2020年09月_tz_zs

DeepMind 近日在《Nature Neuroscience》上发布最新研究，认为海马体能够通过预期的后续状态来展示每一个当前状态，从而传输对未来事件的细致总结。这种特殊形式的预测地图使大脑快速适应奖励不同的环境，而无需运行对未来的模拟。受此启发，DeepMind 提出将强化学习中基于模型的算法和无模型算法结合起来，既保证计算成本低廉，又能快速适应奖励变化。DeepMind 表示，预测地图理论可以转换成神经网络架构。

2017-10-11

PTB文本数据集

PTB（Penn Treebank Dataset）文本数据集是语言模型学习中目前最广泛使用的数据集。PTB（Penn Treebank Dataset）文本数据集是语言模型学习中目前最广泛使用的数据集。

2017-09-21

神经网络与机器学习（原书第3版）

本书是关于神经网络的全面的、彻底的、可读性很强的、最新的论述。全书共15章，主要内容包括rosenblatt感知器、通过回归建立模型、最小均方算法、多层感知器、核方法和径向基函数网络、支持向量机、正则化理论、主分量分析、自组织映射、信息论学习模型、动态规划、神经动力学、动态系统状态估计的贝叶斯滤波等。本书适合作为高等院校计算机相关专业研究生及本科生的教材，也可供相关领域的工程技术人员参考。

2017-09-08

机器学习实战

机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。

2017-09-08

机器学习实践指南案例应用解析

机器学习实践指南案例应用解析高清电子书 pdf [麦好著][机械工业出版社][2014.04][324页]机器学习领域经典著作，智能计算专家多年经验结晶，以全新的角度诠释机器学习的算法理论，通过案例系统阐述机器学习的实践方法和应用技巧，指导读者轻松步入工程应用阶段。

2017-09-08

机器学习导论

对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能。信号处理、控制和数据挖掘等不同领域的应用。对所有学习算法都进行了解释，以便读者可以容易地将书中的公式转变为计算机程序。《机器学习导论》可作为高等院校计算机相关专业高年级本科生和研究生的教材，也可供研究机器学习方法的技术人员参考。

2017-09-08

机器学习（清晰）

这本教材的目标是展现机器学习中核心的算法和理论。机器学习从很多学科吸收了成果和概念，包括统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等。我相信，研究机器学习的最佳途径是从这些学科的观点看待机器学习，并且以此来理解问题的背景、算法以及其中隐含的假定。这些在以往很难做到，因为在这一领域缺少包容广泛的原始资料。这本书的主要目的就是提供这样的一份资料。

2017-09-08

Rethinking the Inception Architecture for Computer Vision

Rethinking the Inception Architecture for Computer Vision 重新思考计算机视觉的初始架构 Christian Szegedy， Vincent Vanhoucke， Sergey Ioffe， Jonathon Shlens， Zbigniew Wojna （2015年12月2日提交（v1），最近于2015 年12月11日修订（本版本v3））卷积网络是大多数最先进的计算机视觉解决方案的核心，用于各种各样的任务。自2014年以来，非常深入的卷积网络开始成为主流，在各种基准测试中取得了实质性的进展。虽然增加的模型大小和计算成本趋向于转化为大多数任务的即时质量增益（只要为培训提供足够的标签数据），计算效率和低参数计数仍然是各种用例的移动视觉和大数据情景。在这里，我们探索如何通过适当的因式分解和积极的正则化来以网络的方式扩展网络，从而尽可能高效地利用增加的计算。我们对ILSVRC 2012分类挑战验证集的方法进行了基准测试，证明了相对于现有技术的实质性收益：使用计算成本为50亿乘法的网络进行单帧评估的21.2％的前1和5.6％增加每个推断和使用少于2500万个参数。通过4个模型和多作物评估的综合，我们报告验证集上3.5％的前5个错误（测试集上为3.6％的错误）和验证集上的17.3％的top-1错误。

2017-08-23