awesome-deep-learning

KO | EN

gitlite — search

#javascript #react #ai #typescript #go #golang #machine-learning #rust #deep-learning #macos #nodejs #kubernetes #mcp #open-source

awesome-deep-learning

(★ 28,788)

엄선된 Deep Learning 관련 훌륭한 튜토리얼, 프로젝트, 커뮤니티 모음입니다.

파일 탐색기

최종 버전 다운로드 (.zip)

README.md

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Awesome Deep Learning [![Awesome](https://cdn.rawgit.com/sindresorhus/awesome/d7305f38d29fed78fa85652e3a63e154dd8e8829/media/badge.svg)](https://github.com/sindresorhus/awesome)

## 목차

* **[도서](#books)**

* **[강좌](#courses)**

* **[동영상 및 강의](#videos-and-lectures)**

* **[논문](#papers)**

* **[튜토리얼](#tutorials)**

* **[연구자](#researchers)**

* **[웹사이트](#websites)**

* **[데이터셋](#datasets)**

* **[학회](#conferences)**

* **[프레임워크](#frameworks)**

* **[도구](#tools)**

* **[기타](#miscellaneous)**

* **[기여하기](#contributing)**

### 도서

1.  [Deep Learning](http://www.deeplearningbook.org/) (저자: Yoshua Bengio, Ian Goodfellow, Aaron Courville) (2015년 5월 7일)
2.  [Neural Networks and Deep Learning](http://neuralnetworksanddeeplearning.com/) (저자: Michael Nielsen) (2014년 12월)
3.  [Deep Learning](http://research.microsoft.com/pubs/209355/DeepLearning-NowPublishing-Vol7-SIG-039.pdf) (저자: Microsoft Research) (2013년)
4.  [Deep Learning Tutorial](http://deeplearning.net/tutorial/deeplearning.pdf) (저자: 몬트리올 대학교 LISA 랩) (2015년 1월 6일)
5.  [neuraltalk](https://github.com/karpathy/neuraltalk) (저자: Andrej Karpathy) : numpy 기반 RNN/LSTM 구현
6.  [An introduction to genetic algorithms](http://www.boente.eti.br/fuzzy/ebook-fuzzy-mitchell.pdf)
7.  [Artificial Intelligence: A Modern Approach](http://aima.cs.berkeley.edu/)
8.  [Deep Learning in Neural Networks: An Overview](http://arxiv.org/pdf/1404.7828v4.pdf)
9.  [Artificial intelligence and machine learning: Topic wise explanation](https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/)
10. [Grokking Deep Learning for Computer Vision](https://www.manning.com/books/grokking-deep-learning-for-computer-vision)
11. [Dive into Deep Learning](https://d2l.ai/) - numpy 기반 대화형 Deep Learning 도서
12. [Practical Deep Learning for Cloud, Mobile, and Edge](https://www.oreilly.com/library/view/practical-deep-learning/9781492034858/) - 프로덕션 단계에서의 최적화 기법을 다룬 도서.
13. [Math and Architectures of Deep Learning](https://www.manning.com/books/math-and-architectures-of-deep-learning) - 저자: Krishnendu Chaudhury
14. [TensorFlow 2.0 in Action](https://www.manning.com/books/tensorflow-in-action) - 저자: Thushan Ganegedara
15. [Deep Learning for Natural Language Processing](https://www.manning.com/books/deep-learning-for-natural-language-processing) - 저자: Stephan Raaijmakers
16. [Deep Learning Patterns and Practices](https://www.manning.com/books/deep-learning-patterns-and-practices) - 저자: Andrew Ferlitsch
17. [Inside Deep Learning](https://www.manning.com/books/inside-deep-learning) - 저자: Edward Raff
18. [Deep Learning with Python, Second Edition](https://www.manning.com/books/deep-learning-with-python-second-edition) - 저자: François Chollet
19. [Evolutionary Deep Learning](https://www.manning.com/books/evolutionary-deep-learning) - 저자: Micheal Lanham
20. [Engineering Deep Learning Platforms](https://www.manning.com/books/engineering-deep-learning-platforms) - 저자: Chi Wang, Donald Szeto
21. [Deep Learning with R, Second Edition](https://www.manning.com/books/deep-learning-with-r-second-edition) - 저자: François Chollet (공저: Tomasz Kalinowski, J. J. Allaire)
22. [Regularization in Deep Learning](https://www.manning.com/books/regularization-in-deep-learning) - 저자: Liu Peng
23. [Jax in Action](https://www.manning.com/books/jax-in-action) - 저자: Grigory Sapunov
24. [Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow](https://www.knowledgeisle.com/wp-content/uploads/2019/12/2-Aur%C3%A9lien-G%C3%A9ron-Hands-On-Machine-Learning-with-Scikit-Learn-Keras-and-Tensorflow_-Concepts-Tools-and-Techniques-to-Build-Intelligent-Systems-O%E2%80%99Reilly-Media-2019.pdf) (저자: Aurélien Géron) | 2019년 10월 15일

