Awesome
ML-Tutorial-Experiment
Coding the Machine Learning Tutorial for Learning to Learn
- 第一期:从零开始用TensorFlow搭建卷积神经网络--&--文章代码
<img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 补充资料:基础代码解析 <img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 补充资料:Keras构建CNN <img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 补充资料:TensorFlow构建LeNet-5 <img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 补充资料:从DensNet到CliqueNet,探索卷积神经网络架构
- 第二期:GAN完整理论推导与实现--&--文章代码 <img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 第三期:CapsNet结构解析与实现--&--文章代码
<img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 补充资料:解读官方实现的核心代码
- 第四期:RNN与CNN的序列建模--&--LSTM语言建模--&--TCN官方实现--&--TCN语言建模(Colaboratory) <img align="right" height="22" src="https://beta.deepnote.org/buttons/launch-in-deepnote.svg">
- 第五期:基于Transformer的神经机器翻译--&--Colaboratory实现
为了扩展优秀模型与实现,机器之心将梳理历史优质文章,同时也欢迎各位开发者与研究者提供优质的文章。我们将尝试确定添加的文章都是可复现,且基本无理解性错误的文章,并按以下模型归类。若读者发现这些文章有错误或理解误差,可以在 GitHub 上提 issue,确定后我们将修改文章。
- 数学与编程基础
- 一般机器学习
- 入门模型
- 朴素贝叶斯
- 决策树
- 支持向量机
- 聚类方法
- K均值聚类
- 层次聚类
- 降维算法
- PCA
- 自编码器
- t-SNE
- 集成方法
- Staking
- Bagging
- 随机森林
- Boosting
- AdaBoost
- 提升树
- 梯度提升树
- 概率图模型
- 隐马尔科夫模型
- 隐马尔可夫随机场
- 条件随机场
- 半监督学习
- Entropy-based
- Graph-based
- 深度学习
- 最优化方法
- 深度前馈网络
- 深度卷积网络
- 深度循环网络
- 深度生成模型
- PixelRNN/PixelCNN
- VAE
- GAN