機器學習推薦的論文和文章

基本模型:
1、HMM(Hidden Markov Models):
    A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition.pdf

2、ME(Maximum Entropy):
    ME_to_NLP.pdf

3、MEMM(Maximum Entropy Markov Models):
    memm.pdf

4、CRF(Conditional Random Fields):
    An Introduction to Conditional Random Fields for Relational Learning.pdf
    Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data.pdf

5、SVM(support vector machine):
    張學工<<統計學習理論>>

6、LSA(or LSI)(Latent Semantic Analysis):
    Latent semantic analysis.pdf

7、pLSA(or pLSI)(Probablistic Latent Semantic Analysis):
    Probabilistic Latent Semantic Analysis.pdf

8、LDA(Latent Dirichlet Allocation):
    Latent Dirichlet Allocaton.pdf(用variational theory + EM演算法解模型)
    Parameter estimation for text analysis.pdf(using Gibbs Sampling 解模)

9、Neural Networksi(including Hopfield Model& self-organizing maps & Stochastic networks & Boltzmann Machine etc.):
    Neural Networks – A Systematic Introduction

10、Diffusion Networks:
     Diffusion Networks, Products of Experts, and Factor Analysis.pdf

11、Markov random fields:

12、Generalized Linear Model(including logistic regression etc.):
     An introduction to Generalized Linear Models 2nd

13、Chinese Restraunt Model (Dirichlet Processes):
     Dirichlet Processes, Chinese Restaurant Processes and all that.pdf
     Estimating a Dirichlet Distribution.pdf

=================================================================
Some important algorithms:

1、EM(Expectation Maximization):
    Expectation Maximization and Posterior Constraints.pdf
    Maximum Likelihood from Incomplete Data via the EM Algorithm.pdf

2、MCMC(Markov Chain Monte Carlo) & Gibbs Sampling:
    Markov Chain Monte Carlo and Gibbs Sampling.pdf
    Explaining the Gibbs Sampler.pdf
    An introduction to MCMC for Machine Learning.pdf

3、PageRank:

4、矩陣分解演算法:
    SVD, QR分解, Shur分解, LU分解, 譜分解

5、Boosting( including Adaboost):
    adaboost_talk.pdf

6、Spectral Clustering:
    Tutorial on spectral clustering.pdf

7、Energy-Based Learning:
    A tutorial on Energy-based learning.pdf

8、Belief Propagation:
    Understanding Belief Propagation and its Generalizations.pdf
    bp.pdf
    Construction free energy approximation and generalized belief

9、propagation algorithms.pdf
    Loopy Belief Propagation for Approximate Inference An Empirical Study.pdf
    Loopy Belief Propagation.pdf

10、AP (affinity Propagation):

11、L-BFGS:
     <<最優化理論與演算法 2nd>> chapter 10
     On the limited memory BFGS method for large scale optimization.pdf

12、IIS:
     IIS.pdf

=================================================================
理論部分：
1、概率圖(probabilistic networks):
     An introduction to Variational Methods for Graphical Models.pdf
     Probabilistic Networks
     Factor Graphs and the Sum-Product Algorithm.pdf
     Constructing Free Energy Approximations and Generalized Belief Propagation Algorithms.pdf
     *Graphical Models, exponential families, and variational inference.pdf

2、Variational Theory(變分理論，我們只用概率圖上的變分):
     Tutorial on varational approximation methods.pdf
     A variational Bayesian framework for graphical models.pdf
     variational tutorial.pdf

3、Information Theory:
    Elements of Information Theory 2nd.pdf

4、測度論：
    測度論(Halmos).pdf
    測度論講義(嚴加安).pdf

5、概率論:
    ……
    <<概率與測度論>>

6、隨機過程:
    應用隨機過程 林元烈 2002.pdf
    <<隨機數學引論>>

7、Matrix Theory:
    矩陣分析與應用.pdf

8、模式識別：
    <<模式識別 2nd>> 邊肇祺
    Pattern Recognition and Machine Learning.pdf

9、最優化理論:
    <<Convex Optimization>>
    <<最優化理論與演算法>>

10、泛函分析：
     <<泛函分析導論及應用>>

11、Kernel理論：
     <<模式分析的核方法>>

12、統計學:
     ……
     <<統計手冊>>

==========================================================
綜合:

1、semi-supervised learning:
    <<Semi-supervised Learning>> MIT Press
    semi-supervised learning based on Graph.pdf

2、Co-training:

3、Self-training: