一提起哲学，大家首先想到的可能是晦涩难懂的术语，认为那只是搞哲学的人为了显示自己的价值而制造的一些概念。对于很多理工科的学生来说，必修课是学习它们的唯一理由。它只包含一坨无聊的内容，如果不是为了毕业证或者奖学金大家绝对不会去碰它。
目录
- 哲学
- 人工智能能否实现？
- 听觉
- 语音识别简介
- 任务分类
- 常见概念
- 语音识别效果评测
- MFCC 特征提取教程
- MFCC 特征提取步骤
- 上述步骤的作用
- 美尔尺度(Mel Scale)
- 详细实现过程
- 计算梅尔滤波器组的参数
- Deltas 和 Delta-Deltas 特征
- 代码实现
- Filter Bank 特征 vs MFCC 特征
- 基于 HMM 的语音识别（一)
- 语音产生过程
- 听觉感知过程
- 信号处理
- 特征提取
- HMM 模型简介
- 基于 HMM 的语音识别（二)
- 高斯分布和 GMM
- 基于 HMM 的语音识别（三)
- 语音识别各模型的层次结构
- 连续语音识别
- HMM 模型在语音识别系统中的应用
- HMM 声学(Acoustic) 模型
- 语言模型
- 解码器(Decoder)
- WFST 简介
- 有穷自动机(FA)
- 加权有限状态转换器(WFST)
- WFST 在语音识别中的应用
- HMM 和 WFST 代码示例
- 代码和安装
- HMM 代码
- WFST 代码
- 深度学习在语音识别中的应用
- 深度学习和 HMM 的结合
- End-to-End 语音识别系统
- Kaldi 简介
- 简介
- thchs30 示例
- 视觉
- DeepSpeech 理论与实战
- DeepSpeech 简介
- DeepSpeech 代码
- 使用 Tensorflow 识别语音关键词
- 运行代码
- 命令行参数
- 数据目录结构
- 计算模型的设置参数
- AudioProcessor
- 构建训练的 Graph
- 训练一个 batch 的训练数据
- PyTorch-Kaldi 简介
- 架构
- 简介
- 依赖
- 安装
- TIMIT 教程
- Librispeech 教程
- PyTorch-Kaldi 的工作过程
- 配置文件
- 自己用 PyTorch 实现神经网络（声学模型)
- 超参数搜索
- 使用自己的数据集
- 使用自定义的特征
- Batch 大小、learning rate 和 dropout 的调度
- 不足
- 视觉任务简介
- 目标检测
- R-CNN
- Fast R-CNN
- Faster R-CNN
- Feature Pyramid Networks(FPN)
- Fast/Faster/Mask R-CNN 总结
- R-CNN
- Fast R-CNN
- Faster R-CNN
- Mask R-CNN
- Faster R-CNN 代码简介
- 安装
- 数据准备
- 训练
- 测试
- 预测
- Mask R-CNN 代码简介
- 安装
- demo.ipynb
- train_shapes.ipynb
- inspect_data.ipynb
- Neural Style Transfer
- 简介
- 原理
- 代码
- 用 Cycle GAN 实现 Image to Image Tanslation
- Image to Image Tanslation 简介
- 训练数据
- 基本原理
- 形式化描述
- 和 Neural Style Transfer 的区别
- 代码
- 语言
- Word Embedding 教程
- 词的表示方法
- one-hot 向量
- 神经网络语言模型
- Word2Vec
- 代码
- 循环神经网络简介
- RNN
- RNN 的扩展
- RNN 代码示例
- LSTM/GRU
- 语言模型教程
- 简介
- 马尔科夫模型
- 语言模型的平滑
- 语言模型的评价标准
- RNN 语言模型
- 文本分类算法
- 朴素贝叶斯分类器
- 逻辑回归
- 最大熵模型
- 逻辑回归和最大熵模型的等价性
- 对数线性模型
- 传统机器学习算法的缺点
- 深度学习的优点
- 序列标注算法（一)
- 词性标注(Part-of-speech/POS tagging)
- 用 HMM 来进行序列标注
- MEMM
- CRF
- CRF 实战
- 成分句法分析
- 简介
- 上下文无关文法(Context-Free Grammars/PCFGs)
- CFG 的歧义
- PCFGs 的定义
- PCFGs 的参数估计
- PCFGs 的 Parsing
- 词汇化的(Lexicalized)PCFGs
- 成分句法分析的效果评估
- 基于神经网络的依存句法分析
- A Fast and Accurate Dependency Parser using Neural Networks
- 代码实现
- Simple and Accurate Dependency Parsing Using Bidirectional LSTM Feature Representations
- 机器翻译
- IBM 模型
- 基于短语的(phrase based) 统计机器翻译
- Google NMT
- Stanford Core NLP 用法简介