### 강좌

1.  [Machine Learning - Stanford](https://class.coursera.org/ml-005) - Andrew Ng, Coursera (2010-2014)
2.  [Machine Learning - Caltech](http://work.caltech.edu/lectures.html) - Yaser Abu-Mostafa (2012-2014)
3.  [Machine Learning - Carnegie Mellon](http://www.cs.cmu.edu/~tom/10701_sp11/lectures.shtml) - Tom Mitchell (2011년 봄)
2.  [Neural Networks for Machine Learning](https://class.coursera.org/neuralnets-2012-001) - Geoffrey Hinton, Coursera (2012)
3.  [Neural networks class](https://www.youtube.com/playlist?list=PL6Xpj9I5qXYEcOhn7TqghAJ6NAPrNmUBH) - Hugo Larochelle, 셔브룩 대학교 (2013)
4.  [Deep Learning Course](http://cilvr.cs.nyu.edu/doku.php?id=deeplearning:slides:start) - CILVR 랩, NYU (2014)
5.  [A.I - Berkeley](https://courses.edx.org/courses/BerkeleyX/CS188x_1/1T2013/courseware/) - Dan Klein, Pieter Abbeel (2013)
6.  [A.I - MIT](http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/lecture-videos/) - Patrick Henry Winston (2010)
7.  [Vision and learning - computers and brains](http://web.mit.edu/course/other/i2course/www/vision_and_learning_fall_2013.html) - Shimon Ullman, Tomaso Poggio, Ethan Meyers, MIT (2013)
9.  [Convolutional Neural Networks for Visual Recognition - Stanford](http://vision.stanford.edu/teaching/cs231n/syllabus.html) - Fei-Fei Li, Andrej Karpathy (2017)
10.  [Deep Learning for Natural Language Processing - Stanford](http://cs224d.stanford.edu/)
11.  [Neural Networks - usherbrooke](http://info.usherbrooke.ca/hlarochelle/neural_networks/content.html)
12.  [Machine Learning - Oxford](https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/) (2014-2015)
13.  [Deep Learning - Nvidia](https://developer.nvidia.com/deep-learning-courses) (2015)
14.  [Graduate Summer School: Deep Learning, Feature Learning](https://www.youtube.com/playlist?list=PLHyI3Fbmv0SdzMHAy0aN59oYnLy5vyyTA) - Geoffrey Hinton, Yoshua Bengio, Yann LeCun, Andrew Ng, Nando de Freitas 외 다수, IPAM, UCLA (2012)
15.  [Deep Learning - Udacity/Google](https://www.udacity.com/course/deep-learning--ud730) - Vincent Vanhoucke, Arpan Chakraborty (2016)
16.  [Deep Learning - UWaterloo](https://www.youtube.com/playlist?list=PLehuLRPyt1Hyi78UOkMPWCGRxGcA9NVOE) - Ali Ghodsi 교수, 워털루 대학교 (2015)
17.  [Statistical Machine Learning - CMU](https://www.youtube.com/watch?v=azaLcvuql_g&list=PLjbUi5mgii6BWEUZf7He6nowWvGne_Y8r) - Larry Wasserman 교수
18.  [Deep Learning Course](https://www.college-de-france.fr/site/en-yann-lecun/course-2015-2016.htm) - Yann LeCun (2016)
19. [Designing, Visualizing and Understanding Deep Neural Networks-UC Berkeley](https://www.youtube.com/playlist?list=PLkFD6_40KJIxopmdJF_CLNqG3QuDFHQUm)
20. [UVA Deep Learning Course](http://uvadlc.github.io) - 암스테르담 대학교 인공지능 석사 과정.
21. [MIT 6.S094: Deep Learning for Self-Driving Cars](http://selfdrivingcars.mit.edu/)
22. [MIT 6.S191: Introduction to Deep Learning](http://introtodeeplearning.com/)
23. [Berkeley CS 294: Deep Reinforcement Learning](http://rll.berkeley.edu/deeprlcourse/)
24. [Keras in Motion video course](https://www.manning.com/livevideo/keras-in-motion)
25. [Practical Deep Learning For Coders](http://course.fast.ai/) - Jeremy Howard, Fast.ai
26. [Introduction to Deep Learning](http://deeplearning.cs.cmu.edu/) - Bhiksha Raj 교수 (2017)
27. [AI for Everyone](https://www.deeplearning.ai/ai-for-everyone/) - Andrew Ng (2019)
28. [MIT Intro to Deep Learning 7 day bootcamp](https://introtodeeplearning.com) - 딥러닝 방법론과 응용을 소개하기 위해 MIT에서 기획한 7일 간의 부트캠프 (2019)
29. [Deep Blueberry: Deep Learning](https://mithi.github.io/deep-blueberry) - CNN, LSTM, RNN, VAE, GAN, DQN, A3C 등 딥러닝 아키텍처의 기초를 배우고자 하는 독학 학습자들을 위한 5주 주말 무료 학습 계획 (2019)
30. [Spinning Up in Deep Reinforcement Learning](https://spinningup.o

