文学艺术
程序设计
机器学习应用
机器学习基础
神经网络
特征学习
回归
BP算法
Matlab
支持向量机
聚类
k均值算法
降维
主成分分析
异常检测
推荐系统
计算广告学
大数据
在线学习
梯度下降法
机器学习理论
最优化
核方法
分类器融合
bootstrap
bagging
特征选择
AdaBoost
熵
正则化
决策树
C&RT
数据清洗
GBDT
R
深度学习
密度估计
最近邻算法
CNN
计算机视觉
Python
模式发掘
SQL
机器人
自然语言处理
OpenCV
高性能计算
文献阅读
多视几何第二版
LeNet-5
控制论
调研
过拟合
- 文学艺术
- 外国诗歌赏析
- 故事赏析
- 那些论文，精彩的致谢
- 19世纪欧洲大学授予博士学位时宣誓誓词
- 中国古代诗词赏析
- GPU编程与CG语言之阳春白雪下里巴人
- 中国现代诗歌赏析
- Key to Success in Modern Society
- Lenna传奇
- 程序设计
- 开源OCR引擎Tesseract
- 高性能计算概述
- 御膳房使用简介
- 高性能Python程序
- 高性能R程序
- R包开发
- PostgreSQL Essential
- Python Essential
- R Essential
- Map-Reduce Essential
- CSS Essential
- 基于Jekyll的GitHub建站指南
- 机器学习应用
- Gradient-Based Learning Applied to Document Recognition
- CS231n（3）：损失函数与最优化
- CS231n（2）：图像分类流程
- CS231n（1）：计算机视觉简介
- 开源OCR引擎Tesseract
- 御膳房使用简介
- Tracking-Learning-Detection
- arules：频繁项集与关联规则的挖掘
- 向量空间模型
- 纹理分类系统
- 统计学习：线性回归
- 不均衡数据问题
- 大数据上的机器学习
- 推荐系统简介
- 异常检测
- 机器学习实战技能
- 多分类问题
- 机器学习基础
- 模式发掘（2）：高效的模式挖掘方法
- 模式发掘（1）：基本概念
- CS231n（4）：最优化
- 特征学习模型总结
- 矩阵分解
- 径向基函数网络
- 深度学习
- 神经网络
- 分类器融合（6）：融合模型总结
- 分类器融合（5）：梯度提升决策树
- 机器学习三原则
- 验证
- 正则化
- 过拟合的危害
- 非线性特征变换
- 线性分类模型
- 分类器融合（4）：随机森林
- 分类器融合（3）：决策树
- logistic回归
- 分类器融合（2）：AdaBoost
- 分类器融合（1）：基于混合与自助聚集的简介
- 线性回归
- 支持向量机（6）：支持向量回归
- 支持向量机（5）：核logistic回归
- 支持向量机（4）：soft-margin支持向量机
- 支持向量机（3）：核支持向量机
- 支持向量机（2）：对偶支持向量机
- 支持向量机（1）：线性支持向量机
- 降维：主成分分析
- 聚类（1）：k均值算法
- 支持向量机简介
- 机器学习资源
- 神经网络简介
- 感知器学习算法
- 神经网络
- 径向基函数网络
- 深度学习
- 神经网络
- 神经网络简介
- 特征学习
- 特征学习模型总结
- 矩阵分解
- 径向基函数网络
- 深度学习
- 神经网络
- 推荐系统简介
- 神经网络简介
- 回归
- CS231n（3）：损失函数与最优化
- 统计学习：线性回归
- 径向基函数网络
- logistic回归
- 线性回归
- 支持向量机（6）：支持向量回归
- 支持向量机（5）：核logistic回归
- 支持向量机简介
- 神经网络简介
- BP算法
- CS231n（4）：最优化
- 神经网络
- 神经网络简介
- Matlab
- 正则化
- 神经网络简介
- 支持向量机
- CS231n（3）：损失函数与最优化
- 支持向量机（6）：支持向量回归
- 支持向量机（5）：核logistic回归
- 支持向量机（4）：soft-margin支持向量机
- 支持向量机（3）：核支持向量机
- 支持向量机（2）：对偶支持向量机
- 支持向量机（1）：线性支持向量机
- 支持向量机简介
- 聚类
- 聚类（1）：k均值算法
- k均值算法
- 径向基函数网络
- 聚类（1）：k均值算法
- 降维
- 深度学习
- 降维：主成分分析
- 主成分分析
- 深度学习
- 降维：主成分分析
- 异常检测
- 深度学习
- 异常检测
- 推荐系统
- 矩阵分解
- 推荐系统简介
- 计算广告学
- 计算广告学：广告基础
- 大数据
- Map-Reduce Essential
- 大数据上的机器学习
- 在线学习
- 线性分类模型
- 大数据上的机器学习
- 梯度下降法
- CS231n（4）：最优化
- 矩阵分解
- 分类器融合（5）：梯度提升决策树
- 线性分类模型
- logistic回归
- 线性回归
- 大数据上的机器学习
- 机器学习理论
- NNML（03）：BP 学习
- NNML（02）：感知器学习
- NNML（01）：引言
- 机器学习：噪声与误差
- 机器学习：VC维
