整理了一下文章的连接，方便自己看。
机器学习系列
- 机器学习的概率论基础：概率论里的概率密度函数如何估计——核密度估计与K近邻方法
- 概率密度估计及Meanshift算法
- 聚类分析：无监督的分组方法
- 贝叶斯准则和朴素贝叶斯：由贝叶斯准则的公式可以得到分类器的两个类别：直接估计后验概率的判别模型和估计先验概率、条件概率的生成概率
- 逻辑回归：直接估计后验概率的判别模型，使用极大似然估计后验概率的参数
- 线性判别分析：将特征投射到另一个特征空间里，得到线性的决策边界。
- 支持向量机：使用一个超平面来分开两个类别
- 集成方法：将多个弱学习器组合在一起，反而得到了很好的效果
- Viola-Jones目标检测：二十年前的人脸检测算法
深度学习系列
- 从零开始学习深度学习：一些深度学习里的基本术语和流程
- 深度学习（一）神经网络简介 ：感知器与全连接
- 深度学习（二）从统计学角度看Loss公式：概率分布与损失函数的数学公式
- 深度学习（三）激活函数：几种常见的激活函数的形式
- 深度学习（四）卷积神经网络CNN：卷积运算以及卷积神经网络常见的结构
- 深度学习（五） Python徒手实现CNN，Pytorch实现简单CNN
- 深度学习（六）损失函数和优化器：梯度下降算法以及各种优化器，以及在pytorch中的实现
- 深度学习（七）一些神经网络的构架
- 深度学习（八）循环神经网络RNN
- 深度学习（九）正则化
- 目标检测：YOLO
- 自编码器
- 深度学习-卷积以及各种形式的卷积
论文翻译和笔记
- Spatial Pyramid Pooling与Scale-Invariant Convolutional Neural Network：对于处理不同尺寸特征的方法，两种方法异曲同工，SPP应用更加广泛
- First Order Motion Model for Image Animation：图片变视频的背后原理
- Attention Is All You Need：大热的Transformer的论文，需要反复多看几遍
- EfficientNet：重新思考卷积神经网络的尺度
- Computing Receptive Fields of Convolutional Neural Networks: 计算卷积神经网络的感受野
- Understanding the effective receptive field in deep convolutional neural networks: 卷积神经网络中的感受野
- Semi -Supervosed Classification With Graph Convolutional Networks ：经典的图卷积网络
- MLP Mixer: An all-MLP Architecture for Vision: 只用 MLP 组成的网络，提取channel内的和channel间的特征
网友评论