machine learning
来自:豆瓣广播
章鱼喵是差分机的广播: 最近卷入了一个时间序列的项目,有点好奇就读了 fpp2 这本书( https://douc.cc/2tI0Az ),但我觉得很多原理性的东西都没有提,只是调包实现,而且感觉书有点老。 请问友邻有比较好的时间序列的书或者教程推荐么?
来自:豆瓣日记
Read this: Understanding deep learning is also a job for physicists 几点评论: 1. 为什么物理能帮忙?科学本质上是在寻找合适的压缩算法,而物理是这里面最成功的。ML 本身也是”压缩算法“,不过不是我们常用的动态系统的微分方程的 representation. DL 似乎能在大到令人震惊的状态空间的系统里面里面找到有用的 pattern,而无需遍历所有的可能状态。这件事情跟我们的统计物理所解决的问题本质是相似的。想想 VC 定理,好用高效的 universal approximator 最难的是找到小而多样的函数空间,现在至少是找到了比较好用的了,这样就是至少有了可以用来思考的“粒子”了,而把很多“粒子”放起来应该如何理解,恰好是统计物理的任务。当然,这里是像是反着说的,因为统计物理依靠统计,DL 也是统计学习基础上建立...
来自:豆瓣日记
《CS224W: Machine Learning with Graphs(Sanford / Fall 2019)》 by Jure Leskovec http://web.stanford.edu/class/cs224w/ 斯坦福新课:图机器学习 https://www.youtube.com/playlist?list=PLOl6V2H5_aPv9tq57agsl6s3WtRfYpS6u http://t.cn/Aien96Uf Youtube: https://www.youtube...
来自:豆瓣读书
作者: Grigoris Antoniou / Frank van van Harmelen
出版社: The MIT Press
出版年: 2008-3-21
出版社: The MIT Press
出版年: 2008-3-21
来自:豆瓣读书
作者: Christopher Bishop
出版社: Springer
出版年: 2007-10-1
出版社: Springer
出版年: 2007-10-1
来自:豆瓣读书
作者: Richard O.Duda / Peter E.Hart / David G.Stork
出版社: 机械工业出版社
出版年: 2007-06-01
出版社: 机械工业出版社
出版年: 2007-06-01
什么是豆列 · · · · · ·
豆列是收集好东西的工具。
在网上看到喜欢的,无论它是否来自豆瓣,都可以收到你自己的豆列里,方便以后找到。
你还可以关注感兴趣的豆列,看看其他人收集的好东西。