机器学习，特别是深度学习，在过去的几十年中经历了研究兴趣和实际应用的爆炸式增长。深度学习方法似乎已成为许多领域的首选方法，超过了使用更传统的机器学习方法。这种转变也与基于领域知识的特征工程的转变相吻合。相反，常见的深度学习理念是通过表达模型和大型数据集的组合来学习相关特征。 有些人将这种范式转变解释为领域知识的消亡。我认为领域知识仍然广泛用于深度学习系统，甚至至关重要，但是领域知识的使用地点和方式已经发生了变化。为了支持这一论点，我展示了三个最近在不同领域中的深度学习应用程序，每个应用程序都严重依赖于领域知识。基于这三个应用程序，我讨论了如何将领域知识有效地整合到新的深度学习系统中的策略。

本文综述了将医学领域知识引入疾病诊断、病变、器官及异常检测、病变及器官分割等深度学习模型的研究进展。

该文档详细的介绍了日志的统一采集和处理领域知识和最佳实践。

本资源对PMBOK第六版五大过程组、十大知识领域、49个过程组进行了整合，通过图表形式展示每个过程的ITTO（输入、工具与技术、输出）知识，附带PMBOK知识记忆法则，能够帮助在PMP备考过程中清晰理解记忆整个框架知识；

基于最小领域知识的主题建模 ，一种基于融合知识的主题模型的微博话题发现方法，涉及自然语言处理领域 传统的主题挖掘技术基于概率统计的混合模型，对文本信息进行建模，使得模型能够自动挖掘出文本中潜在的语义信息，使用户能够快速的了解文本中所涉及的内容。通过主题模型，不仅能够获得文本集合中主要涉及的信息，而且能够获得每篇文档中的内容信息。常见的主题模型有概率潜在语义分析(ProbabilisticLatentSemanticAnalysis,PLSA)模型[1]和潜在狄利克雷分配(LatentDirichletAllocation,LDA)模型[2]。但该类技术仅考虑文本集合中的文本信息，其他有用的信息，如文本的类别信息等，无法被利用起来。

大数据环境领域知识组织方法研究.pdf

领域知识组织理论基础及方法分类简述.pdf

美团知识图谱的构建介绍 中文信息学会讲习班

本文档非常详细的介绍了分布式事务领域知识及常见解决方案

基于深度学习的领域知识对齐模型研究：知识图谱视角.pdf