Machine Learning 资料推荐

如今机器学习的学习资源越来越多,对于入行的朋友们来说,他们只需要关注自己从事的具体研究方向最新的国际会议、杂志上的paper就差不多了,而对于那些想要入行的朋友们,选择经典的教程入手可能会事半功倍。以下这些教程,是机器学习比较经典的,也欢迎朋友们补充。

一、公开课

Andrew Ng教授的机器学习课程。多啰嗦几句Andrew Ng,他虽然没出过啥书,但是他对这两年接触机器学习的人应该帮助最大了。这哥们是机器学习界大牛Michael Jordan的最得意的门生(据说没有之一),最早只是把公开课视频放到网上,国内网易公开课做了翻译,课程内容安排的真是深入浅出,只要有点微积分和线性代数基础,都能够看明白一些复杂算法的推导(其实这点很重要,一些大牛的paper或者书籍由于篇幅所限,往往一个公式推导需要10步,他只会写最重要的两步,对于初学者来说还是很痛苦的)。由于这个公开课视频受众甚广,好评如潮,Andrew Ng老师伙同斯坦福另一位同事Daphne Koller创建了Coursera这个在线教育平台,和公开课视频相比这个平台更注重和学生交互,能够帮助学生更好地掌握所follow的课程。

公开课推荐:

1、https://www.coursera.org/course/ml  Andrew Ng在coursera上的机器学习课程,相比公开课来说,内容更简单一些,入门甚佳。

2、http://v.163.com/special/opencourse/machinelearning.html   Andrew Ng的公开课视频

3、https://www.coursera.org/course/pgm  Daphne Koller在course上图模型的课程

4、https://www.coursera.org/course/neuralnets  Geoffrey Hinton的神经网络的课。如果问最近业界最火的机器学习技术是啥?一定是deep learning。如果问是谁让deep learning这么火的,那就是Hinton老师。

应该还有其他类似的公开课资源,但我都没有看过,这里就不乱推荐了,欢迎大家补充。

二、经典书籍

1、Tom M.Mitchell. Machine Learning(有中文版)

2、Kevin P. MurphyMachine Learning: A Probabilistic Perspective

3、Christopher M.Bishop. Pattern Recognition and Machine Learning

4、Trevor Hastie Robert Tibshirani Jerome FriedmanThe Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition(有中文版)

5、Richard O. DudaPattern Classification(有中文版)

6、李航,统计学习方法

7、David Barber ,Bayesian Reasoning and Machine Learning(@星空下的巫师)

前三本作为入门更合适一些,4还是有些艰深,6是国内相关教程里最好的了,李老师将一些机器学习的经典算法介绍的非常详细,推导也没偷工减料,有点Andrew老师上课推公式的风范。

这些书籍基本上都有电子版可以google到,如果不行,推荐http://ishare.iask.sina.com.cn/,这真是一个神奇的地方,找外国图书的电子版效果甚佳。

Reference:

[1]. http://blog.sina.com.cn/s/blog_8eac0b290101fn0z.html

[2]. http://www.yuanyong.org/blog/cv/machine-learning-tutorial

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值