penai.com/) - OpenAI가 제공하는 무료 심층 강화학습 강좌 (2019)
31. [Deep Learning Specialization - Coursera](https://www.coursera.org/specializations/deep-learning) - Andrew Ng의 최고의 강좌로 AI 입문하기.
32. [Deep Learning - UC Berkeley | STAT-157](https://www.youtube.com/playlist?list=PLZSO_6-bSqHQHBCoGaObUljoXAyyqhpFW) - Alex Smola와 Mu Li 진행 (2019)
33. [Machine Learning for Mere Mortals video course](https://www.manning.com/livevideo/machine-learning-for-mere-mortals) - Nick Chase 진행
34. [Machine Learning Crash Course with TensorFlow APIs](https://developers.google.com/machine-learning/crash-course/) - Google AI
35. [Deep Learning from the Foundations](https://course.fast.ai/part2) Jeremy Howard - Fast.ai
36. [Deep Reinforcement Learning (nanodegree) - Udacity](https://www.udacity.com/course/deep-reinforcement-learning-nanodegree--nd893) - 여러 강좌로 구성된 3~6개월 과정의 Udacity 나노degree (2018)
37. [Grokking Deep Learning in Motion](https://www.manning.com/livevideo/grokking-deep-learning-in-motion) - Beau Carnes 진행 (2018)
38. [Face Detection with Computer Vision and Deep Learning](https://www.udemy.com/share/1000gAA0QdcV9aQng=/) - Hakan Cebeci 진행
39. [Deep Learning Online Course list at Classpert](https://classpert.com/classpert) - Classpert 온라인 강좌 검색에서 제공하는 딥러닝 온라인 강좌 목록 (일부 무료)
40. [AWS Machine Learning](https://aws.training/machinelearning) - Amazon 머신러닝 대학의 머신러닝 및 딥러닝 강좌
41. [Intro to Deep Learning with PyTorch](https://www.udacity.com/course/deep-learning-pytorch--ud188) - Udacity와 Facebook AI가 제공하는 훌륭한 딥러닝 입문 강좌
42. [Deep Learning by Kaggle](https://www.kaggle.com/learn/deep-learning) - Kaggle의 무료 딥러닝 강좌
43. [Yann LeCun’s Deep Learning Course at CDS](https://cds.nyu.edu/deep-learning/) - DS-GA 1008 · 2021년 봄 학기
44. [Neural Networks and Deep Learning](https://webcms3.cse.unsw.edu.au/COMP9444/19T3/) - COMP9444 19T3
45. [Deep Learning A.I.Shelf](http://aishelf.org/category/ia/deep-learning/)

