多图｜入门必看：万字长文带你轻松了解LSTM全貌
作者 | Edwin Chen编译 | AI100第一次接触长短期记忆神经网络（LSTM）时，我惊呆了。原来，LSTM是神经网络的扩展，非常简单。深度学习在过去的几年里取得了许多惊人的成果，均与LSTM息息相关。因此，在本篇文章中我会用尽可能直观的方式为大家介绍LSTM——方便…
深度学习如何入门？
深度学习入门必看
用深度学习（CNN RNN Attention）解决大规模文本分类问题 – 综述和实践
介绍了应用深度学习解决文本分类的相关的思路、做法和部分实践的经验。
引用数最多的深度学习论文合集
Awesome – Most Cited Deep Learning Papers
深度学习初探 – 入门 DL 主流框架
深度学习 (deep learning)：深度学习是机器学习中的一个分支，试图通过具有多个处理层的计算模型对数据进行多层抽象。
机器学习进阶笔记之一 | TensorFlow 安装与入门
TensorFlow 是 Google 基于 DistBelief 进行研发的第二代人工智能学习系统，被广泛用于语音识别或图像识别等多项机器深度学习领域。其命名来源于本身的运行原理。Tensor（张量）意味着 N 维数组，Flow（流）意味着基于数据流图的计算，TensorFlow 代表着张量从图象的一端流动到另一端计算过程，是将复杂的数据结构传输至人工智能神经网中进行分析和处理的过程。
详解 TensorBoard 如何调参
这篇文章简单介绍了 TensorBoard 各板块上的主要功能，而且用了一个小例子，看如何借用各个板块的可视化结果来帮助我们调优模型。
从基本概念到实现，全卷积网络实现更简洁的图像识别
众所周知，图像就是像素值的集合，而这个观点可以帮助计算机科学家和研究者们构建一个和人类大脑相似并能实现特殊功能的神经网络。有时候，这种神经网络甚至能超过人类的准准度。
没有博士学位如何玩转 TensorFlow 和深度学习
谷歌的开发者代表 Martin Görner 分两部分进行了主题为「没有博士学位玩转 TensorFlow 和深度学习（TensorFlow and Deep Learning without a PhD）」的详细讲解。
机器学习进阶笔记之十 | 那些 TensorFlow 上好玩的黑科技
TensorFlow 是 Google 基于 DistBelief 进行研发的第二代人工智能学习系统，被广泛用于语音识别或图像识别等多项机器深度学习领域。其命名来源于本身的运行原理。Tensor（张量）意味着 N 维数组，Flow（流）意味着基于数据流图的计算，TensorFlow 代表着张量从图象的一端流动到另一端计算过程，是将复杂的数据结构传输至人工智能神经网中进行分析和处理的过程。
TensorFlow 完全开源，任何人都可以使用。可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。
『机器学习进阶笔记』系列将深入解析 TensorFlow 系统的技术实践，从零开始，由浅入深，与大家一起走上机器学习的进阶之路。
MNIST 机器学习入门（TensorFlow）
这篇文章包括学习 MNIST 的数据解析以及 softmax 回归算法，创建一个基于图片像素识别图片数字的模型，使用 TensorFlow 来训练模型识别数字和使用我们的测试数据来验证模型的准确性。
深度学习入门实战（一）
现在人工智能是个大热点，而人工智能离不开机器学习，机器学习中深度学习又是比较热门的方向，本系列文章就从实战出发，介绍下如何使用 MXnet 进行深度学习~
零基础入门深度学习（1）：感知器，激活函数
零基础入门深度学习 (1) – 感知器零基础入门深度学习 (2) – 线性单元和梯度下降零基础入门深度学习 (3) – 神经网络和反向传播算法零基础入门深度学习 (4) – 卷积神经网络 零基础入门深度学习 (5) – 循环神经网络。 零基础入门深度学习 (6) – 长短时记忆网络 (LSTM)。 无论即将到来的是大数据时代还是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代
技能 | 如何开始深度学习？这里有一份完整的攻略
本文是作者机器学习的经验总结，适合所有对机器学习感兴趣的初学者。
通过本文，你可以了解到机器学习的基础知识、梯度下降法、反向传播算法、架构、图像处理方法、自然语言处理方法以及（高级）无监督学习基础等多个方面的内容。此外，对于初学者的延伸学习，作者也给出了自己的建议。
“Deep Learning”—— 大总结
一份关于深度学习的比较全面的总结。
走进深度学习，你需要先了解这 25 个概念和术语…
如果你是一个想学习或理解深度学习的人，这篇文章是为你量身定做的。在本文中，我们将介绍深度学习中常用的各种术语。我为你创建了一个类似于深度学习的字典，你可以在需要使用最常用术语的基本定义时进行参考。
入门级攻略：机器学习 VS. 深度学习
本文以浅显易懂的语言介绍了机器学习和深度学习的定义及应用，以及在源数据要求，硬件支持，特征工程、问题解决方式、执行时间及可解释性等方面的区别，对于新手入门有很大启示意义。
