AI/机器学习，深度学习，神经网络

> AI项目

移动AI项目，MNN is a lightweight deep neural network inference engine- https://github.com/alibaba/MNN
Tensorflow, Caff2

人工智能，人工神经网络领域归为深度学习。

在微博，机器学习被广泛地应用于微博的各个业务，如Feed流、热门微博、消息推送、反垃圾、内容推荐等。

深度学习AI美颜系列---天天P图疯狂变脸算法-  https://blog.csdn.net/Trent1985/article/details/80295532

疯狂变脸算法DEMO- https://download.csdn.net/download/trent1985/10410917

腾讯围棋AI技术PhoenixGo正式开源- https://github.com/Tencent/PhoenixGo
深度学习框架Caffe- http://caffe.berkeleyvision.org/

TensorFlow

16个GitHub收藏和贡献率最高的深度学习框架- https://blog.csdn.net/tkkzc3E6s4Ou4/article/details/80267827

技术及思维模式的调整：互联网 -> 云 -> 手机 ->  AI/机器学习；

机器学习的开发工作，最好首先完成这么几项课程：
➤ 入门，了解概念，算法基础：
Coursera 机器学习课程 - by 吴恩达
Machine Learning Coursera 
https://www.coursera.org/learn/machine-learning

➤ 进阶，多层神经网络，卷积和softmax回归：
斯坦福机器学习课程 UFLDL
UFLDL Tutorial
http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial
重点关注其中的softmax回归，卷积和池化这几个章节

➤ 进阶，计算机视觉，卷积神经网络的新进展，实现和应用：
斯坦福计算机视觉课程 CS231n
斯坦福CS231n -深度学习与计算机视觉 - 网易云课堂http://study.163.com/course/introduction/1003223001.htm
目前机器学习的框架非常的多，从面向的使用者这个维度去划分，大体上分成这么两个阵营：

➤ 学术友好型：Theano，Torch，Caffe
➤ 工业友好型：Tensorflow，MXnet，Caffe

STEM（科学、技术、工程、数学）能力；

贝叶斯思想概述：从贝叶斯定理到贝叶斯网络- https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247492199&idx=2&sn=cdea715746f387776c506ac34abbe483
AI学习者必备 | 圣母大学公开统计计算课程讲义（视频+PPT+作业）- https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247492189&idx=2&sn=5e7315eaaf83b99e3e5ee8e45361bb6e

> 学习TensorFlow（AI/机器学习）

Google Drive：https://drive.google.com/drive/folders/0B41Zbb4c8HVyY1F5Ml94Z2hodkE

百度网盘：https://pan.baidu.com/s/1c19SI56#list/path=%2F

概念：监督学习;非监督学习;增强学习;贝叶斯公式;推断;归纳 Induction;演绎 Deduction;反推出因 Abduction;分类;回归 Regression 预测数据;

  机器学习，TensorFlow在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。
integrating TensorFlow into Android application- https://github.com/MindorksOpenSource/AndroidTensorFlowMachineLearningExample
numerical computation using data flow graphs- https://github.com/tensorflow/tensorflow
MachineLearningDemo- https://github.com/Fndroid/MachineLearningDemo

  TensorFlow的流行让深度学习门槛变得越来越低，只要你有Python和机器学习基础，入门和使用神经网络模型变得非常简单。TensorFlow支持Python和C++两种编程语言，再复杂的多层神经网络模型都可以用Python来实现，如果业务使用其他编程也不用担心，使用跨语言的gRPC或者HTTP服务也可以访问使用TensorFlow训练好的智能模型。
 

 李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程- http://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/79136408

> 机器学习算法和常用统计模型 
1.机器学习算法核心算法
 回归/分类树
 降维（PCA、MDS、tSNE等）
 经典的前馈神经网络
 Bagging ensembles方法（随机森林、KN N回归集成）
 Boostingensembles方法（梯度提升、XGBoost算法）
 参数调整或设计方案的优化算法（遗传算法，量子启发式演化算法，模拟退火/simulated annealing，粒子群优化/ particle-swarm optimization）
 拓扑数据分析工具，特别适用于小样本量的无监督学习（持续同调/persistent homology，Morse-Smale聚类，Mapper ...）
 深度学习架构（通用深度学习架构）
 用于局部建模的KNN方法（回归，分类）
 基于梯度的优化方法/Gradient-based optimization methods
 网络度量/Network metrics和算法（中心度量，跳数，多样性，熵，拉普拉斯算子，疫情传播/epidemic spread，谱聚类/spectral clustering）
 深层架构中的卷积和池化层/pooling layers（特别适用于计算机视觉和图像分类模型）
 分层聚类（与k均值聚类和拓扑数据分析工具相关）
 贝叶斯网络（路径挖掘/pathway mining）
 复杂性和动态系统（与微分方程有关）
 此外，部分领域还可能需要与自然语言处理、计算机视觉相关算法。

2.机器学习算法常用模型
 广义线性模型（是多数监督机器学习方法的基础，如逻辑回归和Tweedie回归）
 时间序列方法（ARIMA，SSA，基于机器学习的方法）
 结构方程建模（针对潜变量之间关系进行建模）
 因子分析（调查设计和验证的探索型分析）
 功效分析/试验设计（特别是基于仿真的试验设计，以避免分析过度）
 非参数检验（MCMC）
 K均值聚类
 贝叶斯方法（朴素贝叶斯，贝叶斯模型平均/Bayesian model averaging，贝叶斯适应性试验/Bayesian adaptive trials等）
 惩罚性回归模型（弹性网络/Elastic Net，LASSO，LARS ...）以及对通用模型（SVM，XGBoost ...）加罚分，这对于预测变量多于观测值的数据集 很有用,在基因组学和社会科学研究中较为常用）
 样条模型/Spline-based models(MARS等）：主要用于流程建模
 马尔可夫链和随机过程（时间序列建模和预测建模的替代方法）

 缺失数据插补方法及其假设（missForest，MICE ...）

 生存分析/Survival analysis（主要特点是考虑了每个观测出现某一结局的时间长短）
 混合建模/Mixture modeling
 统计推断和组群测试（A/B测试以及用于营销活动的更复杂的方法）