2. 程式人生 > >機器學習、深度學習開源資料集分享

機器學習、深度學習開源資料集分享

阿新 • • 發佈：2018-11-17

轉自：機器學習演算法與Python學習

機器學習演算法與Python學習

微訊號guodongwei1991

功能介紹作為溝通學習的平臺，釋出機器學習與資料探勘、深度學習、Python實戰的前沿與動態，歡迎機器學習愛好者的加入，希望幫助你在AI領域更好的發展，期待與你相遇！

今天

近期，skymind.ai 釋出了一份非常全面的開源資料集。內容包括生物識別、自然影象以及深度學習影象等資料集，現機器之心將其整理如下：

 

最近新增資料集

 

  • 開源生物識別資料：http://openbiometrics.org/

 

  • Google Audioset：擴充套件了 632 個音訊分類樣本，並從 YouTube 視訊中提取了 2，084，320 個人類標記的 10 秒聲音片段。

  • 地址：https://research.google.com/audioset/

 

  • Uber 2B trip data：首次展示 2 百萬公里的出行資料。

  • 地址：https://movement.uber.com/cities

 

  • Yelp Open Dataset：Yelp 資料集是用於 NLP 的 Yelp 業務、評論和使用者資料的子集。

  • 地址：https://www.yelp.com/dataset

 

  • Core50：用於連續目標識別的新資料集和基準。

  • 地址：https://vlomonaco.github.io/core50/

 

  • Kaggle 資料集：https://www.kaggle.com/datasets

 

  • Data Portal：http://dataportals.org/

 

  • Open Data Monitor：https://opendatamonitor.eu/

 

  • Quandl Data Portal：https://www.quandl.com/

 

  • Mut1ny 頭部/面部分割資料集：http://www.mut1ny.com/face-headsegmentation-dataset

 

  • Github 上的優秀公共資料集：https://www.kdnuggets.com/2015/04/awesome-public-datasets-github.html

 

  • 頭部 CT 掃描資料集：491 次掃描的 CQ500 資料集。

  • 地址：http://headctstudy.qure.ai/

 

自然影象資料集

 

  • MNIST：手寫數字影象。最常用的可用性檢查。格式 25x25、居中、黑白手寫數字。這是一項簡單的任務——僅某部分適用於 MNIST，不意味著它有效。

  • 地址：http://yann.lecun.com/exdb/mnist/

 

  • CIFAR10 / CIFAR100：32x32 彩色影象，10/100 類。雖然仍有趣卻不再常用的可用性檢查。

  • 地址：http://www.cs.utoronto.ca/~kriz/cifar.html

 

  • Caltech 101：101 類物體的圖片。

  • 地址：http://www.vision.caltech.edu/Image_Datasets/Caltech101/

 

  • Caltech 256：256 類物體的圖片。

  • 地址：http://www.vision.caltech.edu/Image_Datasets/Caltech256/

 

  • STL-10 資料集：用於開發無監督特徵學習、深度學習、自學習演算法的影象識別資料集。像修改過的 CIFAR-10。

  • 地址：http://cs.stanford.edu/~acoates/stl10/

 

  • The Street View House Numbers (SVHN)：Google 街景中的門牌號碼。可以把它想象成復現的戶外 MNIST。

  • 地址：http://ufldl.stanford.edu/housenumbers/

 

  • NORB：玩具擺件在各種照明和姿勢下的雙目影象。

  • 地址：http://www.cs.nyu.edu/~ylclab/data/norb-v1.0/

 

  • Pascal VOC：通用影象分割/分類——對於構建真實世界影象註釋不是非常有用，但對基線很有用。

  • 地址：http://pascallin.ecs.soton.ac.uk/challenges/VOC/

 

  • Labelme：帶註釋影象的大型資料集。

  • 地址：http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

 