- 机器学习：泛化理论
- 机器学习：训练与测试
- 机器学习：学习的可行性
- 最优化
- 线性回归
- 支持向量机（2）：对偶支持向量机
- 核方法
- 径向基函数网络
- 支持向量机（6）：支持向量回归
- 支持向量机（5）：核logistic回归
- 支持向量机（3）：核支持向量机
- 分类器融合
- 分类器融合（6）：融合模型总结
- 分类器融合（5）：梯度提升决策树
- 分类器融合（4）：随机森林
- 分类器融合（3）：决策树
- 分类器融合（2）：AdaBoost
- 分类器融合（1）：基于混合与自助聚集的简介
- bootstrap
- 分类器融合（1）：基于混合与自助聚集的简介
- bagging
- 分类器融合（1）：基于混合与自助聚集的简介
- 特征选择
- 分类器融合（4）：随机森林
- 分类器融合（3）：决策树
- 分类器融合（2）：AdaBoost
- AdaBoost
- 分类器融合（2）：AdaBoost
- 熵
- CS231n（3）：损失函数与最优化
- 分类器融合（3）：决策树
- logistic回归
- 正则化
- 径向基函数网络
- 深度学习
- 神经网络
- 正则化
- 过拟合的危害
- 分类器融合（3）：决策树
- 决策树
- 分类器融合（5）：梯度提升决策树
- 分类器融合（3）：决策树
- C&RT
- 分类器融合（3）：决策树
- 数据清洗
- 过拟合的危害
- GBDT
- 分类器融合（5）：梯度提升决策树
- R
- 御膳房使用简介
- arules：频繁项集与关联规则的挖掘
- 高性能R程序
- R包开发
- 统计学习：线性回归
- R Essential
- 神经网络
- 深度学习
- 深度学习
- 密度估计
- 深度学习
- 最近邻算法
- CS231n（2）：图像分类流程
- 径向基函数网络
- CNN
- CS231n（3）：损失函数与最优化
- CS231n（2）：图像分类流程
- CS231n（1）：计算机视觉简介
- CS231n（4）：最优化
- 计算机视觉
- 家用监控设备用于电网的可行性分析
- 无人机电缆隧道巡检可行性调研报告
- Gradient-Based Learning Applied to Document Recognition
- CS231n（3）：损失函数与最优化
- CS231n（2）：图像分类流程
- CS231n（1）：计算机视觉简介
- DILinAV（4）：基于最小割的推理
- 快速归一化互相关
- DILinAV（3）：最大流与最小割
- DILinAV（2）：重参数化与动态规划
- DILinAV（1）：基于离散图模型的人工视觉简介
- Single Image Haze Removal Using Dark Channel Prior
- 计算机视觉中的多视几何：1. 简介——多视几何之旅
- 计算机视觉中的多视几何：前言
- 计算机视觉中的多视几何：序言（by Olivier Faugeras）
- Tracking-Learning-Detection
- 摄像机标定
- OpenCV（1）：基于Python的简介
- 纹理分类系统
- CS231n（4）：最优化
- Python
- CS231n（2）：图像分类流程
- 高性能Python程序
- OpenCV（1）：基于Python的简介
- Python Essential
- 向量空间模型
- CS231n（4）：最优化
- 模式发掘
- arules：频繁项集与关联规则的挖掘
- 模式发掘（2）：高效的模式挖掘方法
- 模式发掘（1）：基本概念
- SQL
- 御膳房使用简介
- PostgreSQL Essential
- 模式发掘（2）：高效的模式挖掘方法
- 机器人
- 工业机器人（2）：技术发展综述
- 工业机器人（1）：行业发展综述
- 自然语言处理
- 向量空间模型
- OpenCV
- OpenCV（1）：基于Python的简介
- 高性能计算
- 高性能计算概述
- 高性能Python程序
- 高性能R程序
- 文献阅读
- Gradient-Based Learning Applied to Document Recognition
- Single Image Haze Removal Using Dark Channel Prior
- 计算机视觉中的多视几何：1. 简介——多视几何之旅
- 计算机视觉中的多视几何：前言
- 计算机视觉中的多视几何：序言（by Olivier Faugeras）
- Tracking-Learning-Detection
- arules：频繁项集与关联规则的挖掘
- 多视几何第二版
- 计算机视觉中的多视几何：1. 简介——多视几何之旅
- 计算机视觉中的多视几何：前言
- 计算机视觉中的多视几何：序言（by Olivier Faugeras）
- LeNet-5
- Gradient-Based Learning Applied to Document Recognition
- 控制论
- 鲁棒及自适应控制（2）：模型
- 鲁棒及自适应控制（1）：概论
- 调研
- 家用监控设备用于电网的可行性分析
- 无人机电缆隧道巡检可行性调研报告
- 过拟合
- NNML（03）：BP 学习