《深度学习》专题

注： 内容翻译自 Glossary 这份文档定义etcd文档，命令行和源代码中使用的多个术语。 Node / 节点 Node/节点是raft状态机的一个实例。 它有唯一标识，并内部记录其他节点的发展，如果它是leader。 Member / 成员 Member/成员是etcd的一个实例。它承载一个node/节点，并为client/客户端提供服务。 Cluster / 集群 Cluster/集群由多

Python 有着海量的可用于数据分析、统计以及机器学习的库，这使得 Python 成为很多数据科学家所选择的语言。 下面我们列出了一些被广泛使用的机器学习及其他数据科学应用的 Python 包。 Scipy 技术栈 Scipy 技术栈由一大批在数据科学中被广泛使用的核心辅助包构成，可用于统计分析与数据可视化。由于其丰富的功能和简单易用的特性，这一技术栈已经被视作实现大多数数据科学应用的必备品了。

学习如何将 Materialize 快速应用到你的网站中。 下载 Materialize 来源于两种不同的形式。你可以根据自己的喜好与经验来选择你喜欢的版本。 一开始使用 Materialize，你必须从下面选择一个去下载。 Materialize 这是标准版本，包含压缩过的和没有压缩过的 css 和 javascript 文件。 选择这个不需要任何设置，只要引入文件。如果你不熟悉 Sass 就选

主要内容 课程列表 基础知识 专项课程学习 参考书籍 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 MDP和RL介绍8 9 10 11 Berkeley 暂无 链接 MDP简介 暂无 Shaping and policy search in Reinforcement learning 链接 强化学习 UCL An Introduction to Reinforcement Lea

主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 致谢 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes等其他资

除了agent和环境之外，强化学习的要素还包括策略(Policy)、奖励(reward signal)、值函数(value function)、环境模型(model)，下面对这几种要素进行说明： 策略(Policy) ，策略就是一个从当环境状态到行为的映射； 奖励(reward signal) ，奖励是agent执行一次行为获得的反馈，强化学习系统的目标是最大化累积的奖励，在不同状态下执行同一个行

从下图，我们可以对集成学习的思想做一个概括。对于训练集数据，我们通过训练若干个个体学习器，通过一定的结合策略，就可以最终形成一个强学习器，以达到博采众长的目的。 也就是说，集成学习有两个主要的问题需要解决，第一是如何得到若干个个体学习器，第二是如何选择一种结合策略，将这些个体学习器集合成一个强学习器。 2. 集成学习之个体学习器 上一节我们讲到，集成学习的第一个问题就是如何得到若干个个体学习器。这

学习资源 有很多社区资源可以帮助你开发应用。如果你对Meteor感兴趣，希望你能参与其中！ 教程 快速开始Meteor 官方教程! Stack Overflow 对于技术问题，提问、寻找答案最好的去处就是 Stack Overflow. 确保给你的问题添加 meteor 标签。 论坛 访问 Meteor discussion forums宣布项目，寻求帮助，讨论社区或是讨论核心模块的变动。 Git

集成学习基本问题 集成学习的核心是将多个 集成学习的基本思想 结合多个学习器组合成一个性能更好的学习器 集成学习为什么有效？ 不同的模型通常会在测试集上产生不同的误差；如果成员的误差是独立的，集成模型将显著地比其成员表现更好。 集成学习的基本策略 Boosting 方法 基于串行策略：基学习器之间存在依赖关系，新的学习器需要根据上一个学习器生成。 基本思路： 先从初始训练集训练一个基学习器；初始训

学习资源 Deep learning book Deep learning resources 以及 tutorial cs231n cs224d Papers Moning Paper colah’s blog kdnuggets MachineLearning-Handbook arXiv arXiv Sanity Neural Networks and Deep Learning UFLDL

集成学习（ensemble learning）的主要思想是利用一定的手段学习出多个分类器，然后将多个分类器进行组合预测。核心思想就是如何训练处多个弱分类器以及如何将这些弱分类器进行组合。若集成中只包含同种类型的个体学习器，则这样的集成是“同质”的，其个体学习器称为“基学习器”。若包含的是不同类型的个体学习器，则称为“异质”，其基学习器称为“组件学习器”。 集成学习通过将多个学习器进行结合，常可获得

迁移学习（Transfer learning）顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练数据集。 经典论文: Progressive Neural Networks

强化学习（Reinforcement Learning）的输入数据作为对模型的反馈，强调如何基于环境而行动，以取得最大化的预期利益。与监督式学习之间的区别在于，它并不需要出现正确的输入/输出对，也不需要精确校正次优化的行为。强化学习更加专注于在线规划，需要在探索（在未知的领域）和遵从（现有知识）之间找到平衡。 Deep Q Learning.

监督学习的目标是建立一个学习过程，将预测结果与“训练数据”（即输入数据）的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率，包括分类、回归等问题。而常用算法包括线性回归、决策树、贝叶斯分类、最小二乘回归、逻辑回归、支持向量机、神经网络等。 监督学习的整个训练流程如下图所示

机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等。 机器学习算法 _图片来自scikit-learn_。 机器学习全景图 _图片来自http://www.shivonzilis.com/_。