【干货】小白的机器学习干货 （更新）
下文的这些链接都是笔者在初学机器学习时的一些资源干货，其中有大部分需要科学上网才能浏览。
- 维基百科
Hierarchical clustering（分层聚类）—— 维基百科
Spectral clustering（谱聚类）—— 维基百科
Bellman equation（贝尔曼方程）—— 维基百科
Trigonometric functions (三角函数）—— 维基百科
Similarity measure（相似度量）—— 维基百科
- 知乎问答
知乎问答 —— 机器学习中使用正则化来防止过拟合是什么原理？
- 官方/学术文档
scipy.optimize.leastsq ( ) 使用方法 （官方文档）
用反向传播训练多层神经网络的原理 —— 波兰 AGH 科技大学
Affinity Propagation 的论文、用例及源代码
Convolutional Neural Networks (LeNet)
- 学术论文
Deep Residual Learning for Image Recognition（深度残留学习的图像识别）
Deep Gate Recurrent Neural Network（深门递归神经网络）
Recent Advances in Recurrent Neural Networks（递归神经网络的最新进展）
A Critical Review of Recurrent Neural Networks for Sequence Learning（回归神经网络在序列学习中的应用评述）
Generative Adversarial Networks （GAN 生成对抗网络）
- 博客
sklearn 中的 Pipeline 机制 —— CSDN
Visualizing K-Means Clustering （可视化K-Means聚类）
The 5 Clustering Algorithms Data Scientists Need to Know（数据科学家需要了解的5种聚类算法）
An overview of gradient descent optimization algorithms（梯度下降优化算法概述）
PyTorch – Internal Architecture Tour（PyTorch - 内部建筑之旅）
The Unreasonable Effectiveness of Recurrent Neural Networks（回归神经网络的不合理有效性）
Understanding LSTM Networks（了解LSTM网络）
Neural Networks, Types, and Functional Programming（神经网络，类型和功能编程）
- 课程资源/其他
PyTorch 实现的 torchvision 模块 —— Github
Learning financial market data with recurrent Autoencoders and Tensorflow
