端到端自动化机器学习工具，用于解释和设计生物序列

BioAutoMATED | #工具 #机器学习

如果想从第一原理开始学习数据科学和机器学习，这个平台绝对是一个金矿！| 推文 | #机器学习

互动学习材料：

- Python
- 数据科学
- 机器学习
- 机器学习数学

MIT麻省理工学院关于深度学习方法的入门课程 | link | #机器学习

麻省理工学院深度学习方法入门课程，可应用于计算机视觉、自然语言处理、生物学等领域！

学生将获得深度学习算法的基础知识，并获得在 TensorFlow 中构建神经网络的实践经验。

先修课程需要微积分（即求导数）和线性代数（即矩阵乘法），有 Python 经验者将有所帮助，但并非必要。

这是一个独立的Python例子集，涵盖了常见的机器学习算法的起源和python实现示例。

Machine Learning Recipes | #机器学习

昆士兰大学录制的《Practical Deep Learning for Coders 2022》 | course | #教程 #机器学习

这个课程不会直接教你深度学习、神经网络的底层细节，而是教你如何使用开源模型，训练数据，微调参数。就像是编程，你可以把编译原理扔一边。比较适合做上层应用开发的同学。

深度学习数学工程 | YouTube | #机器学习 #电子书

本书提供了深度学习的完整且简明的数学工程概述。内容包括卷积神经网络、递归神经网络、transformer、生成式对抗网络、强化学习、图神经网络等。

书中聚焦于深度学习模型、算法和方法的基本数学描述，很大程度上与编程代码、神经科学关系、历史视角无关。数学基础的读者可以快速掌握现代深度学习算法、模型和技术的本质。

深度学习可以通过数学语言在许多专业人员可理解的层面上进行描述。工程、信号处理、统计、物理、纯数学等领域的读者可以快速洞察该领域的关键数学工程组成部分。

书里包含深度学习的基础原理、主要模型架构、优化算法等内容。另外还提供了相关课程、工作坊、源代码等资源。

本内容面向想要从数学工程视角理解深度学习的专业人员，内容覆盖了深度学习的主要技术，使用简明的数学语言描述深度学习的关键组成部分，是了解深度学习数学本质的很好资源。

机器学习工程开放书：一系列开放的方法，可帮助成功训练大型语言模型和多模态模型。

这是一本适合LLM/VLM培训工程师和操作人员的技术材料，包含大量脚本和复制粘贴命令。

ML Engineering Online Book | #机器学习

神经网络关键技术图解 | 论文地址 | github | #机器学习

作者把机器学习和神经网络领域的重要技术，都做成了神经回路图（Neural Circuit Diagrams，作者自研的图形语言），目的是展示神经网络架构的细节，便于学习和理解