摘要：深度學習在過去的幾年里取得了許多驚人的成果，均與息息相關。機器學習進階筆記之一安裝與入門是基于進行研發的第二代人工智能學習系統，被廣泛用于語音識別或圖像識別等多項機器深度學習領域。零基礎入門深度學習長短時記憶網絡。

作者 | Edwin Chen編譯 | AI100第一次接觸長短期記憶神經網絡（LSTM）時，我驚呆了。原來，LSTM是神經網絡的擴展，非常簡單。深度學習在過去的幾年里取得了許多驚人的成果，均與LSTM息息相關。因此，在本篇文章中我會用盡可能直觀的方式為大家介紹LSTM——方便…

深度學習入門必看

介紹了應用深度學習解決文本分類的相關的思路、做法和部分實踐的經驗。

Awesome - Most Cited Deep Learning Papers

深度學習 (deep learning)：深度學習是機器學習中的一個分支，試圖通過具有多個處理層的計算模型對數據進行多層抽象。

TensorFlow 是 Google 基于 DistBelief 進行研發的第二代人工智能學習系統，被廣泛用于語音識別或圖像識別等多項機器深度學習領域。其命名來源于本身的運行原理。Tensor（張量）意味著 N 維數組，Flow（流）意味著基于數據流圖的計算，TensorFlow 代表著張量從圖象的一端流動到另一端計算過程，是將復雜的數據結構傳輸至人工智能神經網中進行分析和處理的過程。

這篇文章簡單介紹了 TensorBoard 各板塊上的主要功能，而且用了一個小例子，看如何借用各個板塊的可視化結果來幫助我們調優模型。

眾所周知，圖像就是像素值的集合，而這個觀點可以幫助計算機科學家和研究者們構建一個和人類大腦相似并能實現特殊功能的神經網絡。有時候，這種神經網絡甚至能超過人類的準準度。

谷歌的開發者代表 Martin G?rner 分兩部分進行了主題為「沒有博士學位玩轉 TensorFlow 和深度學習（TensorFlow and Deep Learning without a PhD）」的詳細講解。

TensorFlow 是 Google 基于 DistBelief 進行研發的第二代人工智能學習系統，被廣泛用于語音識別或圖像識別等多項機器深度學習領域。其命名來源于本身的運行原理。Tensor（張量）意味著 N 維數組，Flow（流）意味著基于數據流圖的計算，TensorFlow 代表著張量從圖象的一端流動到另一端計算過程，是將復雜的數據結構傳輸至人工智能神經網中進行分析和處理的過程。

TensorFlow 完全開源，任何人都可以使用。可在小到一部智能手機、大到數千臺數據中心服務器的各種設備上運行。

『機器學習進階筆記』系列將深入解析 TensorFlow 系統的技術實踐，從零開始，由淺入深，與大家一起走上機器學習的進階之路。

這篇文章包括學習 MNIST 的數據解析以及 softmax 回歸算法，創建一個基于圖片像素識別圖片數字的模型，使用 TensorFlow 來訓練模型識別數字和使用我們的測試數據來驗證模型的準確性。

現在人工智能是個大熱點，而人工智能離不開機器學習，機器學習中深度學習又是比較熱門的方向，本系列文章就從實戰出發，介紹下如何使用 MXnet 進行深度學習~

零基礎入門深度學習 (1) - 感知器零基礎入門深度學習 (2) - 線性單元和梯度下降零基礎入門深度學習 (3) - 神經網絡和反向傳播算法零基礎入門深度學習 (4) - 卷積神經網絡 零基礎入門深度學習 (5) - 循環神經網絡。 零基礎入門深度學習 (6) - 長短時記憶網絡 (LSTM)。 無論即將到來的是大數據時代還是人工智能時代，亦或是傳統行業使用人工智能在云上處理大數據的時代

本文是作者機器學習的經驗總結，適合所有對機器學習感興趣的初學者。
通過本文，你可以了解到機器學習的基礎知識、梯度下降法、反向傳播算法、架構、圖像處理方法、自然語言處理方法以及（高級）無監督學習基礎等多個方面的內容。此外，對于初學者的延伸學習，作者也給出了自己的建議。

一份關于深度學習的比較全面的總結。

如果你是一個想學習或理解深度學習的人，這篇文章是為你量身定做的。在本文中，我們將介紹深度學習中常用的各種術語。我為你創建了一個類似于深度學習的字典，你可以在需要使用最常用術語的基本定義時進行參考。