  • ImageNet：新演算法的客觀影象資料集（de-facto image dataset）。許多影象 API 公司都有來自其 REST 介面的標籤，這些標籤近 1000 類;WordNet; ImageNet 的層次結構。

  • 地址：http://image-net.org/

 

  • LSUN：具有很多輔助任務的場景理解（房間佈局估計，顯著性預測（saliency prediction）等），有關聯競賽。（associated competition）。

  • 地址：http://lsun.cs.princeton.edu/2016/

 

  • MS COCO：通用影象理解/說明，有關聯競賽。

  • 地址：http://mscoco.org/

 

  • COIL 20：不同物體在 360 度旋轉中以每個角度成像。

  • 地址：http://www.cs.columbia.edu/CAVE/software/softlib/coil-20.php

 

  • COIL100：不同物體在 360 度旋轉中以每個角度成像。

  • 地址：http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php

 

  • Google 開源影象：有 900 萬張影象的網址集合，這些影象通過知識共享（Creative Commons）被標註成 6000 多個類別。

  • 地址：https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

 

地理空間資料

 

  • OpenStreetMap：免費提供整個星球的向量資料。它包含（舊版）美國人口普查局的資料。

  • 地址：http://wiki.openstreetmap.org/wiki/Planet.osm

 

  • Landsat8：整個地球表面的衛星視角圖，每隔幾周更新一次。

  • 地址：https://landsat.usgs.gov/landsat-8

 

  • NEXRAD：美國大氣層的多普勒雷達掃描圖。

  • 地址： https://www.ncdc.noaa.gov/data-access/radar-data/nexrad

 

————————我是深度學習影象的分割線————————

 

人工資料集

 

  • Arcade Universe：一個人工資料集生成器，影象包含街機遊戲 sprite，如 tetris pentomino / tetromino。該生成器基於 O. Breleux 的 bugland 資料集生成器。

  • 地址：https://github.com/caglar/Arcade-Universe

 

  • 以 Baby AI School 為靈感的資料集集合。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAISchool

 

  • Baby AI Shapes Dataset：區分 3 種簡單形狀。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIShapesDatasets

 

  • Baby AI Image And Question Dataset：一個問題-影象-答案資料集。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIImageAndQuestionDatasets

 

  • Deep Vs Shallow Comparison ICML2007：為實證評估深層架構而生成的資料集。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/DeepVsShallowComparisonICML2007

 

  • MnistVariations：在 MNIST 中引入受控變化。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/MnistVariations

 

  • RectanglesData：區分寬矩形和垂直矩形。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/RectanglesData

 

  • ConvexNonConvex：區分凸形和非凸形狀。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/ConvexNonConvex

 

  • BackgroundCorrelation：嘈雜 MNIST 背景下相關度的控制

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BackgroundCorrelation

 

人臉資料集

 

  • Labelled Faces in the Wild：13000 個經過裁剪的人臉區域（使用已經用名稱識別符號標記過的 Viola-Jones）。資料集中每個人員的子集裡包含兩個影象——人們常用此資料集訓練面部匹配系統。

  • 地址：http://vis-www.cs.umass.edu/lfw/

 

  •  UMD Faces：有 8501 個主題的 367，920 個面孔的帶註釋資料集。

  • 地址：http://www.umdfaces.io/

 

  • CASIA WebFace：超過 10，575 個人經面部檢測的 453，453 張影象的面部資料集。需要一些質量過濾。

  • 地址：http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html

 

  • MS-Celeb-1M：100 萬張全世界的名人圖片。需要一些過濾才能在深層網路上獲得最佳結果。

  • 地址：https://www.microsoft.com/en-us/research/project/ms-celeb-1m-challenge-recognizing-one-million-celebrities-real-world/

 

  • Olivetti：一些人類的不同影象。

  • 地址：http://www.cs.nyu.edu/~roweis/data.html

 

  • Multi-Pie：The CMU Multi-PIE Face 資料庫。

  • 地址：http://www.multipie.org/

 

