Source: http://ml.memect.com/archive/2015-08-22/long.html
应对非均衡数据集分类问题的八大策略
来自 @爱可可-爱生活 好东西传送门整理
关键词：资源, Jason Brownlee, 课程
【应对非均衡数据集分类问题的八大策略】《8 Tactics to Combat Imbalanced Classes in Your Machine Learning Dataset》by Jason Brownlee [1] [1] http://machinelearningmastery.com/tactics-to-combat-imbalanced-classes-in-your-machine-learning-dataset/
Social Personalisation & Search 2015论文集
来自 @爱可可-爱生活 好东西传送门整理
关键词：会议活动, 应用, SIGIR, 会议, 信息检索
【SPS 2015论文集】”Proceedings of the International Workshop on Social Personalisation & Search co-located with SIGIR 2015″ [1] [1] http://ceur-ws.org/Vol-1421/
LibISR: 实时3D模型追踪
来自 @Carl禹衡 好东西传送门整理
关键词：应用, 代码, 机器人, 牛村
离开牛村robotics前分享下自己的开源代码：gSLICr, 比SLIC快100倍的superpixel: [2] ; LibISR: 实时3D模型追踪: [2] ; InfiniTAM: 实时大范围场景重构: [3] @视觉机器人 @图像视觉研究 [1] https://github.com/carlren/LibISR
[2] https://github.com/carlren/LibISR
[3] https://github.com/victorprad/InfiniTAM
多模态数据融合的深度监督式主题模型 Deep DocNADE
来自 @郑胤THU 好东西传送门整理
关键词：自然语言处理, 代码, 论文, 主题模型
我的关于多模态数据融合的深度监督式主题模型（Supervised Deep DocNADE）已经被PAMI接收，目前在MIR Flickr上面做到了state of the art。项目的主页： [1] ， 文章 [2] ， Github： [3] @邓亚峰-open @刘知远THU @鲁东东胖 @丕子 @邓侃 @梁斌penny [1] https://sites.google.com/site/zhengyin1126/home/supdeepdocnade
[2] http://arxiv.org/abs/1409.3970
[3] https://github.com/Ian09/SupervisedDeepDocNADE
Dither 的效果好于dropout的深度学习
来自 @闫安Jon 好东西传送门整理
关键词：深度学习, 视觉, 算法, 论文, 神经网络
[1508.04826] Dither is Better than Dropout for Regularising Deep Neural Networks [1] 用256个样本训练 MNIST 并在10000个样本上测试，dither 的效果要好于50% dropout。这里 dither 的意思就是在输入的图像上增加一个均匀分布且均值为0的噪声。 [1] http://arxiv.org/abs/1508.04826
完整版
点此链接查看全部22条：http://ml.memect.com/archive/2015-08-22/long.html