机器学习任务的state-of-art之github及个人总结
2017-11-21 14:32
246 查看
前言
深度神经网络其实更加适合做感知，而贝叶斯理论的核心是推理，只有从感知到推理才能到决策。所以最终来讲，你希望达到一种理性的推理、理性的决策，这里面正好是贝叶斯网络一个大行其道的地方—余凯1. State-of-the-art result for all Machine Learning Problems
https://github.com/RedditSota/state-of-the-art-result-for-machine-learning-problems2. Google Research
https://research.googleblog.com/3. paperWeekly
http://www.paperweekly.site/collections/10/papers
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- Github出现failed to sync branch You might need to open a shell and debug the state of this repo的解决方法
- 良心GitHub项目：各种机器学习任务的顶级结果（论文）汇总
- Clustering Algorithms: From Start To State Of The Art
- 【个人项目】项目记录：github链接、设计实现、单元测试、性能分析与改进、PSP完成表格、总结反思
- 关于loss的state of the art 的文章
- N个任务，分配给M个人，那么每个人得到的任务数量----总结经验
- state-of-the-art implementations related to visual recognition and search
- YOLO9000( YOLO v2 ), a state of the art, real time object detection system
- 跟踪算法基准--Tracking the Trackers: An Analysis of the State of the Art in Multiple Object Tracking
- 个人学习总结一机器学习入门（七）
- 个人学习总结一机器学习入门（一）
- 机器学习常见算法个人总结
- 个人学习总结一机器学习入门（二）
- 机器学习常见算法个人总结（面试用）
- 机器学习常见算法个人总结（面试用）
- github page+jekyll搭建个人博客总结
- Pedestrian Detection: An Evaluation of the State of the Art
- 机器学习常见算法个人总结（面试用）
- 机器学习技法之Aggregation方法总结：Blending、Learning（Bagging、AdaBoost、Decision Tree）及其aggregation of aggregation
- SLIC与目前最优超像素算法的比较 SLIC Superpixels Compared to State-of-the-art Superpixel Methods