  • Face-in-Action：http://www.flintbox.com/public/project/5486/

 

  • JACFEE：日本和白種人面部情緒表達的影象。

  • 地址：http://www.humintell.com/jacfee/

 

  • FERET：面部識別技術資料庫。

  • 地址：http://www.itl.nist.gov/iad/humanid/feret/feret_master.html

 

  • mmifacedb：MMI 面部表情資料庫。

  • 地址：http://www.mmifacedb.com/

 

  • IndianFaceDatabase：http://vis-www.cs.umass.edu/~vidit/IndianFaceDatabase/

 

  • 耶魯人臉資料庫：http://vision.ucsd.edu/content/yale-face-database

 

  • 耶魯人臉資料庫 B：http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html

 

  •  Mut1ny 頭部/面部分割資料集：畫素超過 16K 的面部/頭部分割影象

  • 地址：http://www.mut1ny.com/face-headsegmentation-dataset

 

————————我是深度學習視訊的分割線————————

 

視訊資料集

 

  • Youtube-8M：用於視訊理解研究的大型多樣化標記視訊資料集。

  • 地址：https://research.googleblog.com/2016/09/announcing-youtube-8m-large-and-diverse.html

 

文字資料集

 

  • 20 newsgroups：分類任務，將出現的單詞對映到新聞組 ID。用於文字分類的經典資料集之一，通常可用作純分類的基準或任何 IR /索引演算法的驗證。

  • 地址：http://qwone.com/~jason/20Newsgroups/

 

  • 路透社新聞資料集：（較舊）純粹基於分類的資料集，包含來自新聞專線的文字。常用於教程。

  • 地址：https://archive.ics.uci.edu/ml/datasets/Reuters-21578+Text+Categorization+Collection

 

  • 賓州樹庫：用於下一個單詞或字元預測。

  • 地址：http://www.cis.upenn.edu/~treebank/

 

  • UCI‘s Spambase：來自著名的 UCI 機器學習庫的（舊版）經典垃圾郵件資料集。根據資料集的組織細節，可以將它作為學習私人垃圾郵件過濾的基線。

  • 地址：https://archive.ics.uci.edu/ml/datasets/Spambase

 

  • Broadcast News：大型文字資料集，通常用於下一個單詞預測。

  • 地址：http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC97S44

 

  • 文字分類資料集：來自 Zhang et al., 2015。用於文字分類的八個資料集合集。這些是用於新文字分類基線的基準。樣本大小從 120K 至 3.6M 不等，範圍從二進位制到 14 個分類問題。資料集來自 DBPedia、亞馬遜、Yelp、Yahoo！和 AG。

  • 地址：https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M

 

  • WikiText：來自維基百科高質量文章的大型語言建模語料庫，由 Salesforce MetaMind 策劃。

  • 地址：http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset/

 

  • SQuAD：斯坦福問答資料集——應用廣泛的問答和閱讀理解資料集，其中每個問題的答案都以文字形式呈現。

  • 地址：https://rajpurkar.github.io/SQuAD-explorer/

 

  • Billion Words 資料集：一種大型通用語言建模資料集。通常用於訓練分散式單詞表徵，如 word2vec。

  • 地址：http://www.statmt.org/lm-benchmark/

 

  • Common Crawl：網路的位元組級抓取——最常用於學習單詞嵌入。可從 Amazon S3 上免費獲取。也可以用作網路資料集，因為它可在全球資訊網進行抓取。

  • 地址：http://commoncrawl.org/the-data/

 

  • Google Books Ngrams：來自 Google book 的連續字元。當單詞首次被廣泛使用時，提供一種簡單的方法來探索。

  • 地址：https://aws.amazon.com/datasets/google-books-ngrams/

 

  • Yelp 開源資料集：Yelp 資料集是用於 NLP 的 Yelp 業務、評論和使用者資料的子集。

  • 地址：https://www.yelp.com/dataset

 