### 비디오 및 강연

1.  [How To Create A Mind](https://www.youtube.com/watch?v=RIkxVci-R4k) (저자: Ray Kurzweil)
2.  [Deep Learning, Self-Taught Learning and Unsupervised Feature Learning](https://www.youtube.com/watch?v=n1ViNeWhC24) (저자: Andrew Ng)
3.  [Recent Developments in Deep Learning](https://www.youtube.com/watch?v=vShMxxqtDDs&amp;index=3&amp;list=PL78U8qQHXgrhP9aZraxTT5-X1RccTcUYT) (저자: Geoff Hinton)
4.  [The Unreasonable Effectiveness of Deep Learning](https://www.youtube.com/watch?v=sc-KbuZqGkI) (저자: Yann LeCun)
5.  [Deep Learning of Representations](https://www.youtube.com/watch?v=4xsVFLnHC_0) (저자: Yoshua bengio)
6.  [Principles of Hierarchical Temporal Memory](https://www.youtube.com/watch?v=6ufPpZDmPKA) (저자: Jeff Hawkins)
7.  [Machine Learning Discussion Group - Deep Learning w/ Stanford AI Lab](https://www.youtube.com/watch?v=2QJi0ArLq7s&amp;list=PL78U8qQHXgrhP9aZraxTT5-X1RccTcUYT) (저자: Adam Coates)
8.  [Making Sense of the World with Deep Learning](http://vimeo.com/80821560) (저자: Adam Coates)
9.  [Demystifying Unsupervised Feature Learning ](https://www.youtube.com/watch?v=wZfVBwOO0-k) (저자: Adam Coates)
10.  [Visual Perception with Deep Learning](https://www.youtube.com/watch?v=3boKlkPBckA) (저자: Yann LeCun)
11.  [The Next Generation of Neural Networks](https://www.youtube.com/watch?v=AyzOUbkUf3M) (발표: Geoffrey Hinton, GoogleTechTalks)
12.  [The wonderful and terrifying implications of computers that can learn](http://www.ted.com/talks/jeremy_howard_the_wonderful_and_terrifying_implications_of_computers_that_can_learn) (발표: Jeremy Howard, TEDxBrussels)
13.  [Unsupervised Deep Learning - Stanford](http://web.stanford.edu/class/cs294a/handouts.html) (저자: Andrew Ng, 스탠퍼드 대학교, 2011)
14.  [Natural Language Processing](http://web.stanford.edu/class/cs224n/handouts/) (저자: Chris Manning, 스탠퍼드 대학교)
15.  [A beginners Guide to Deep Neural Networks](http://googleresearch.blogspot.com/2015/09/a-beginners-guide-to-deep-neural.html) (저자: Natalie Hammel, Lorraine Yurshansky)
16.  [Deep Learning: Intelligence from Big Data](https://www.youtube.com/watch?v=czLI3oLDe8M) (저자 및 패널: Steve Jurvetson, 스탠퍼드 VLAB)
17. [Introduction to Artificial Neural Networks and Deep Learning](https://www.youtube.com/watch?v=FoO8qDB8gUU) (저자: Leo Isikdogan, Motorola Mobility 본사)
18. [NIPS 2016 lecture and workshop videos](https://nips.cc/Conferences/2016/Schedule) - NIPS 2016
19. [Deep Learning Crash Course](https://www.youtube.com/watch?v=oS5fz_mHVz0&list=PLWKotBjTDoLj3rXBL-nEIPRN9V3a9Cx07): 유튜브의 Leo Isikdogan 미니 강의 시리즈 (2018)
20. [Deep Learning Crash Course](https://www.manning.com/livevideo/deep-learning-crash-course) (저자: Oliver Zeigermann)
21. [Deep Learning with R in Motion](https://www.manning.com/livevideo/deep-learning-with-r-in-motion): 강력한 Keras 라이브러리와 R 언어 인터페이스를 사용하여 딥러닝을 텍스트와 이미지에 적용하는 방법을 알려주는 라이브 비디오 강좌입니다.
22. [Medical Imaging with Deep Learning Tutorial](https://www.youtube.com/playlist?list=PLheiZMDg_8ufxEx9cNVcOYXsT3BppJP4b): 이 튜토리얼은 딥러닝을 활용한 의료 영상에 관한 대학원 수준의 강의 형태로 구성되어 있습니다. 인기 있는 의료 영상 도메인(흉부 X선 및 조직학)의 배경뿐만 아니라 멀티모달/뷰, 분할(segmentation), 카운팅 작업을 다루는 방법도 함께 다룹니다.
23. [Deepmind x UCL Deeplearning](https://www.youtube.com/playlist?list=PLqYmG7hTraZCDxZ44o4p3N5Anz3lLRVZF): 2020년 버전 
24. [Deepmind x UCL Reinforcement Learning](https://www.youtube.com/playlist?list=PLqYmG7hTraZBKeNJ-JE_eyJHZ7XgBoAyb): 심층 강화학습(Deep Reinforcement Learning)
25. [CMU 11-785 Intro to Deep learning Spring 2020](https://www.youtube.com/playlist?list=PLp-0K3kfddPzCnS4CqKphh-zT3aDwybDe) 강의: Bhiksha Raj의 딥러닝 입문(11-785) 
26. [Machine Learning CS 229](https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU) : 후반부는 딥러닝에 집중 (저자: Andrew Ng)
27. [What is Neural Structured Learning by Andrew Ferlitsch](https://youtu.be/LXWSE_9gHd0)
28. [Deep Learning Des

