2016-04-22我們愛智慧
前言：本文是推薦給在校CS專業(yè)學(xué)生的資源推介，參考網(wǎng)絡(luò)文獻(xiàn)整理。謝謝大家的分享！
1、第一次接觸
深入淺出地介紹神經(jīng)網(wǎng)絡(luò)
https://www.zhihu.com/question/22553761#answer-33473096
吳軍《數(shù)學(xué)之美》關(guān)于神經(jīng)網(wǎng)絡(luò)，講得比較清楚。高大上的神經(jīng)網(wǎng)絡(luò)，其實(shí)也就是數(shù)據(jù)結(jié)構(gòu)的圖，這樣來理解就比較平易近人。有一種難，是我們覺得這很難。如果我們將某種事物標(biāo)記為“難”，那么我們真的會(huì)覺得這很難。其實(shí)，真正有用有趣的事物，往往并不難。
李飛飛: 我們怎么教計(jì)算機(jī)理解圖片？
http://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures?language=zh-cn#t-17202
下一個(gè)“AlphaGo”會(huì)出現(xiàn)在疾病診斷領(lǐng)域嗎？
http://v.qq.com/iframe/player.html?vid=k01489ruyqn&300&NaN&auto=0
目前的機(jī)器學(xué)習(xí)確實(shí)有很大的突破，在某種程度上復(fù)制了人類的學(xué)習(xí)能力，可以做很多事情。
2、深入學(xué)習(xí)
斯坦福大學(xué)公開課 ：機(jī)器學(xué)習(xí)課程
http://open.163.com/special/opencourse/machinelearning.html
3、Deep Learning 經(jīng)典閱讀材料
闡述Deep learning主要思想的三篇文章：
Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006
Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007
Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007
4. Deep Learning工具
首先你最好要有個(gè)能支持cuda的GPU，否則純CPU是很慢的，尤其是處理圖像的問題。
Theano（基于Python）, http://deeplearning.net/tutorial/系列教材就是基于Theano工具的。在這個(gè)網(wǎng)站可以看到無數(shù)的深度學(xué)習(xí)相關(guān)工作鏈接，足夠慢慢擴(kuò)展到深度學(xué)習(xí)的所有前沿研究和工具了。
Torch (https://github.com/torch/torch7/wiki/Cheatsheet)，基于lua編程語言(類matlab)。用的人非常多，因此很多常見模塊的實(shí)現(xiàn)都很全面。
DeepLearnToolbox (https://github.com/rasmusbergpalm/DeepLearnToolbox)，基于matlab。代碼邏輯清楚，適合跟著代碼學(xué)習(xí)深度學(xué)習(xí)的每個(gè)細(xì)節(jié)。
Caffe (http://caffe.berkeleyvision.org/)，純c++，科學(xué)研究中很多學(xué)者常用的工具，文檔也很齊全。做物體檢測相關(guān)任務(wù)的話，非常推薦！
Cuda-convnet2 (https://code.google.com/p/cuda-convnet2/)，效率高，支持單機(jī)多卡。ImageNet2012年冠軍Alex的作品！做簡單的分類、回歸問題推薦！不支持RNN。
Cxxnet (https://github.com/dmlc/cxxnet)，純c++。優(yōu)點(diǎn)：支持多機(jī)多卡訓(xùn)練，適合公司級(jí)的部署。
主要參考：張德兵：深度學(xué)習(xí)史上最全總結(jié)。
“我們愛智慧”微信公眾號(hào)新鮮出爐，歡迎微信搜索關(guān)注“我們愛智慧”或者“WeLoveWisdom”公眾號(hào)，或者長按下方的二維碼。東西方經(jīng)典，快樂與智慧，健康與養(yǎng)生，計(jì)算與智能，一起來學(xué)習(xí)和分享那些引領(lǐng)我們和世界走向更美好的事物……
