研究机器人时，使机器人能够应对环境、传感器、执行机构、内部模型、近似算法等所带来的不确定性是必须面对的问题。 概率机器人在slam领域被推荐，内容也很充实，对概率机器人学这一新兴领域进行了全面的介绍。概率机器人学依赖统计技术表示信息和进行决策，以容纳当今大多数机器人应用中必然存在的不确定性 ...

近年来，Python语言成为了广受欢迎的编程语言，而它在机器学习领域也有很好的表现。scikit-learn是一个用Python语言编写的机器学习算法库，它可以实现一系列常用的机器学习算法，是一个好工具。从感知机到人工神经网络，非线性决策边界，前馈人工神经网络和反馈人工神经网络，多层感知机，训练 ...

概要 从开始写博客到现在已经学完三个章节了，普林斯顿微积分确实是一本适合时不时回过头来翻阅的书，这本书应该说很好懂，里面也仅仅包含了单变量微积分的内容，但它里面的语言体系确实是非常出色的，有助于初学者快速建立起关于高等数学的一些基本概念。俗话说得好，实践出真知，学好数学不是一定要做题目，但一定 ...

探索机器学习，使用Scikit-Learn全程跟踪一个机器学习项目的例子；探索各种训练模型；使用TensorFlow库构建和训练神经网络，深入神经网络架构，包括卷积神经网络、循环神经网络和深度强化学习，学习可用于训练和缩放深度神经网络的技术。 主要分为两个部分。第一部分为第1章到第8章，涵盖 ...

人工智能学习过程中必须掌握线性代数、微积分、概率论、优化理论等知识，在优化方面感觉《凸优化》翻译得很好，是原理和应用的一个很好的折中，两方面都有太多值得深挖的东西。 机器学习会涉及到优化内容，凸优化内容非常丰富。理论部分不仅涵盖了凸优化的所有基本概念和主要结果，还详细介绍了几类基本的凸优化问题 ...

我虽然很喜欢模式识别和机器学习，但我暂时并不希望在这上面做深入的研究，只想把别人研究好的成熟的理论用在计算机视觉任务上。比如SVM，Adaboost，EM，朴素贝叶斯，K近邻，决策树等等。能够知道每种算法的原理，而并不想深究其实现过程以及理论证明。比如SVM，我想知道的是这种算法如何实现分类 ...

机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 入门建议参考《机器学习实战》，分为4个部分，分别是分类（有监督学习，包括 ...

Python之所以流行，原因在于 语言本身优美，表达力强。适合做快速原型开发。且学习曲线平坦，上手快。Python的库比较庞大，需要一本书来梳理一下，最好是按库的功能来粗略地分类，方便我们通过目录快速查阅。而Python3标准库全文1000+页，一共19章，每一章都是按照一个主题来介绍相关的库 ...