Efficient Deep Learning.rar

SpaCy官方中文模型已经上线（ ），本项目『推动SpaCy中文模型开发』的任务已经完成，本项目将进入维护状态，后续更新将只进行bug修复，感谢各位用户长期的关注和支持。 SpaCy中文模型 为SpaCy提供的中文数据模型。模型目前还处于beta公开测试的状态。 在线演示 基于Jupyter notebook的在线演示在 。 特性 部分王小明在北京的清华大学读书这个Doc对象的属性信息： NER（新！ ） 部分王小明在北京的清华大学读书这个Doc对象的NER信息： 开始使用 SpaCy（版本> 2）的基础知识。 系统要求 Python 3（也许支持python2，但未通过良好测试） 安装 下载模型 从页面下载模型（ New！为中国地区的用户提供了加速下载的链接）。假设所下载的模型称为zh_core_web_sm-2.xxtar.gz 。 安装模型 pip install zh_core_web_sm-2.x.x.tar.gz 为了方便后续在Rasa NLU等框架中使用，需要再为这个模型建立一个链接，通过执行以下命令： spacy link zh_core_web_sm zh 运行完

闪光 链接到项目： : Flash是一个端到端的深度学习平台，允许用户在短短几分钟内创建，训练和部署自己的神经网络模型，而无需编写任何代码。 该平台当前支持两种类型的任务： 影像分类 通过使用它们来训练ResNet-34或MobileNet v2模型来对您自己的数据集中的图像进行分类。 培训通过转移学习进行，其中可用的模型将在ImageNet数据集上进行预训练。 情绪分析 通过在您自己的数据集上训练基于LSTM或GRU的顺序模型，从句子中预测情感。 将从头开始训练模型。 这个怎么运作 使用Flash很容易。 只需单击几下，您就可以自动训练和部署模型。 您只需要选择模型并上传数据集，就可以了。 无需任何代码或经验。 训练 要训​​练模型，您必须上传自己的数据集并选择模型参数。 根据数据集的大小，模型可能需要3到10分钟左右的时间来训练和部署模型。 上传配置后，平台将为您分配一个唯

tensorflow很好地入门材料，内容非常详细，相比国内的书籍，比较浅显易懂，而且很全面。

英文版和中文版的PRML电子书以及对应的matlab代码，清晰。希望可以帮到需要的人，当然我也是需要积分帮助的人哈哈哈，大家加油吧！

在许多实际的数据挖掘应用程序中，例如文本分类，可以轻松获得未加标签的训练示例，但获得加标签的训练示例则相当昂贵。 因此，半监督学习算法引起了数据挖掘和机器学习领域的极大兴趣。 近年来，基于图的半监督学习已成为半监督学习社区中最活跃的研究领域之一。 本文提出了一种基于线性邻域模型的新颖的基于图的半监督学习方法，该方法假设每个数据点都可以从其邻域进行线性重构。 我们的算法称为线性邻域传播（LNP），可以使用这些线性邻域以足够的平滑度将标签从标记点传播到整个数据集。 本文对LNP的性质进行了理论分析。 此外，我们还导出了一种简单的方法来将LNP扩展到样本外数据。 对于合成数据，数字和文本分类任务，提出了有希望的实验结果。

Python语言入门-----Learning Python中文版

a very good material for learning python, suit for

Bienenstock Cooper Munro（BCM）学习规则 BCM学习规则的目标是解释学习如何在神经元水平上起作用。 此模拟显示了神经元如何通过选择性地向神经元输入两种模式之一并执行规则来变得选择性或学会仅对一种类型的刺激做出React来输入刺激。 BCM学习规则实现了模拟大脑中突触可塑性的滑动阈值。 在模拟结束时的图形上可以看到，对于两个输入，一个突触权重增加而另一个减小，并且神经元的输出高或低，具体取决于输入到神经元的内容，描述了选择性学习。 神经元的输出 神经元的输出取决于输入和突触权重，并由以下等式确定，其中w是突触权重，x是输入。 BCM重量更新 以下方程式用于更新神经元的突触权重，其中w是突触权重，x是输入，y是神经元的输出，θ是阈值。 滑动阈值 以下方程式用于更新滑动阈值，其中tau是时间常数，theta是阈值，y是神经元的输出，y0是目标响应，这是在程序中在线计算的

综合数据挖掘开源平台，性能非常好，功能包括：Classification: Support Vector Machines, Decision Trees, AdaBoost, Gradient Boosting, Random Forest, Logistic Regression, Neural Networks, RBF Networks, Maximum Entropy Classifier, KNN, Naïve Bayesian, Fisher/Linear/Quadratic/Regularized Discriminant Analysis. Regression: Support Vector Regression, Gaussian Process, Regression Trees, Gradient Boosting, Random Forest, RBF Networks, OLS, LASSO, ElasticNet, Ridge Regression. Feature Selection: Genetic Algorithm based Feature