ign Patterns by Andrew Ferlitsch](https://youtu.be/_DaviS6K0Vc)
29. [Architecture of a Modern CNN: the design pattern approach by Andrew Ferlitsch](https://youtu.be/QCGSS3kyGo0)
30. [Metaparameters in a CNN by Andrew Ferlitsch](https://youtu.be/K1PLeggQ33I)
31. [Multi-task CNN: a real-world example by Andrew Ferlitsch](https://youtu.be/dH2nuI-1-qM)
32. [A friendly introduction to deep reinforcement learning by Luis Serrano](https://youtu.be/1FyAh07jh0o)
33. [What are GANs and how do they work? by Edward Raff](https://youtu.be/f6ivp84qFUc)
34. [Coding a basic WGAN in PyTorch by Edward Raff](https://youtu.be/7VRdaqMDalQ)
35. [Training a Reinforcement Learning Agent by Miguel Morales](https://youtu.be/8TMT-gHlj_Q)
36. [Understand what is Deep Learning](https://www.scaler.com/topics/what-is-deep-learning/)

### Papers
*[여기](https://github.com/terryum/awesome-deep-learning-papers)에서 가장 많이 인용된 deep learning 논문들도 찾아볼 수 있습니다.*

1.  [ImageNet Classification with Deep Convolutional Neural Networks](http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf)
2.  [Using Very Deep Autoencoders for Content Based Image Retrieval](http://www.cs.toronto.edu/~hinton/absps/esann-deep-final.pdf)
3.  [Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~lisa/pointeurs/TR1312.pdf)
4.  [CMU’s list of papers](http://deeplearning.cs.cmu.edu/)
5.  [Neural Networks for Named Entity Recognition](http://nlp.stanford.edu/~socherr/pa4_ner.pdf) [zip](http://nlp.stanford.edu/~socherr/pa4-ner.zip)
6. [Training tricks by YB](http://www.iro.umontreal.ca/~bengioy/papers/YB-tricks.pdf)
7. [Geoff Hinton's reading list (all papers)](http://www.cs.toronto.edu/~hinton/deeprefs.html)
8. [Supervised Sequence Labelling with Recurrent Neural Networks](http://www.cs.toronto.edu/~graves/preprint.pdf)
9.  [Statistical Language Models based on Neural Networks](http://www.fit.vutbr.cz/~imikolov/rnnlm/thesis.pdf)
10.  [Training Recurrent Neural Networks](http://www.cs.utoronto.ca/~ilya/pubs/ilya_sutskever_phd_thesis.pdf)
11.  [Recursive Deep Learning for Natural Language Processing and Computer Vision](http://nlp.stanford.edu/~socherr/thesis.pdf)
12.  [Bi-directional RNN](http://www.di.ufpe.br/~fnj/RNA/bibliografia/BRNN.pdf)
13.  [LSTM](http://web.eecs.utk.edu/~itamar/courses/ECE-692/Bobby_paper1.pdf)
14.  [GRU - Gated Recurrent Unit](http://arxiv.org/pdf/1406.1078v3.pdf)
15.  [GFRNN](http://arxiv.org/pdf/1502.02367v3.pdf) [.](http://jmlr.org/proceedings/papers/v37/chung15.pdf) [.](http://jmlr.org/proceedings/papers/v37/chung15-supp.pdf)
16.  [LSTM: A Search Space Odyssey](http://arxiv.org/pdf/1503.04069v1.pdf)
17.  [A Critical Review of Recurrent Neural Networks for Sequence Learning](http://arxiv.org/pdf/1506.00019v1.pdf)
18.  [Visualizing and Understanding Recurrent Networks](http://arxiv.org/pdf/1506.02078v1.pdf)
19.  [Wojciech Zaremba, Ilya Sutskever, An Empirical Exploration of Recurrent Network Architectures](http://jmlr.org/proceedings/papers/v37/jozefowicz15.pdf)
20.  [Recurrent Neural Network based Language Model](http://www.fit.vutbr.cz/research/groups/speech/publi/2010/mikolov_interspeech2010_IS100722.pdf)
21.  [Extensions of Recurrent Neural Network Language Model](http://www.fit.vutbr.cz/research/groups/speech/publi/2011/mikolov_icassp2011_5528.pdf)
22.  [Recurrent Neural Network based Language Modeling in Meeting Recognition](http://www.fit.vutbr.cz/~imikolov/rnnlm/ApplicationOfRNNinMeetingRecognition_IS2011.pdf)
23.  [Deep Neural Networks for Acoustic Modeling in Speech Recognition](http://cs224d.stanford.edu/papers/maas_paper.pdf)
24.  [Speech Recognition with Deep Recurrent Neural Networks](http://www.cs.toronto.edu/~fritz/absps/RNN13.pdf)
25.  [Reinforcement Learning Neural Turing Machines](http://arxiv.org/pdf/1505.00521v1)
26.  [Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation](http://arxiv.org/pdf/1406.1078v3.pdf)
27. [Google - Sequence to Sequence  Learning with Neural Networks](http://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf)
28. [Memory Networks](http://arxiv.org/pdf/1410.3916v10)
29. [Policy Learning with Continuous Memory States for Partially Observed Robotic Control](http://arxiv.org/pdf/1507.01273v1)
30. [Microsoft - Jointly Modeling Embedding and Translation to Bridge Video and Language](http://arxiv.org/pdf/1505.01861v1.pdf)
31. [Neural Turing Machines](http://arxiv.org/pdf/1410.5401v2.pdf)
32. [Ask Me Anything: Dynamic Memory Networks for Natural Language Processing](http://arxiv.org/pdf/1506.07285v1.pdf)
33. [Mastering the Game of Go with Deep Neural Networks and Tree Search](http://www.nature.com/nature/journal/v529/n7587/pdf/nature16961.pdf)
34. [Batch Normalization](https://arxiv.org/abs/1502.03167)
35. [Residual Learning](https://arxiv.org/pdf/1512.03385v1.pdf)
36. [Image-to-Image Translation with Conditional Adversarial