————————我是深度學習文字的分割線————————

 

問答資料集

 

  • Maluuba News QA 資料集：CNN 新聞文章中的 12 萬個問答對。

  • 地址：https://datasets.maluuba.com/NewsQA

 

  • Quora 問答對：Quora 釋出的第一個資料集，包含重複/語義相似性標籤。

  • 地址：https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

 

  • CMU Q / A 資料集：手動生成的模擬問/答對，維基百科文章對其難度評分很高。

  • 地址：http://www.cs.cmu.edu/~ark/QA-data/

 

  • Maluuba 面向目標的對話：程式性對話資料集，對話旨在完成任務或做出決定。常用於聊天機器人。

  • 地址：https://datasets.maluuba.com/Frames

 

  • bAbi：來自 Facebook AI Research（FAIR）的綜合閱讀理解和問答資料集。

  • 地址：https://research.fb.com/projects/babi/

 

  • The Children’s Book Test：Project Gutenberg 提供的兒童圖書中提取的（問題+背景、答案）對的基線。用於問答（閱讀理解）和模擬查詢。

  • 地址：http://www.thespermwhale.com/jaseweston/babi/CBTest.tgz

 

情感資料集

 

  • 多領域情緒分析資料集：較舊的學術資料集。

  • 地址：http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

 

  • IMDB：用於二元情感分類的較舊、較小資料集。對文獻中的基準測試無法支援更大的資料集。

  • 地址：http://ai.stanford.edu/~amaas/data/sentiment/

 

  • Stanford Sentiment Treebank：標準情感資料集，在每個句子解析樹的每個節點都有細粒度的情感註釋。

  • 地址：http://nlp.stanford.edu/sentiment/code.html

 

推薦和排名系統

 

  • Movielens：來自 Movielens 網站的電影評分資料集，各類大小都有。

  • 地址：https://grouplens.org/datasets/movielens/

 

  • Million Song 資料集：Kaggle 上元資料豐富的大型開源資料集，可以幫助人們使用混合推薦系統。

  • 地址：https://www.kaggle.com/c/msdchallenge

 

  • Last.fm：音樂推薦資料集，可訪問深層社交網路和其它可用於混合系統的元資料。

  • 地址：http://grouplens.org/datasets/hetrec-2011/

 

  • Book-Crossing 資料集：來自 Book-Crossing 社群。包含 278,858 位使用者提供的約 271,379 本書的 1,149,780 個評分。

  • 地址：http://www.informatik.uni-freiburg.de/~cziegler/BX/

 

  • Jester：來自 73,421 名使用者對 100 個笑話的 410 萬個連續評分（分數從-10 至 10）。

  • 地址：http://www.ieor.berkeley.edu/~goldberg/jester-data/

 

  • Netflix Prize：Netflix 釋出了他們的電影評級資料集的匿名版；包含 480,000 名使用者對 17,770 部電影的 1 億個評分。首個主要的 Kaggle 風格資料挑戰。隨著隱私問題的出現，只能提供非正式版。

  • 地址：http://www.netflixprize.com/

 

————————我是深度學習圖表的分割線————————

 

網路和圖形

 

  • Amazon Co-Purchasing：亞馬遜評論從「購買此產品的使用者也購買了……」這一部分抓取資料，以及亞馬遜相關產品的評論資料。適合在網路中試行推薦系統。

  • 地址：http://snap.stanford.edu/data/#amazon

 

  • Friendster 社交網路資料集：在變成遊戲網站之前，Friendster 以朋友列表的形式為 103,750,348 名使用者釋出了匿名資料。

  • 地址：https://archive.org/details/friendster-dataset-201107

 

語音資料集

 

  • 2000 HUB5 English：最近在 Deep Speech 論文中使用的英語語音資料，從百度獲取。

  • 地址：https://catalog.ldc.upenn.edu/LDC2002T43

 

