专栏名称: 机器学习研究会
机器学习研究会是北京大学大数据与机器学习创新中心旗下的学生组织,旨在构建一个机器学习从事者交流的平台。除了及时分享领域资讯外,协会还会举办各种业界巨头/学术神牛讲座、学术大牛沙龙分享会、real data 创新竞赛等活动。
目录
相关文章推荐
人工智能那点事  ·  包月高达3万元!陪聊、哄睡流行,“情绪消费” ... ·  4 天前  
黄建同学  ·  值得关注的#ai##ai视频# ... ·  4 天前  
爱可可-爱生活  ·  【PyDBSP:DBSP 语言的 ... ·  6 天前  
51好读  ›  专栏  ›  机器学习研究会

2017年4月历史文章汇总

机器学习研究会  · 公众号  · AI  · 2017-04-15 18:59

正文

2017年1月历史文章汇总

2017年2月历史文章汇总

2017年3月历史文章汇总

2017年4月1日

【推荐】Faster R-CNN视频目标检测

【学习】大白话解释模型产生过拟合的原因

【学习】深度学习中的基础线性代数-初学者指南

【讲座】智能连接人与信息:信息流的未来与人工智能的机会——今日头条副总裁马维英博士

2017年4月2日

【推荐】物体检测算法全概述:从传统检测方法到深度神经网络框架

【学习】利用深度学习查找"相似问题"——Quora技术实践

【学习】深度学习如何帮助搜索引擎提高效果?

【讲座】UCL汪军教授人工智能讲座通知

2017年4月3日

【推荐】目标定位与检测

【干货】完结篇|一文搞定k近邻算法(k-NN)算法(二)

【学习】中文数据预处理材料

【学习】使用sklearn自带的贝叶斯分类器进行文本分类和参数调优

2017年4月4日

【推荐】基于LSTM矩阵分解/分块的大型LSTM网络简化加速(附代码)

【干货】深度学习必备:随机梯度下降(SGD)优化算法及可视化

【学习】以《星际争霸》为例,阿里多智能体协作网络BiCNet展现人工集体智能无限潜力

【学习】完整手写一个朴素贝叶斯分类器,完成文本分类

2017年4月5日

【推荐】SVD分解入门

【学习】为什么说机器学习模型中的预测变量可能越少越好?

【学习】通俗讲解平方损失函数平方形式的数学解释?

【报名】MIT在读博士薛天帆:运动辅助视频处理和合成

2017年4月6日

【推荐】(论文+代码)收敛速度更快更稳定的Wasserstein GAN(WGAN)

【竞赛】国内首个迁移学习赛题上线,速来报名!

【学习】EACL2017特邀报告:Probabilistic Topic Models and User Behavior

【学习】分析momentum在梯度下降中的作用的好文章

2017年4月7日

【推荐】加大伯克利的迈克尔·约旦教授推荐的17本基本机器学习书籍

【学习】CNN的感受野计算指南

【干货】MIT在读博士薛天帆:运动辅助视频处理和合成

【学习】华盛顿大学深度学习系统课程

2017年4月8日

【推荐】(Python)LSTM时序预测

【学习】深度学习在自然语言处理中的应用

【学习】如何使用Python处理Missing Data

【学习】每个计算机科学学生应该知道的顶级算法/数据结构/概念

2017年4月9日

【推荐】中文识别效果比tesseract更好的深度OCR

【学习】跨域数据融合全套PPT分章节全部公开(300MB+)

【学习】用python对人们使用自行车情况分析与预测

【论文】Learning Graphical State Transitions

2017年4月10日

【预告】北大AI第七讲:百度IDL杰出科学家  徐伟---通用人工智能的现状及展望

2017年4月11日

【魔镜杯第二届】10万美金悬赏产品达人,500万美金投资基金同步加持

【推荐】常用数据增强的library

【学习】见微知著:细粒度图像分析进展

【学习】浅析感知机(一)--模型与学习策略

2017年4月12日

【图文实录】北大AI公开课第七讲  百度徐伟——AGI 2050年前实现可能性超50%

深圳4.21峰会丨学术界、产业界共话转型升级,探讨人工智能落地产业

【学习】浅析感知机(二)--学习算法及python代码剖析

【学习】PyTorch递归神经网络

2017年4月13日

【推荐】如何选择机器学习算法

【学习】带你搞懂朴素贝叶斯分类算法

【学习】周明:自然语言对话引擎

【学习】你应该读一下的10本免费机器学习和数据科学电子书

2017年4月14日

【推荐】Kaggle肺癌预测竞赛第9名经验分享

【学习】神经网络常用激活函数对比:sigmoid VS sofmax(附python源码)

【学习】理解朴素贝叶斯算法中的拉普拉斯平滑

【学习】WWW 2017论文:Beyond Globally Optimal: Focused Learning