcement Learning
Arxiv
10+阅读 · 2018年6月28日
Arxiv
11+阅读 · 2018年1月11日
Arxiv
5+阅读 · 2015年9月14日
Top
微信扫码咨询专知VIP会员