做者 | Edwin Chen编译 | AI100第一次接触长短时间记忆神经网络（LSTM）时，我惊呆了。原来，LSTM是神经网络的扩展，很是简单。深度学习在过去的几年里取得了许多惊人的成果，均与LSTM息息相关。所以，在本篇文章中我会用尽量直观的方式为你们介绍LSTM——方便…
算法
深度学习入门必看
数组
介绍了应用深度学习解决文本分类的相关的思路、作法和部分实践的经验。
服务器
Awesome - Most Cited Deep Learning Papers
网络
深度学习 (deep learning)：深度学习是机器学习中的一个分支，试图经过具备多个处理层的计算模型对数据进行多层抽象。
数据结构
TensorFlow 是 Google 基于 DistBelief 进行研发的第二代人工智能学习系统，被普遍用于语音识别或图像识别等多项机器深度学习领域。其命名来源于自己的运行原理。Tensor（张量）意味着 N 维数组，Flow（流）意味着基于数据流图的计算，TensorFlow 表明着张量从图象的一端流动到另外一端计算过程，是将复杂的数据结构传输至人工智能神经网中进行分析和处理的过程。
架构
这篇文章简单介绍了 TensorBoard 各板块上的主要功能，并且用了一个小例子，看如何借用各个板块的可视化结果来帮助咱们调优模型。
框架
众所周知，图像就是像素值的集合，而这个观点能够帮助计算机科学家和研究者们构建一个和人类大脑类似并能实现特殊功能的神经网络。有时候，这种神经网络甚至能超过人类的准准度。
机器学习
谷歌的开发者表明 Martin Görner 分两部分进行了主题为「没有博士学位玩转 TensorFlow 和深度学习（TensorFlow and Deep Learning without a PhD）」的详细讲解。
函数
TensorFlow 是 Google 基于 DistBelief 进行研发的第二代人工智能学习系统，被普遍用于语音识别或图像识别等多项机器深度学习领域。其命名来源于自己的运行原理。Tensor（张量）意味着 N 维数组，Flow（流）意味着基于数据流图的计算，TensorFlow 表明着张量从图象的一端流动到另外一端计算过程，是将复杂的数据结构传输至人工智能神经网中进行分析和处理的过程。工具
TensorFlow 彻底开源，任何人均可以使用。可在小到一部智能手机、大到数千台数据中心服务器的各类设备上运行。
『机器学习进阶笔记』系列将深刻解析 TensorFlow 系统的技术实践，从零开始，由浅入深，与你们一块儿走上机器学习的进阶之路。
这篇文章包括学习 MNIST 的数据解析以及 softmax 回归算法，建立一个基于图片像素识别图片数字的模型，使用 TensorFlow 来训练模型识别数字和使用咱们的测试数据来验证模型的准确性。
如今人工智能是个大热点，而人工智能离不开机器学习，机器学习中深度学习又是比较热门的方向，本系列文章就从实战出发，介绍下如何使用 MXnet 进行深度学习~
零基础入门深度学习 (1) - 感知器零基础入门深度学习 (2) - 线性单元和梯度降低零基础入门深度学习 (3) - 神经网络和反向传播算法零基础入门深度学习 (4) - 卷积神经网络 零基础入门深度学习 (5) - 循环神经网络。 零基础入门深度学习 (6) - 长短时记忆网络 (LSTM)。 不管即将到来的是大数据时代仍是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代
本文是做者机器学习的经验总结，适合全部对机器学习感兴趣的初学者。
经过本文，你能够了解到机器学习的基础知识、梯度降低法、反向传播算法、架构、图像处理方法、天然语言处理方法以及（高级）无监督学习基础等多个方面的内容。此外，对于初学者的延伸学习，做者也给出了本身的建议。
一份关于深度学习的比较全面的总结。
若是你是一个想学习或理解深度学习的人，这篇文章是为你量身定作的。在本文中，咱们将介绍深度学习中经常使用的各类术语。我为你建立了一个相似于深度学习的字典，你能够在须要使用最经常使用术语的基本定义时进行参考。
