Références utiles

Livres

  • Bayesian Reasoning and Machine Learning de David Barber [pdf]
  • The Elements of Statistical Learning de Trevor Hastie, Robert Tibshirani et Jerome Friedman [html] [pdf]
  • Information Theory, Inference, and Learning Algorithms de David J.C. MacKay [html] [pdf]
  • Convex Optimization de Stephen Boyd et Lieven Vandenberghe [pdf] [html]
  • Natural Image Statistics de Aapo Hyvärinen, Jarmo Hurri et Patrik O. Hoyer [html] [pdf]
  • The Quest for Artificial Intelligence - A History of Ideas and Achievements de Nils J. Nilsson [html] [pdf]
  • Gaussian Processes for Machine Learning de Carl Edward Rasmussen et Christopher K. I. Williams [html] [pdf]
  • Introduction to Information Retrieval de Christopher D. Manning, Prabhakar Raghavan et Hinrich Schütze [html] [pdf]

Revues scientifiques

  • Journal of Machine Learning Research [html] [articles]
  • Neural Computation [html]

Conférences

  • Neural Information Processing Systems (NIPS) [html] [articles]
  • International Conference on Machine Learning (ICML) [html]
  • International Conference on Artificial Intelligence and Statistics (AISTATS) [html]
  • Uncertainty in Artificial Intelligence (UAI) [html] [articles]

Autres

  • Learning deep architectures for AI (revue de la littérature sur le deep learning) par Yoshua Bengio [pdf]
  • The Matrix Cookbook ("Livre de recettes" des matrices) par Kaare Brandt Petersen et Michael Syskind Pedersen [pdf]
  • Structured Learning and Prediction in Computer Vision (tutoriel sur la prédiction de cibles structurées appliquée à la vision par ordinateur) par Sebastian Nowozin et Christoph Lampert [pdf]

Code et jeux de données

  • MLPython: la librairie d'apprentissage automatique utilisée et développée par mon groupe (voir la documentation ici);
  • Theano: une librairie Python permettant de facilement définir, calculer, optimiser et manipuler symboliquement des expressions mathématiques, sur CPU ou GPU (carte graphique);
  • CUDAMat: une librairie Python supportant le calcul d'opérations matricielles simples sur GPU;
  • GNumPy: une librairie similaire à NumPy, mais dédiée au calcul matriciel sur GPU;
  • deeplearning.net: site web dédié à l'apprentissage de réseaux profonds, donnant accès à plusieurs jeux de données et librairies utiles dans la recherche sur ce sujet;
  • LIBSVM datasets: répertoire de jeux de données pour la recherche en apprentissage automatique, tous en format LIBSVM.