  • LibriSpeech：包含文字和語音的有聲讀物資料集。由多個朗讀者閱讀的近 500 小時的各種有聲讀物演講內容組成，包含帶有文字和語音的章節。

  • 地址：http://www.openslr.org/12/

 

  • VoxForge：帶口音的清晰英語語音資料集。適用於提升不同口音或語調魯棒性的案例。

  • 地址：http://www.voxforge.org/

 

  • TIMIT：英語語音識別資料集。

  • 地址：https://catalog.ldc.upenn.edu/LDC93S1

 

  • CHIME：嘈雜的語音識別挑戰資料集。資料集包含真實、模擬和乾淨的錄音。真實錄音由 4 個揚聲器在 4 個嘈雜位置的近 9000 個錄音構成，模擬錄音由多個語音環境和清晰的無噪聲錄音結合而成。

  • 地址：http://spandh.dcs.shef.ac.uk/chime_challenge/data.html

 

  • TED-LIUM：TED 演講的音訊轉錄。1495 個 TED 演講錄音以及這些錄音的文字轉錄。

  • 地址：http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus

 

————————我是深度學習音訊的分割線————————

 

音符音樂資料集

 

  • Piano-midi.de: 古典鋼琴曲

  • 地址：http://www.piano-midi.de/

 

  • Nottingham : 超過 1000 首民謠

  • 地址：http://abc.sourceforge.net/NMD/

 

  • MuseData: 古典音樂評分的電子圖書館

  • 地址：http://musedata.stanford.edu/

 

  • JSB Chorales: 四部協奏曲

  • 地址：http://www.jsbchorales.net/index.shtml

 

其它資料集

 

  • CMU 動作抓取資料集：http://mocap.cs.cmu.edu/

 

  • Brodatz dataset：紋理建模。

  • 地址：http://www.ux.uis.no/~tranden/brodatz.html

 

  • 來自歐洲核子研究中心的大型強子對撞機（LHC）的 300TB 高質量資料。

  • 地址：http://opendata.cern.ch/search?ln=en&p=Run2011A+AND+collection:CMS-Primary-Datasets+OR+collection:CMS-Simulated-Datasets+OR+collection:CMS-Derived-Datasets

 

  • 紐約出租車資料集：由 FOIA 請求而獲得的紐約出租車資料，導致隱私問題。

  • 地址：http://www.nyc.gov/html/tlc/html/about/trip_record_data.shtml

 

  • Uber FOIL 資料集：來自 Uber FOIL 請求的紐約 4.5M 拾取資料。

  • 地址：https://github.com/fivethirtyeight/uber-tlc-foil-response

 

  • Criteo 點選量資料集：來自歐盟重新定位的大型網際網路廣告資料集。

  • 地址：http://research.criteo.com/outreach/

 

健康 &生物資料

 

  • 歐盟傳染病監測圖集：http://ecdc.europa.eu/en/data-tools/atlas/Pages/atlas.aspx

 

  • 默克分子活動挑戰：http://www.kaggle.com/c/MerckActivity/data

 

  • Musk dataset: Musk dataset 描述了以不同構造出現的分子。每個分子都是 musk 或 non-musk，且其中一個構造決定了這一特性。

  • 地址：https://archive.ics.uci.edu/ml/datasets/Musk+(Version+2)

 

政府&統計資料

 

  • Data USA: 最全面的視覺化美國公共資料。

  • 地址：http://datausa.io/

 

  • 歐盟性別統計資料庫：http://eige.europa.eu/gender-statistics

 

  • 荷蘭國家地質研究資料 ：http://www.nationaalgeoregister.nl/geonetwork/srv/dut/search#fast=index&from=1&to=50&any_OR_geokeyword_OR_title_OR_keyword=landinrichting*&relation=within

 

