可高深，也可接地气。本文来自德国Fraunhofer协会IAIS研究所的研究科学家Michael Galkin，他的研究课题主要是把知识图结合到对话AI中。必须承认，图的机器学习已经成为各大AI顶会的热门话题，NeurIPS 当然也不会例外。在NeurIP

本文为你推荐名叫AI Learning的GitHub资源，汇集了30多名贡献者的集体智慧。再也不用在学机器学习之前先恶补英语了，这儿有一套超热门的优质中文资源可以选择。这套名叫AI Learning的GitHub资源，汇集了30多名贡献者的集体智慧，把学习

本文收集了丰富的机器学习、深度学习、人工智能领域最优质的学习资料，供各位AI-er查阅，一起学习。ref=bestofml.com3. 《Neural Networks and Deep Learning》。ref=bestofml.com6. 《Deep

本文约2600字，建议阅读9分钟。本文将带你了解UCI数据库的Python API，通过实际案例拆解并讲解代码。本文将介绍如何为UCI机器学习库引入一个简单直观的API。用户可以借此查看数据集描述，搜索感兴趣的数据集，甚至可以根据数据集大小或机器学习任务分

《AUTOML》作者当前正在完成这本新书的编辑工作，它将由NIPS 2018出版发行。然而在搭建机器学习链路的过程中，往往不止调参这一步耗时耗力。对于许多机器学习项目，选择模型不过是构建机器学习产品复杂过程中的一部分。我能想到过程中可能会涉及的30多个不同

本文精挑细选了包括机器学习、NLP、Python和数学的最佳教程。[ 导读 ]不吹不黑，绝对史上最全的机器学习学习材料！本文包含了迄今为止大家公认的最佳教程内容。作者汇总的目标是为了补充我即将出版的新书，为它寻找在机器学习和NLP领域中找到的最佳教程。机器

正确进行数据科学研究不仅仅是一个调整模型的问题。[ 导读 ]机器学习如火如荼。但是，机器学习之路是没有捷径可走的，也需要厚积薄发。妄图跳过这些阶段实现“弯道超车”无异于揠苗助长。这根本就是错误的思想，这种投机取巧的心理非常危险。不过据 O'Reilly 最

本文为想要入门机器学习以及夯实数学基础的学习者提供了学习书单。相比之下，《机器学习》覆盖的范围更广，具有更强的导论性质，有助于了解机器学习的全景。书中涵盖了机器学习中几乎所有算法类别的基本思想、适用范围、优缺点与主要实现方式，并穿插了大量通俗易懂的实例。在

本文介绍为什么统计对于通用应用和机器学习如此重要，并大致了解各种可用的方法。统计通常被认为是应用机器学习领域的先决条件。机器学习和统计是两个密切相关的研究领域，统计学家把机器学习称为“应用统计”或“统计学习”，而不是以计算机科学为主来命名。对于初学者而言，

本文共2299字，建议阅读6分钟。本文将给大家介绍五个十分可怕但还鲜为人知的机器学习项目，囊括了一些潜在的机器学习的新想法。它们基本都是Python项目。能够配置RNN大小，RNN的层数，以及是否使用双向RNN。能够在GPU上使用强大的CuDNN实现RNN

本文约2000字，建议阅读5分钟。你可能训练过这样的机器学习模型，它在训练样本上表现得无可挑剔，却在新样本预测上一塌糊涂。机器学习就是用数据和算法训练一个模型来对从未见过的数据进行准确预测。举个例子，为了得到一个分类器，专家需要搜集机器学习算法所需的训练数

本文将重点关注个性化推荐模型，并解释建模原理以及如何通过Photon-ML来实现，使其能够惠及数亿用户。为了实现这个目标，通过机器学习模型从收集的反馈信息中估计用户偏好至关重要。这是大数据行业最令人兴奋的应用之一。一个全局模型，用来捕获用户申请工作的常规行