- 简介
- Annotation 和 Annotator
- Annotator 列表
- CoreNLP Server
- 使用 PyTorch 实现 Chatbot
- 效果
- 准备
- 加载和预处理数据
- 定义模型
- 定义训练过程
- 效果测试
- 训练和测试模型
- 结论
- Transformer 图解
- 概述
- Transformer 代码阅读
- 运行代码
- 背景介绍
- 模型结构
- Encoder 和 Decoder Stack
- MultiHeadedAttention
- MultiHeadedAttention 的应用
- 全连接 SubLayer
- Embedding 和 Softmax
- 位置编码
- 完整模型
- 训练
- BERT 模型详解
- 背景简介
- Skip Thought Vector
- ELMo
- OpenAI GPT
- BERT
- BERT 代码阅读
- 安装
- 预训练的模型
- 运行 Fine-Tuning
- DataProcessor
- MrpcProcessor
- 分词
- run_classifier.py 的 main 函数
- BertModel 类
- 自己进行 Pretraining
- 强化学习
- 强化学习简介（一)
- 引言
- 马尔科夫决策过程(MDP)
- OpenAI Gym 简介
- 强化学习简介（二)
- 简介
- 策略评估(Policy Evaluation)
- 策略评估代码示例
- 策略提升(Policy Improvement)
- 策略迭代(Policy Iteration)
- 策略迭代代码示例
- 价值迭代(Value Iteration)
- 价值迭代代码示例
- 通用策略迭代(Generalized Policy Iteration/GPI)
- 强化学习简介（三)
- 蒙特卡罗预测(Monte Carlo Prediction)
- 21 点游戏(Blackjack)
- 蒙特卡罗预测代码示例
- 蒙特卡罗控制
- 多臂老虎机和 UCB
- On-Policy 蒙特卡洛控制
- On-Policy 蒙特卡罗控制代码示例
- Off-Policy 蒙特卡罗预测
- Off-Policy 蒙特卡罗控制
- Off-Policy 蒙特卡罗控制代码示例
- 动态规划和蒙特卡罗方法的比较
- 强化学习简介（四)
- 时间差分预测(TD Prediction)
- Driving Home 例子
- TD 和 MC 的比较
- SARSA
- Windy Gridworld 环境介绍
- SARSA 代码
- Q-学习(Q-Learning)
- Q-Learning 代码
- 强化学习简介（六)
- Reward
- Policy Gradient 定理
- Policy Gradient 定理的推导
- Deep Q-Learning
- 简介
- 普通的函数近似存在的问题
- Experience Replay
- Target Network
- 状态表示
- DQN 算法
- DQN 解决 Mountain Car 问题
- 用 DQN 来玩 Atari Breakout
- Policy Gradient
- 原理回顾
- 使用深度学习框架
- 用 Policy Gradient 玩 Pong 游戏
- AlphaGo
- MiniMax 搜索/Alpha-Beta 剪枝和象棋
- 围棋为什么不能用类似的方法
- MCTS 介绍
- CNN 和 Move Prediction
- AlphaGo 的基本原理
- AlphaGo 的实现细节
- AlphaGoZero
- 基本原理
- 实验分析
- AlphaGo Zero 学到的围棋知识
- AlphaGo Zero 的最终棋力
- 实现细节
- AlphaZero
- 简介
- 图解
- 实验结果
- 实现细节
- 用 AlphaZero 来玩 Connect4 游戏
- Connect4 规则简介
- 获取代码
- 代码阅读
- 测试代码
- 其它
- 自动微分
- 引言
- 数值微分
- 符号微分
- 自动微分
- Xgboost 算法
- CART 树简介
- Boost 算法
- XgBoost 算法
- 在 Docker 中使用 Tensorflow Serving
- 简介
- Nvidia-Docker 简介
- nvidia-docker 的安装
- 使用 Docker 来运行 Tensorflow Serving
- 使用 GPU
- 使用 Docker 来开发
- 自己构建 Tensorflow Serving 镜像
- Tensorflow 简明教程
- 概述
- Tensor
- 数据流图
- Operation
- Graph
- 什么是 tf.Graph
- 常量
- placeholder 和 feeddict
- 变量
- Session
- 常见错误
- layers
- 线性回归的例子
- PyTorch 简明教程
- 60 分钟 PyTorch 教程
- 通过例子学 PyTorch
- 迁移学习示例
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论