本文以淺顯易懂的語言介紹了機器學習和深度學習的定義及應用，以及在源數據要求，硬件支持，特征工程、問題解決方式、執行時間及可解釋性等方面的區別，對于新手入門有很大啟示意義。

梯度下降是機器學習中較為基本也比較常見的一類優化算法的總稱。這篇文章就介紹了梯度下降，有代碼實現。

人工智能浪潮來襲，想學習卻不知從何入手？本文帶領你邁出成為 “AI 工程師” 的第一步！（附 Demo）

Google 這個公司還真挺有意思，至少我對它充滿好奇和期待，感覺時不時總會推出一些創新的東西，一直引領著世界 IT 行業的創新潮流。比如 autodraw 我覺得就是一個拯救手殘黨的神器。

你是怎么開始 AI 學習之路呢？是以理論為中心從數學基礎開始，還是以工具為中心，以用促練，以練促學呢？

很多有價值的數據集

語言簡潔地講解 keras 框架的安裝與使用。

淘寶的搜索引擎涉及對上億商品的毫秒級處理響應，而淘寶的用戶不僅數量巨大，其行為特點以及對商品的偏好也具有豐富性和多樣性。因此，要讓搜索引擎對不同特點的用戶作出針對性的排序，并以此帶動搜索引導的成交提升，是一個極具挑戰性的問題。傳統的 Learning to Rank（LTR）方法主要是在商品維度進行學習，根據商品的點擊、成交數據構造學習樣本，回歸出排序權重。LTR 學習的是當前線上已經展示出來商品排序的現象，對已出現的結果集合最好的排序效果，受到了本身排序策略的影響，我們有大量的樣本是不可見的，所以 LTR 模型從某種意義上說是解釋了過去現象，并不一定真正全局最優的。針對這個問題，有兩類的方法，其中一類嘗試在離線訓練中解決 online 和 offline 不一致的問題，衍生出 Counterfactural Machine Learning 的領域。另外一類就是在線 trial-and-error 進行學習，如 Bandit Learning 和 Reinforcement Learning。

很深入詳細地講解了 CNN。講得很明白。

GitHub 上 57 款最流行的開源深度學習項目

本文整理了 GitHub 上最流行的 57 款深度學習項目（按 stars 排名）。

基礎深度學習概念備忘錄翻譯自 DeepLearning Cheat Sheet。筆者還是菜鳥一枚，若有謬誤請多多賜教，另外如果希望了解更多機器學習 & 深度學習的資料可以參考筆者的面向程序猿的數據科學與機器學習知識體系及資料合集以及程序猿的數據科學與機器學習實戰手冊。

騰訊云技術社區 - 掘金主頁持續為大家呈現云計算技術文章，歡迎大家關注！ 作者 ：董超 上一篇文章我們介紹了 MxNet 的安裝，但 MxNet 有個缺點，那就是文檔不太全，用起來可能是要看源代碼才能理解某個方法的含義，所以今天我們就介紹一下 TensorFlow，這個由谷歌爸爸出…

圖解卷積神經的各種操作，包括一些神奇的有趣的 GIF 動畫。

非常全面的一篇學習資料

希望在本文中基于自己的工作經歷對于 2017 年中的 Python 深度學習生態進行一個綜合宏觀的介紹，希望為初學者勾勒出一幅清晰的群雄逐鹿圖

作者關于卷積神經網絡的筆記。

理解聊天機器人如何工作是很重要的。聊天機器人內部一個基礎的組成部分是文本分類器。讓我們一起來探究一個用于文本分類的人工神經網絡的內部結構。

前段時間，『機器學習進階筆記』系列一直關注 TensorFlow 系統的技術實踐（想看 TensorFlow 技術實踐的同學可直接拉到文章底部看相關閱讀推薦），幫助大家從零開始，由淺入深，走上機器學習的進階之路。雖然之前都在夸 TensorFlow 的好，但其劣勢也很明顯——對計算力要求太高，雖然使用方便，但是顯存占用太高，計算也不夠快，做公司項目還好，自己玩一些好玩的東西時太費時間了。

簡而言之，窮！

今天新開一篇，給大家介紹另一個優秀而強大的深度學習框架——MXnet，現在 MXnet 資源相對少一點，基于 MXnet 的有意思的開源項目也相對少一點，不過沒關系，都不是問題，他的優點是足夠靈活，速度足夠快，擴展新的功能比較容易，還有就是造 MXnet 都是一群說得上名字的大牛，能和大牛們玩一樣的東西，想想都很興奮有沒有！

那我們開始吧：）