分享几篇集成学习的文章，不一定是最优的文章，但一定是使我有所收获的文章
- 集成学习是一个宽泛的概念，泛指通过组合几个若的学习器，得到一个强的学习器。
- 集成学习是商用（商业应用考虑的因素更多，可控、稳定、性能好）和竞赛上被常用并且效果极佳的方案。
- 集成学习通常分为bagging和boosting两种策略，通常boosting方法只能串行训练，训练速度比较慢，但是XGboost是一个性能优异的boosting集成学习方法，较好的克服了boosting的缺陷
集成学习
Bagging与Boosting的概念与区别
随机森林算法RT
xgboost的原理没你想像的那么难
GBDT算法
Boosting学习笔记（Adboost、GBDT、Xgboost）
STACKing数据挖掘
关于ML的优质文章
对Tensorflow/Theano/CNTK的高级封装库keras
最优化常用方法，几种常用最优化方法
对神经网络的训练过程就是一个求最优化问题，所以最优化方法是深度学习的核心，常见的梯度下降法,随机梯度下降法SGD，小批量梯度下降法，动量法等，标题两篇文章图文并茂的解释了这些方法的优缺点，适用范围。
LSTM时间序列分类(Sequence classification with LSTM)
时间序列分类的情形如：阿里云天池恶意软件检测比赛中的数据，是程序调用接口的日志记录，以此为输入数据对程序恶意类别进行多分类。和NLP中的文本主题分类是类似/情感识别的问题。这篇英文文章从原理到实践讲了LSTM序列多分类方法，英语不好的我也能读懂。
RNN
CNN
ResNet 残差网络，让CNN网络更深
LSTM
Gated Recurrent Unit (GRU)