深度學習微信精選文章

公衆號——深度學習每日摘要

全部文章（持續更新中）：

1. 聊聊語音識別的發展歷程

2. 說說重要的貝葉斯公式吧

3. 我對入門深度學習的切身體會

4. 聊聊隱馬爾科夫模型（HMM）

5. 關於防止過擬合的一些想法

6. 我與數據打交道（一）

7. 我與數據打交道（二）

8. 我與數據打交道（三）

9. 我所理解的深度學習（一）——BP圖模型算法

10. 我所理解的深度學習（二）——卷積神經網絡基礎

11. 我所理解的深度學習（三）——卷積神經網絡應用①

12. 【AD1】有哪些基本的排序算法

13. 【AD2】聊聊組合與排列

14. 【AD3】一個算法問題的三種思考方式

15. 我所理解的深度學習（四）——卷積神經網絡應用②

16. 【AD4】再敘快排

17. 【AD5】什麼是自平衡二叉查找樹

18. 分析堆排序

19. 【AD6】如何進行歸併排序

20. 我對GMM的理解（一）

21. 我對GMM的理解（二）

22. 我對隨機梯度降低的理解（一）

23. 我對隨機梯度降低的理解（二）

24. 如何評價一個機器學習模型

25. K-最近鄰算法的應用

26. 樸素貝葉斯（Naive Bayes）

27. 決策樹（Decision Tree）

28. Bagging,Random Forests以及Boosting

29. K-Means集羣算法

30. 我對推薦系統的理解

31. RNN-maxout+VGG+LSTM組合模型用於聲學建模

32. 語言模型之N-gram

33. 如何評價一個語言模型（LM）

34. 時序分類算法之Connectionist Temporal Classification（CTC）

35. 我對動態規劃算法的理解（一）

36. 我對動態規劃算法的理解（二）

37. 我對動態規劃的理解（三）

38. RL（一）——馬爾科夫決策過程

39. 基於強化學習開發人機對弈五子棋遊戲

40. n-Armed Bandit Problem（一）

41. TensorFlow(一)——基礎圖模型

42. TensorFlow(二)——邏輯迴歸

43. n-Armed Bandit Problem（二）

44. 什麼是對抗式生成網絡

45. TensorFlow(三)——卷積神經網絡用於手寫字識別

46. 資源彙總|如何成爲一名數據科學家

47. TensorFlow(四)——構建自動編碼器用於數據壓縮及復原

48. Prisma修圖軟件的圖片風格轉換算法

49. 深度殘差學習框架（Deep Residual Learning）

50. TensorFlow(五)——構建深度殘差學習網絡

51. 如何計算字符串編輯距離

52. 微軟2016年最新語音識別系統

53. 基於注意力模型的TIMIT語音識別系統

54. models/autoencoder源碼閱讀（一）

55. models/autoencoder源碼閱讀（二）

56. models/autoencoder源碼閱讀（三）

57. 運用Res-GRU神經網絡進行圖片壓縮

58. 如何用神經網絡進行圖片無損壓縮

59. 從頭寫一個朋友圈紅包圖片

60. Tensorflow|如何保存或導入訓練好的模型

61. 如何理解機器學習中的bias與variance

62. 如何計算語音識別中的字母錯誤率

63. 如何用Git同步兩臺電腦

64. 漫談RNN之基本概念

65. 深度殘差學習框架（續）

66. 漫談RNN之訓練方法

67. 漫談RNN之梯度消失及梯度爆炸

68. 漫談RNN之長短時間記憶模型LSTM

69. 漫談RNN之長短時間記憶模型LSTM（續）

70. 漫談RNN之序列建模（機器翻譯篇）

71. 漫談RNN之序列建模（機器造句篇）