...

本篇论文对机器去学习具有较好的一个综述，中文版的，适合入门的人

总结了贝叶斯方法在机器学习中的最新进展，具体内容包括被虐死机器学习的基础理论与方法，非参数贝叶斯方法已经常用的推理方法、正则化贝叶斯方法等。

机器学习综述 系统掌握机器学习研究 机器学习综述 系统掌握机器学习研究

广义逆矩阵（伪逆） 若A为非奇异矩阵,则线性方程组Ax=b的解为 其中A的A的逆矩阵 满足 (I为单位矩阵)。若A是奇异阵或长方阵, x=A+ b。A+叫做A的伪逆阵。 1955年R.彭罗斯证明了对每个m×n阶矩阵A,都存在惟一的n×m阶矩阵X，满足：①AXA=A；②XAX=X；③(AX)*＝I；④(XA)*＝I。通常称X为A的穆尔-彭罗斯广义逆矩阵,简称M-P逆，记作A+。 在矛盾线性方程组Ax＝b的最小二乘解中, x=A+b是范数最小的一个解。 在奇异值分解SVD的问题中，将继续该话题的讨论。

人在环路是通过整合人类的知识和经验，以最小的代价训练出准确的预测模型。人与机器更密切地进行合作、让双方发挥各自最主要的优势，达到效益最大化。来自华东师范大学研究人员关于人在环路机器学习综述论文，详细总结最新进展，非常值得关注!

机器学习(ML)中的可解释性对于高风险决策和故障排除是至关重要的。在这项工作中，我们提供了可解释性ML的基本原则，并消除了淡化这一关键话题的重要性的常见误解。

20页的综述报告，基础到最后的神经网络（线性模型-CNN-RNN-数据训练-神经网络优化），适合叫深度学习报告，word版本。温馨提示，没有实质仿真，确定好在下载，比起其他人可谓是良心了

图是连接数据网络结构的一种常用表示形式。图数据可以在广泛的应用领域中找到，如社会系统、生态系统、生物网络、知识图谱和信息系统。随着人工智能技术的不断渗透发展，图学习(即对图进行机器学习)越来越受到研究者和实践者的关注。图学习对许多任务都非常有效，如分类，链接预测和匹配。

图机器学习在学术界和工业界都得到了广泛的研究。然而，随着图学习文献的大量涌现，涌现出大量的方法和技术，对于不同的图相关任务，人工设计最优的机器学习算法变得越来越困难。为了解决这一关键挑战，图上的自动机器学习(AutoML)结合了图机器学习和自动学习的优点，正受到学术界的关注。