机器学习论文合集（PDF格式）
简介
本仓库提供了一个包含25篇机器学习经典论文的合集，所有论文均以PDF格式打包在机器学习论文合集（pdf格式）.zip文件中。这些论文涵盖了从基础理论到前沿应用的广泛领域，适合对机器学习感兴趣的研究人员、学生和从业者阅读和参考。
论文列表
以下是合集中包含的论文列表及其简要描述：
-
Efficient sparse coding algorithms
论文附有代码，介绍了高效的稀疏编码算法。 -
Follow the moving leader in deep learning
介绍了在深度学习中跟随移动领导者的方法。 -
Efficient algorithms for online decision problems
探讨了在线决策问题的有效算法。 -
Adam: A method for stochastic optimization
介绍了Adam优化方法，广泛应用于深度学习中的随机优化问题。 -
Efficient sparse coding algorithms
进一步探讨了高效的稀疏编码算法。 -
Factor Group-Sparse Regularization for Efficient Low-Rank Matrix Recovery
研究了因子组稀疏正则化在低秩矩阵恢复中的应用。 -
Jointly sparse hashing for image retrieval
提出了联合稀疏哈希方法用于图像检索。 -
Efficient training of very deep neural networks for supervised hashing
研究了深度神经网络在监督哈希中的高效训练方法。 -
Person re-identification by probabilistic relative distance comparison
通过概率相对距离比较进行行人重识别。 -
Person re-identification by local maximal occurrence representation and metric learning
通过局部最大出现表示和度量学习进行行人重识别。 -
Show, tell and discriminate: Image captioning by self-retrieval with partially labeled data
通过自我检索和部分标注数据进行图像描述。 -
Exploring visual relationship for image captioning
探索视觉关系在图像描述中的应用。 -
Image Super-Resolution Using Deep Convolutional Networks
使用深度卷积网络进行图像超分辨率处理。 -
Deconvolutional networks
介绍了反卷积网络在计算机视觉中的应用。 -
Rich feature hierarchies for accurate object detection and semantic segmentation
构建丰富的特征层次结构用于精确的目标检测和语义分割。 -
Fast R-CNN
介绍了Fast R-CNN算法，用于快速目标检测。 -
You Only Look Once: Unified Real-Time Object Detection
提出了YOLO算法，实现统一实时目标检测。 -
Gradient-based learning applied to document recognition
基于梯度的学习方法应用于文档识别。 -
Reducing the dimensionality of data with neural networks
使用神经网络降低数据维度。 -
Imagenet classification with deep convolutional neural networks
使用深度卷积神经网络进行ImageNet分类。 -
Visualizing and understanding convolutional networks
可视化和理解卷积神经网络。 -
Going deeper with convolutions
深入探讨卷积网络的应用。 -
Group normalization
介绍了组归一化方法。 -
Generative adversarial nets
提出了生成对抗网络（GAN）。 -
Disentangled representation learning GAN for pose-invariant face recognition
使用GAN进行姿态不变的人脸识别。
使用方法
- 点击
机器学习论文合集（pdf格式）.zip文件进行下载。 - 解压缩文件后，即可查看和阅读所有论文。
贡献
如果您有更多高质量的机器学习论文资源，欢迎提交PR或联系我们，共同丰富本仓库的内容。
许可证
本仓库中的所有资源仅供学习和研究使用，请勿用于商业用途。具体使用条款请参考每篇论文的版权声明。