【Python时序分析(TSA)】《Time Series Analysis (TSA) in Python - Linear Models to GARCH》by Brian Christopher O网页链接
混合高斯模型在半监督学习中的应用 O网页链接 - 数据科学家快报
《Predictive Business Process Monitoring with LSTM Neural Networks》N Tax, I Verenich, M L Rosa, M Dumas [Eindhoven University of Technology, The Netherlands & Queensland University of Technology & University of Tartu] (2016) O网页链接 GitHub:O网页链接
学习TensorFlow中“学习”的技术，好拗口哦，Learning to Learn in TensorFlow，代码：O网页链接 论文，Learning to learn by gradient descent by gradient descent，O网页链接
波士顿动力最新机器人亮相NIPS 2016，但还未用到机器学习 O网页链接 → 波士顿动力公司发明的机器人利用操控和视觉方面取得的先进性进展发展出了送包裹的技能。
NIPS'16上一篇非常fancy的文章——改进了activation maximization，使得生成图像的质量大幅提高，逼近真实。文章传送门：O网页链接
《Predictive Business Process Monitoring with LSTM Neural Networks》N Tax, I Verenich, M L Rosa, M Dumas [Eindhoven University of Technology, The Netherlands & Queensland University of Technology & University of Tartu] (2016) O网页链接 GitHub:O网页链接
独家对话NIPS 2016最佳论文作者：如何打造新型强化学习观 O网页链接 → NIPS 2016 的最佳论文是：《Value Iteration Networks》
【DeepMind NIPS论文集锦】《DeepMind Papers @ NIPS (Part 1) | DeepMind》 O网页链接
Part2: O网页链接
Part3:O网页链接
- 【TensorFlow——可扩展机器学习框架】《TensorFlow: A Framework for Scalable Machine Learning - YouTube》by Martin Wicke O网页链接
- 《CoCoA: A General Framework for Communication-Efficient》 作者Virginia Smith, Simone Forte, Chenxin Ma, Martin Takac, Michael I. Jordan, Martin Jaggi。文章面向分布式环境提出一种通用的通信优化框架CoCoA，以解决机器学习和信号处理中的一系列问题。O网页链接
NIPS16创记录的六千人大会正在召开，AMiner.org发布2016年机器学习领域的最具影响力科学家榜单O网页链接 该榜单收录了在过去30年机器学习顶级会议ICML和NIPS上发表论文的引用数排名前100名的学者。榜单前10名为Andrew Y. Ng, Michael I. Jordan, David M. Blei, Robert E. Schapire, Andrew Mccallum, John D. Lafferty, Geoffrey Hinton, Bernhard Schölkopf,Yoav Freund,和Zoubin Ghahramani.
《加速云CEO邬刚：FPGA在深度学习中的应用》via:@将门创业 O干货 | 加速云CEO邬刚：FPGA在深度学习中的应用
【学习】Aggregated Residual Transformations for Deep Neural Networks O【学习】Aggregated Residual Transformation...
【新智元导读】神经网络在图像中的物体识别上准确率做到75%，这是来自芬兰的一群研究员在NIPS2016 上公布的最新成果。他们使用的核心概念是“感知分组” （Perceptual Grouping），把感知到的表征信息进行分组，然后学习，整个神经网络会被复制4次，系统会对每一个复制的神经网络层进行学习。研究人员称：这是一项具有革命意义的研究，因为它把无监督学习的实现又向前推了一步。被称为RNN 之父的人工智能“无冕之王”的Jürgen Schmidhuber 是论文作者之一。_O_NIPS'16 | 无监督学习“感知分组”概念获突破，《NIPS'16 | 无监督学习“感知分组”概念获突破，深度学习或迎来变革》via:@新智元 _O_NIPS'16 | 无监督学习“感知分组”概念获突破，《Tagger: Deep Unsupervised Perceptual Grouping》K Greff, A Rasmus, M Berglund, T H Hao, J Schmidhuber, H Valpola [The Curious AI Company & IDSIA] (2016) O网页链接GitHub:O网页链接
谷歌 Embedding Projector 开源，高维数据可视化变得超简单！Open sourcing the Embedding Projector: a tool for visualizing high dimensional data，网址：O网页链接 博文介绍：O网页链接 教程：O网页链接 论文：O网页链接
【每日一推】ICLR 2016 会议论文一篇《Super-Resolution with Deep Convolutional Sufficient Statistics》 by Joan Bruna, Pablo Sprechmann and Yann Lecun.利用深度卷积神经网络解决高维度下的结构预测问题。O网页链接
2016年深度学习的主要进展，The major advancements in Deep Learning in 2016，O网页链接
- 轻型CNN用于深度人脸表达，Lightened CNN for Deep Face Representation，代码：O网页链接 深度人脸表达是基于卷积神经网络来学习面部的鲁棒特征来进行人脸验证任务。流行的深度学习框架caffe用于面部数据集的训练，例如CASIA-WebFace，VGG-Face和MS-Celeb-1M。特征提取是通过python代码caffe_ftr.py实现的。