  • 聯合國開發計劃署專案：http://open.undp.org/#2016

相關推薦

機器學習、深度學習開源資料集分享

轉自：機器學習演算法與Python學習 機器學習演算法與Python學習 微訊號guodongwei1991 功能介紹作為溝通學習的平臺，釋出機器學習與資料探勘、深度學習、Python實戰的前沿與動態，歡迎機器學習愛好者的加入，希望幫助你在AI領域更好的發展，期待與你相遇！ 今天

讀懂人工智慧、機器學習、深度學習、大資料，自然語言處理……

從機器學習談起 　　在本篇文章中，我將對機器學習做個概要的介紹。本文的目的是能讓即便完全不瞭解機器學習的人也能瞭解機器學習，並且上手相關的實踐。這篇文件也算是EasyPR開發的番外篇，從這裡開始，必須對機器學習瞭解才能進一步介紹EasyPR的核心。當然，本文也面對一般讀者，不會

人工智慧、機器學習、深度學習、資料探勘、資料分析

在開始學習python大資料之前，先要搞清楚人工智慧、機器學習、深度學習、資料探勘、資料分析都是什麼意思。 人工智慧大家族包含著豐富的內容，分清楚了每一項都是做什麼的，才能選對路線。 人工智慧AI 人工智慧分為強人工智慧和弱人工智慧。 強人工智慧是通過計算機來構造複雜的、擁有與人

“大資料”、“機器學習”、“深度學習”到底是什麼？

“大資料”、“機器學習”、“深度學習”到底是什麼？ 原創作者 https://mp.weixin.qq.com/s/8bcUEDcdr4Q5jH3-1hMSWQ 感覺很多朋友，對“大資料”、“機器學習”、“深度學習”等概念挺暈的，沒有感官的認識，這裡，我簡單說一下：“大

人工智慧、機器學習、深度學習、資料探勘、資料分析區分

在開始學習python大資料之前，先要搞清楚人工智慧、機器學習、深度學習、資料探勘、資料分析都是什麼意思。 人工智慧大家族包含著豐富的內容，分清楚了每一項都是做什麼的，才能選對路線。 人工智慧AI 人工智慧分為強人工智慧和弱人工智慧。 強人工智慧是通過計算機來構造複雜的、

python數據可視化、數據挖掘、機器學習、深度學習 常用庫、IDE等

深度學習 貝葉斯 int clip plot 隨機森林 isp mean notebook 一、可視化方法 條形圖 餅圖 箱線圖(箱型圖) 氣泡圖 直方圖 核密度估計(KDE)圖 線面圖 網絡圖 散點圖 樹狀圖 小提琴圖 方形圖 三維圖

大數據、人工智能、機器學習、深度學習，這些到底在說什麽？

大數據 大數據學習 編程語言 大數據開發 1，大數據、人工智能、機器學習、深度學習的關系。 大數據，或者說大數據分析平臺，更具體一點就是大數據分析PaaS平臺，其實是一種針對需要處理海量數據統計分析的PaaS雲平臺。 大數據學習可以加群：199427210 如果你正在學習大數據 ，小編歡迎

python、機器學習、深度學習資源推薦

一、公眾號資源推薦——公眾號“勇敢AI” “勇敢AI”——一個專注於人工智慧的微信公眾平臺。 本人新開創了一個公眾號，經過長時間的積累，也積累了大量的資源，有眾多的福利與大家分享，希望有興趣的關注一下 福利如下： 1、海量電子書資源     &nbs

人工智慧、機器學習、深度學習、神經網路概念說明

首先要簡單區別幾個概念：人工智慧，機器學習，深度學習，神經網路。這幾個詞應該是出現的最為頻繁的，但是他們有什麼區別呢？ 人工智慧：人類通過直覺可以解決的問題，如：自然語言理解，影象識別，語音識別等，計算機很難解決，而人工智慧就是要解決這類問題。 機器學習：機器學習是一種能夠賦予機器學習的能力以此讓它完成直

