开放下载！从RCNN到SSD,这应该是最全的一份目标检测算法盘点
从简单的图像分类到3D姿势识别，计算机视觉从来不缺乏有趣的问题和挑战。如何快速入门学习图像识别？我们整理了一份图像识别-目标检测入门必读电子手册，由浅入深逐步拆解目标检测常用的模型及方法 ，从RCNN到SSD,这应该是最全的一份目标检测算法盘点了，快来下载吧！
关于强化学习你应该了解的五件事儿
本文主要是讲解了机器学习中的强化学习方法的基本原理，常用算法及应用场景，最后给出了学习资源，对于初学者而言可以将其作为入门指南。
深度卷积神经网络演化历史及结构改进脉络-40页长文全面解读
从1989年LeCun提出第一个真正意义上的卷积神经网络到今天为止，它已经走过了29个年头。自2012年AlexNet网络出现之后，最近6年以来，卷积神经网络得到了急速发展，在很多问题上取得了当前最好的结果，是各种深度学习技术中用途最广泛的一种。
可视化Keras深度学习神经网络模型
为了使开发者更好的理解其开发的神经网络模型，Keras Python深度学习库提供了可视化神经网络模型的工具。在本文中，作者通过一个小例子，详细的介绍可视化的过程和原因。
一名工程师对于深度学习的理解－神经网络基础ANN
在这个数据和算法的时代，也需要更加贴近算法。于是从一名工程师角度出发，希望通过几篇文章，将深度学习基础记录下来，同时也是对于自己学习的总结和积累。总体思路是ANN－CNN－DNN，中间想起来有什么忘记的，也会加番。
特征工程(一)
机器学习流程在深入研究特征工程之前，让我们花点时间看看整个机器学习流水线。这将帮助我们更好地了解应用的大方向。为此，让我们从数据和模型等基本概念入手。
数据我们所说的数据是对现实世界现象的观察。例如，股票市场数据可能涉及对每日股票价格的观察，个别公司的收益公告，甚至专家的意见文章。
