hmy1106的专栏

1、通熟易懂、内容丰富

Google CEO Sundar Pichai 刚刚在官方博客宣布开源自己的最新机器学习系统TensorFlow，并称希望此举有助于机器学习社区通过代码而不是论文来更快地交换想法，然后反过来加速机器学习的研究进展。 AI 是各大技术巨头都在紧盯的最新技术前沿。Google 是其中最具实力的公司之一，这不仅体现在研究方面，在应用领域也走在了前面。其第一代深度学习系统DistBelief就已

由于最近手头项目需要，我查阅了Python相关的机器学习库。我将不断地更新本贴，从而详细说明各个库的优劣。一、前提     在Pthon下做机器学习，需要科学计算包和绘图库的支持，科学计算则是NumPy或SciPy，似乎NumPy更流行些。画图工具包则必定为matplotlib。这些都是开源、免费使用的，选择这些库主要的原因是做线性代数中的矩阵计算极为便利，而且效率比自己开发高的多。

http://qxde01.blog.163.com/blog/static/67335744201368101922991/  Python在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括：一个强大的N维数组对象Array；比较成熟的（广播）函数库；用于整合C/C++和Fortran代码的工具包；实用的

编程语言：搞实验个人认为当然matlab最灵活了（但是正版很贵），但是更为前途的是python（numpy+scipy+matplotlib)和C/C++，这样组合既可搞研究，也可搞商业开发，易用性不比matlab差，功能组合更为强大，个人认为，当然R和java也不错.1.机器学习开源软件网（收录了各种机器学习的各种编程语言学术与商业的开源软件）http://mloss.org2 偶尔

编者按：本文收集了百来篇关于机器学习和深度学习的资料，含各种文档，视频，源码等。而且原文也会不定期的更新，望看到文章的朋友能够学到更多。《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep Learning.《Deep Learnin

2012年8月21号开始了我的第一篇博文，也开始了我的研究生生涯。怀着对机器学习和计算机视觉等等领域的懵懂，从一个电子材料的领域跨入这个高速发展的人工智能领域。从开始的因无知而惊慌，因陌生而乏力，到一步步的成长。这过程的知识积累也都大部分反映在这个博客上面了。感谢这个平台促使自己去总结去坚持去进步。也感谢这个平台给我带来了和大家交流的机会。借此博文总结自己过去与未来可能散乱的博文。在此也谢谢大家一

Python下大多数工具包的安装都很简单，只需要执行 “python setup.py install”命令即可。然而，由于SciPy和numpy这两个科学计算包的依赖关系较多，安装过程较为复杂。网上教程较为混乱，而且照着做基本都不能用。在仔细研读各个包里的README和INSTALL之后，终于安装成功。现记录如下。 系统环境：OS：RedHat5Python版本：Python2.

一、机器学习类1、Machine Learning in Action（机器学习实战）2、机器学习实践指南：案例应用解析Pattern Recognition and Machine LearningChristopher M. BishopA new treatment of classic machine learning topic

本列表选编了一些机器学习领域牛B的框架、库以及软件（按编程语言排序）。C++计算机视觉CCV —基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库OpenCV—它提供C++, C, Python, Java 以及 MATLAB接口，并支持Windows, Linux, Android and Mac OS操作系统。通用机器学习

1、我爱自然语言处理里面的内容很多，很详实

转自 https://my.oschina.net/fourinone/blog/616870现在所有人都在谈深度学习，保持学习精神是需要的，架构师永远都要对核心技术和关键算法保持关注和敏感，必要时要动手写一写掌握下来，先不用关心什么时候用到，用不用是政治问题，会不会写是技术问题，就像军人不关心打不打的问题，而要关心如何打赢的问题。一、程序员如何学习机器学习机器学习对程序员出身的人