Networks](https://arxiv.org/pdf/1611.07004v1.pdf)
37. [Berkeley AI Research (BAIR) Laboratory](https://arxiv.org/pdf/1611.07004v1.pdf)
38. [MobileNets by Google](https://arxiv.org/abs/1704.04861)
39. [Cross Audio-Visual Recognition in the Wild Using Deep Learning](https://arxiv.org/abs/1706.05739)
40. [Dynamic Routing Between Capsules](https://arxiv.org/abs/1710.09829)
41. [Matrix Capsules With Em Routing](https://openreview.net/pdf?id=HJWLfGWRb)
42. [Efficient BackProp](http://yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf)
43. [Generative Adversarial Nets](https://arxiv.org/pdf/1406.2661v1.pdf)
44. [Fast R-CNN](https://arxiv.org/pdf/1504.08083.pdf)
45. [FaceNet: A Unified Embedding for Face Recognition and Clustering](https://arxiv.org/pdf/1503.03832.pdf)
46. [Siamese Neural Networks for One-shot Image Recognition](https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf)
47. [Unsupervised Translation of Programming Languages](https://arxiv.org/pdf/2006.03511.pdf)
48. [Matching Networks for One Shot Learning](http://papers.nips.cc/paper/6385-matching-networks-for-one-shot-learning.pdf)
49. [VOLO: Vision Outlooker for Visual Recognition](https://arxiv.org/pdf/2106.13112.pdf)
50. [ViT: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale](https://arxiv.org/pdf/2010.11929.pdf)
51. [Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift](http://proceedings.mlr.press/v37/ioffe15.pdf)
52. [DeepFaceDrawing: Deep Generation of Face Images from Sketches](http://geometrylearning.com/paper/DeepFaceDrawing.pdf?fbclid=IwAR0colWFHPGBCB1APZq9JVsWeWtmeZd9oCTNQvR52T5PRUJP_dLOwB8pt0I)