本文以浅显易懂的语言介绍了机器学习和深度学习的定义及应用，以及在源数据要求，硬件支持，特征工程、问题解决方式、执行时间及可解释性等方面的区别，对于新手入门有很大启示意义。
梯度降低是机器学习中较为基本也比较常见的一类优化算法的总称。这篇文章就介绍了梯度降低，有代码实现。
人工智能浪潮来袭，想学习殊不知从何入手？本文带领你迈出成为 “AI 工程师” 的第一步！（附 Demo）
Google 这个公司还真挺有意思，至少我对它充满好奇和期待，感受时不时总会推出一些创新的东西，一直引领着世界 IT 行业的创新潮流。好比 autodraw 我以为就是一个拯救手残党的神器。
你是怎么开始 AI 学习之路呢？是以理论为中心从数学基础开始，仍是以工具为中心，以用促练，以练促学呢？
不少有价值的数据集
语言简洁地讲解 keras 框架的安装与使用。
淘宝的搜索引擎涉及对上亿商品的毫秒级处理响应，而淘宝的用户不只数量巨大，其行为特色以及对商品的偏好也具备丰富性和多样性。所以，要让搜索引擎对不一样特色的用户做出针对性的排序，并以此带动搜索引导的成交提高，是一个极具挑战性的问题。传统的 Learning to Rank（LTR）方法主要是在商品维度进行学习，根据商品的点击、成交数据构造学习样本，回归出排序权重。LTR 学习的是当前线上已经展现出来商品排序的现象，对已出现的结果集合最好的排序效果，受到了自己排序策略的影响，咱们有大量的样本是不可见的，因此 LTR 模型从某种意义上说是解释了过去现象，并不必定真正全局最优的。针对这个问题，有两类的方法，其中一类尝试在离线训练中解决 online 和 offline 不一致的问题，衍生出 Counterfactural Machine Learning 的领域。另一类就是在线 trial-and-error 进行学习，如 Bandit Learning 和 Reinforcement Learning。
很深刻详细地讲解了 CNN。讲得很明白。
GitHub 上 57 款最流行的开源深度学习项目
本文整理了 GitHub 上最流行的 57 款深度学习项目（按 stars 排名）。
基础深度学习概念备忘录翻译自 DeepLearning Cheat Sheet。笔者仍是菜鸟一枚，如有谬误请多多赐教，另外若是但愿了解更多机器学习 & 深度学习的资料能够参考笔者的面向程序猿的数据科学与机器学习知识体系及资料合集以及程序猿的数据科学与机器学习实战手册。
腾讯云技术社区 - 掘金主页持续为你们呈现云计算技术文章，欢迎你们关注！ 做者 ：董超 上一篇文章咱们介绍了 MxNet 的安装，但 MxNet 有个缺点，那就是文档不太全，用起来多是要看源代码才能理解某个方法的含义，因此今天咱们就介绍一下 TensorFlow，这个由谷歌爸爸出…
图解卷积神经的各类操做，包括一些神奇的有趣的 GIF 动画。
很是全面的一篇学习资料
但愿在本文中基于本身的工做经历对于 2017 年中的 Python 深度学习生态进行一个综合宏观的介绍，但愿为初学者勾勒出一幅清晰的群雄逐鹿图
做者关于卷积神经网络的笔记。
理解聊天机器人如何工做是很重要的。聊天机器人内部一个基础的组成部分是文本分类器。让咱们一块儿来探究一个用于文本分类的人工神经网络的内部结构。
前段时间，『机器学习进阶笔记』系列一直关注 TensorFlow 系统的技术实践（想看 TensorFlow 技术实践的同窗可直接拉到文章底部看相关阅读推荐），帮助你们从零开始，由浅入深，走上机器学习的进阶之路。虽然以前都在夸 TensorFlow 的好，但其劣势也很明显——对计算力要求过高，虽然使用方便，可是显存占用过高，计算也不够快，作公司项目还好，本身玩一些好玩的东西时太费时间了。
简而言之，穷！
今天新开一篇，给你们介绍另外一个优秀而强大的深度学习框架——MXnet，如今 MXnet 资源相对少一点，基于 MXnet 的有意思的开源项目也相对少一点，不过不要紧，都不是问题，他的优势是足够灵活，速度足够快，扩展新的功能比较容易，还有就是造 MXnet 都是一群说得上名字的大牛，能和大牛们玩同样的东西，想一想都很兴奋有没有！
那咱们开始吧：）