人工智慧和機器學習、深度學習的區別和聯絡

機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。 人工智慧 在1956年被提出，2012年之前一直飽受爭議，直到機器學習新演算法(深度學習)的出現，人工智慧迎來了大爆發。 人工智慧研究的分支有很多，包含：專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理

關於機器學習、深度學習基礎概念的一些理解

首先，根據問題的背景，需要選擇合適的機器學習或深度學習演算法去求解，也就是說需要訓練出一個模型來，這個模型的實際訓練過程是：當確定了機器學習模型後，需要在訓練集上進行訓練確定其中的權重和偏差引數（使用梯度下降演算法最小化損失函式），使用訓練資料集來訓練模型的過程稱作為模型擬合，確定的是引

機器學習、監督學習、非監督學習、強化學習、深度學習、遷移學習

文章目錄 機器學習（machine learning） 監督學習（supervised learning） 非監督學習（unsupervised learning） 強化學習（reinforcement learning） 傳統

自然語言處理、人工智慧、機器學習、深度學習和神經網路之間的介紹

人工智慧：建立能智慧化處理事物的系統。 自然語言處理：建立能夠理解語言的系統，人工智慧的一個分支。 機器學習：建立能從經驗中進行學習的系統，也是人工智慧的一個分支。 神經網路：生物學啟發出的人工神經元網路。 深度學習：在大型資料集上，建立使用深度神經網路的系統，機器學習的一個分支

機器學習、深度學習資源分享

https://a.eqxiu.com/s/fAx28a7m?eqrcode=1&share_level=2&from_user=cc272326-7e97-4826-b47d-6e4f42862bc6&from_id=706a4124-49f8-4da2-b800-

[轉] Julia是人工智慧、機器學習、深度學習和平行計算這些應用的較佳選擇

程式語言可謂種類繁多；數學家、研究人員和資料科學家面臨的一大問題常常是，找到實際上適合手頭處理的任何任務的某一種語言。 為了避免困難，總部位於孟加拉國和美國的初創公司Julia Computing的幾位聯合創始人開發出了一種通用程式語言：Julia，不是程式設計師的

一張圖解釋人工智慧、機器學習、深度學習三者關係

首先來一張圖：   人工智慧： 人工智慧（ArtificialIntelligence），英文縮寫為AI。是電腦科學的一個分支。人工智慧是對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也可能超過人的智慧。數學常被認為是多種學科的

（轉）一張圖解釋人工智慧、機器學習、深度學習三者關係

轉：https://baijiahao.baidu.com/s?id=1588563162916669654&wfr=spider&for=pc 對於很多初入學習人工智慧的學習者來說，對人工智慧、機器學習、深度學習的概念和區別還不是很瞭解，有可能你每天都能聽到這個概念，也經常提這個概念，但是

深度學習概率知識、線性代數、機器學習、深度學習、計算機視覺等熱點問題

深度學習500問，以問答形式對常用的概率知識、線性代數、機器學習、深度學習、計算機視覺等熱點問題進行闡述，以幫助自己及有需要的讀者。 全書分為15個章節，近20萬字 第一章 數學基礎 1 1.1標量、向量、張量之間的聯絡 1 1.2張量與矩陣的區別？ 1 1.3矩陣和向

人工智慧和機器學習、深度學習的關聯

人工智慧（AI）—— 為機器賦予人的智慧 機器學習一種實現人工智慧的方法 深度學習一種實現機器學習的技術   人工智慧的知識圖譜    AI、ML和DL的關係 由以上的關係圖我們可以看出，總結的說就是         &

Python機器學習、深度學習：快速、完全的Numpy入門指南

NumPy是python的第三方科學計算包，全名稱為Numerical Python extensions。NumPy包含以下幾個功能元件：強大的N維陣列物件（可以操控多為陣列），優美巧妙的功能（廣播）函式，對於線性代數，傅立葉變換，隨機數的生成有著很好的