入门神经网络：梯度下降
梯度下降是机器学习中较为基本也比较常见的一类优化算法的总称。这篇文章就介绍了梯度下降，有代码实现。
人人都可以做深度学习应用：入门篇
人工智能浪潮来袭，想学习却不知从何入手？本文带领你迈出成为 “AI 工程师” 的第一步！（附 Demo）
谷歌推人工智能绘图工具 AutoDraw
Google 这个公司还真挺有意思，至少我对它充满好奇和期待，感觉时不时总会推出一些创新的东西，一直引领着世界 IT 行业的创新潮流。比如 autodraw 我觉得就是一个拯救手残党的神器。
资源 | 斯坦福大学 Tensorflow 深度学习课程表
你是怎么开始 AI 学习之路呢？是以理论为中心从数学基础开始，还是以工具为中心，以用促练，以练促学呢？
自己学习深度学习时，有哪些途径寻找数据集？
很多有价值的数据集
简易的深度学习框架 Keras 代码解析与应用
语言简洁地讲解 keras 框架的安装与使用。
淘宝搜索 / 推荐系统背后深度强化学习与自适应在线学习的实践之路
淘宝的搜索引擎涉及对上亿商品的毫秒级处理响应，而淘宝的用户不仅数量巨大，其行为特点以及对商品的偏好也具有丰富性和多样性。因此，要让搜索引擎对不同特点的用户作出针对性的排序，并以此带动搜索引导的成交提升，是一个极具挑战性的问题。传统的 Learning to Rank（LTR）方法主要是在商品维度进行学习，根据商品的点击、成交数据构造学习样本，回归出排序权重。LTR 学习的是当前线上已经展示出来商品排序的现象，对已出现的结果集合最好的排序效果，受到了本身排序策略的影响，我们有大量的样本是不可见的，所以 LTR 模型从某种意义上说是解释了过去现象，并不一定真正全局最优的。针对这个问题，有两类的方法，其中一类尝试在离线训练中解决 online 和 offline 不一致的问题，衍生出 Counterfactural Machine Learning 的领域。另外一类就是在线 trial-and-error 进行学习，如 Bandit Learning 和 Reinforcement Learning。
[[透析] 卷积神经网络 CNN 究竟是怎样一步一步工作的？](https://juejin.im/entry/59229…
很深入详细地讲解了 CNN。讲得很明白。
GitHub 上 57 款最流行的开源深度学习项目
GitHub 上 57 款最流行的开源深度学习项目
本文整理了 GitHub 上最流行的 57 款深度学习项目（按 stars 排名）。
基础深度学习概念备忘录
基础深度学习概念备忘录翻译自 DeepLearning Cheat Sheet。笔者还是菜鸟一枚，若有谬误请多多赐教，另外如果希望了解更多机器学习 & 深度学习的资料可以参考笔者的面向程序猿的数据科学与机器学习知识体系及资料合集以及程序猿的数据科学与机器学习实战手册。
深度学习入门实战（二）- 用 TensorFlow 训练线性回归
腾讯云技术社区 – 掘金主页持续为大家呈现云计算技术文章，欢迎大家关注！ 作者 ：董超 上一篇文章我们介绍了 MxNet 的安装，但 MxNet 有个缺点，那就是文档不太全，用起来可能是要看源代码才能理解某个方法的含义，所以今天我们就介绍一下 TensorFlow，这个由谷歌爸爸出…
深度学习卷积神经网络的秒懂各种操作
图解卷积神经的各种操作，包括一些神奇的有趣的 GIF 动画。
机器学习 (Machine Learning)& 深度学习(Deep Learning) 资料(Chapter 1)
非常全面的一篇学习资料
Python 深度学习框架回顾
希望在本文中基于自己的工作经历对于 2017 年中的 Python 深度学习生态进行一个综合宏观的介绍，希望为初学者勾勒出一幅清晰的群雄逐鹿图
TensorFlow 深度学习笔记 卷积神经网络
作者关于卷积神经网络的笔记。
[[译] 用神经网络进行文本分类](https://juejin.im/entry/58aa6…
理解聊天机器人如何工作是很重要的。聊天机器人内部一个基础的组成部分是文本分类器。让我们一起来探究一个用于文本分类的人工神经网络的内部结构。
机器学习进阶笔记之七 | MXnet 初体验
前段时间，『机器学习进阶笔记』系列一直关注 TensorFlow 系统的技术实践（想看 TensorFlow 技术实践的同学可直接拉到文章底部看相关阅读推荐），帮助大家从零开始，由浅入深，走上机器学习的进阶之路。虽然之前都在夸 TensorFlow 的好，但其劣势也很明显——对计算力要求太高，虽然使用方便，但是显存占用太高，计算也不够快，做公司项目还好，自己玩一些好玩的东西时太费时间了。
简而言之，穷！
今天新开一篇，给大家介绍另一个优秀而强大的深度学习框架——MXnet，现在 MXnet 资源相对少一点，基于 MXnet 的有意思的开源项目也相对少一点，不过没关系，都不是问题，他的优点是足够灵活，速度足够快，扩展新的功能比较容易，还有就是造 MXnet 都是一群说得上名字的大牛，能和大牛们玩一样的东西，想想都很兴奋有没有！
那我们开始吧：）