### 튜토리얼

1.  [UFLDL Tutorial 1](http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial)
2.  [UFLDL Tutorial 2](http://ufldl.stanford.edu/tutorial/supervised/LinearRegression/)
3.  [Deep Learning for NLP (without Magic)](http://www.socher.org/index.php/DeepLearningTutorial/DeepLearningTutorial)
4.  [A Deep Learning Tutorial: From Perceptrons to Deep Networks](http://www.toptal.com/machine-learning/an-introduction-to-deep-learning-from-perceptrons-to-deep-networks)
5.  [Deep Learning from the Bottom up](http://www.metacademy.org/roadmaps/rgrosse/deep_learning)
6.  [Theano Tutorial](http://deeplearning.net/tutorial/deeplearning.pdf)
7.  [Neural Networks for Matlab](http://uk.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf)
8.  [Using convolutional neural nets to detect facial keypoints tutorial](http://danielnouri.org/notes/2014/12/17/using-convolutional-neural-nets-to-detect-facial-keypoints-tutorial/)
9.  [Torch7 Tutorials](https://github.com/clementfarabet/ipam-tutorials/tree/master/th_tutorials)
10.  [The Best Machine Learning Tutorials On The Web](https://github.com/josephmisiti/machine-learning-module)
11. [VGG Convolutional Neural Networks Practical](http://www.robots.ox.ac.uk/~vgg/practicals/cnn/index.html)
12. [TensorFlow tutorials](https://github.com/nlintz/TensorFlow-Tutorials)
13. [More TensorFlow tutorials](https://github.com/pkmital/tensorflow_tutorials)
13. [TensorFlow Python Notebooks](https://github.com/aymericdamien/TensorFlow-Examples)
14. [Keras and Lasagne Deep Learning Tutorials](https://github.com/Vict0rSch/deep_learning)
15. [Classification on raw time series in TensorFlow with a LSTM RNN](https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition)
16. [Using convolutional neural nets to detect facial keypoints tutorial](http://danielnouri.org/notes/2014/12/17/using-convolutional-neural-nets-to-detect-facial-keypoints-tutorial/)
17. [TensorFlow-World](https://github.com/astorfi/TensorFlow-World)
18. [Deep Learning with Python](https://www.manning.com/books/deep-learning-with-python)
19. [Grokking Deep Learning](https://www.manning.com/books/grokking-deep-learning)
20. [Deep Learning for Search](https://www.manning.com/books/deep-learning-for-search)
21. [Keras Tutorial: Content Based Image Retrieval Using a Convolutional Denoising Autoencoder](https://medium.com/sicara/keras-tutorial-content-based-image-retrieval-convolutional-denoising-autoencoder-dc91450cc511)
22. [Pytorch Tutorial by Yunjey Choi](https://github.com/yunjey/pytorch-tutorial)
23. [Understanding deep Convolutional Neural Networks with a practical use-case in Tensorflow and Keras](https://ahmedbesbes.com/understanding-deep-convolutional-neural-networks-with-a-practical-use-case-in-tensorflow-and-keras.html)
24. [Overview and benchmark of traditional and deep learning models in text classification](https://ahmedbesbes.com/overview-and-benchmark-of-traditional-and-deep-learning-models-in-text-classification.html)
25. [Hardware for AI: Understanding computer hardware & build your own computer](https://github.com/MelAbgrall/HardwareforAI)
26. [Programming Community Curated Resources](https://hackr.io/tutorials/learn-artificial-intelligence-ai)
27. [The Illustrated Self-Supervised Learning](https://amitness.com/2020/02/illustrated-self-supervised-learning/)
28. [Visual Paper Summary: ALBERT (A Lite BERT)](https://amitness.com/2020/02/albert-visual-summary/)
28. [Semi-Supervised Deep Learning with GANs for Melanoma Detection](https://www.manning.com/liveproject/semi-supervised-deep-learning-with-gans-for-melanoma-detection/)
29. [Named Entity Recognition using Reformers](https://github.com/SauravMaheshkar/Trax-Examples/blob/main/NLP/NER%20using%20Reformer.ipynb)
30. [Deep N-Gram Models on Shakespeare’s works](https://github.com/SauravMaheshkar/Trax-Examples/blob/main/NLP/Deep%20N-Gram.ipynb)
31. [Wide Residual Networks](https://github.com/SauravMaheshkar/Trax-Examples/blob/main/vision/illustrated-wideresnet.ipynb)
32. [Fashion MNIST using F

lax](https://github.com/SauravMaheshkar/Flax-Examples)
33. [가짜 뉴스 분류 (Streamlit 배포 포함)](https://github.com/SauravMaheshkar/Fake-News-Classification)
34. [원발성 담즙성 간경변증에 대한 회귀 분석](https://github.com/SauravMaheshkar/CoxPH-Model-for-Primary-Biliary-Cirrhosis)
35. [천문학 카탈로그를 위한 교차 매칭 방법](https://github.com/SauravMaheshkar/Cross-Matching-Methods-for-Astronomical-Catalogs)
36. [BiDirectional LSTM을 사용한 개체명 인식](https://github.com/SauravMaheshkar/Named-Entity-Recognition-)
37. [Tflite과 Flutter를 사용한 이미지 인식 앱](https://github.com/SauravMaheshkar/Flutter_Image-Recognition)

