计算机视觉及机器学习的一些学习资源（都是干货）

        自己也是菜鸟在网上找的一些资源给大家分享。

        第一部分 PRML 笔记 来自 Bishop 的经典书籍 Pattern Recognition and Machine Learning。第二部分 DP 笔记 来自 Bengio 的最新书籍 Deep Learning.

        机器学习的系列笔记，内容包括：聚类(Clustering)、支持向量机、学习模型的评估和选择、神经网络Neural Networks、Logistic Regression、线性回归、机器学习系统设计 作者：llhthinker。

        机器学习系列笔记，内容包括：随机森林与决策树、支持向量机、EM算法、贝叶斯网络、隐马尔科夫模型、条件随机场、深度学习CNN、RNN。

       模式识别的系列笔记，包含以下内容： 什么是模式识别，贝叶斯决策，最小错误贝叶斯决策，最小风险贝叶斯决策，概率密度函数的参数估计，概率密度函数的非参数估计，线性分类器及线性判别函数，fisheries线性判别分析，感知器，最小平方误差判别，支持向量机。

       机器学习(Machine Learning, ML)是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。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习牵涉的编程语言十分之广，包括了MATLAB、Julia、R、Perl、Python、Clojure、Ruby等等。为了让开发者更加广泛、深入地了解机器学习，云栖社区组织翻译了GitHub Awesome Machine Learning 资源，涵盖24种编程语言的机器学习的框架、库以及其他相关资料。史上最全的机器学习资料（上）。史上最全的机器学习资料（下）

      学习Machine Learning也有很长一段时间了，前段时间在paper中应用了GTB（Gradient Tree Boosting）算法。在我的数据集上GTB的performance比Random Forest要稍微强一点，整个experiment做完之后，有许多东西都来不及及时整理，很多都遗忘了。打算接下来的时间里，好好整理下自己的学习资料，这份资料绝对不是一时半会就整理得完的，先开个头吧，以后会间断性更新该blog的。 内容包含：学习工具、学习视频、博客和文章推荐、ML相关算法参考、部分机器学习译文

       统计模式识别的一个简介。1.贝叶斯决策与估计。2.PCA，LDA，ICA。3.近邻分类与度量学习。4.非参密度估计。5.线性判别模型，SVM，核机器。6.深度神经网络，特征提取与选择。7.提升，期望最大化，谱聚类。8.维度约简，嵌入。9.贝叶斯网，马尔科夫随机场。十八讲幻灯片。

        计算机视觉：采用OpenCV实现卷积、hough转换、相机校正、Canny边缘检测、颜色空间以及噪音模型等等的教程。