## Researchers

1. [Aaron Courville](http://aaroncourville.wordpress.com)
2. [Abdel-rahman Mohamed](http://www.cs.toronto.edu/~asamir/)
3. [Adam Coates](http://cs.stanford.edu/~acoates/)
4. [Alex Acero](http://research.microsoft.com/en-us/people/alexac/)
5. [ Alex Krizhevsky ](http://www.cs.utoronto.ca/~kriz/index.html)
6. [ Alexander Ilin ](http://users.ics.aalto.fi/alexilin/)
7. [ Amos Storkey ](http://homepages.inf.ed.ac.uk/amos/)
8. [ Andrej Karpathy ](https://karpathy.ai/)
9. [ Andrew M. Saxe ](http://www.stanford.edu/~asaxe/)
10. [ Andrew Ng ](http://www.cs.stanford.edu/people/ang/)
11. [ Andrew W. Senior ](http://research.google.com/pubs/author37792.html)
12. [ Andriy Mnih ](http://www.gatsby.ucl.ac.uk/~amnih/)
13. [ Ayse Naz Erkan ](http://www.cs.nyu.edu/~naz/)
14. [ Benjamin Schrauwen ](http://reslab.elis.ugent.be/benjamin)
15. [ Bernardete Ribeiro ](https://www.cisuc.uc.pt/people/show/2020)
16. [ Bo David Chen ](http://vision.caltech.edu/~bchen3/Site/Bo_David_Chen.html)
17. [ Boureau Y-Lan ](http://cs.nyu.edu/~ylan/)
18. [ Brian Kingsbury ](http://researcher.watson.ibm.com/researcher/view.php?person=us-bedk)
19. [ Christopher Manning ](http://nlp.stanford.edu/~manning/)
20. [ Clement Farabet ](http://www.clement.farabet.net/)
21. [ Dan Claudiu Cireșan ](http://www.idsia.ch/~ciresan/)
22. [ David Reichert ](http://serre-lab.clps.brown.edu/person/david-reichert/)
23. [ Derek Rose ](http://mil.engr.utk.edu/nmil/member/5.html)
24. [ Dong Yu ](http://research.microsoft.com/en-us/people/dongyu/default.aspx)
25. [ Drausin Wulsin ](http://www.seas.upenn.edu/~wulsin/)
26. [ Erik M. Schmidt ](http://music.ece.drexel.edu/people/eschmidt)
27. [ Eugenio Culurciello ](https://engineering.purdue.edu/BME/People/viewPersonById?resource_id=71333)
28. [ Frank Seide ](http://research.microsoft.com/en-us/people/fseide/)
29. [ Galen Andrew ](http://homes.cs.washington.edu/~galen/)
30. [ Geoffrey Hinton ](http://www.cs.toronto.edu/~hinton/)
31. [ George Dahl ](http://www.cs.toronto.edu/~gdahl/)
32. [ Graham Taylor ](http://www.uoguelph.ca/~gwtaylor/)
33. [ Grégoire Montavon ](http://gregoire.montavon.name/)
34. [ Guido Francisco Montúfar ](http://personal-homepages.mis.mpg.de/montufar/)
35. [ Guillaume Desjardins ](http://brainlogging.wordpress.com/)
36. [ Hannes Schulz ](http://www.ais.uni-bonn.de/~schulz/)
37. [ Hélène Paugam-Moisy ](http://www.lri.fr/~hpaugam/)
38. [ Honglak Lee ](http://web.eecs.umich.edu/~honglak/)
39. [ Hugo Larochelle ](http://www.dmi.usherb.ca/~larocheh/index_en.html)
40. [ Ilya Sutskever ](http://www.cs.toronto.edu/~ilya/)
41. [ Itamar Arel ](http://mil.engr.utk.edu/nmil/member/2.html)
42. [ James Martens ](http://www.cs.toronto.edu/~jmartens/)
43. [ Jason Morton ](http://www.jasonmorton.com/)
44. [ Jason Weston ](http://www.thespermwhale.com/jaseweston/)
45. [ Jeff Dean ](http://research.google.com/pubs/jeff.html)
46. [ Jiquan Mgiam ](http://cs.stanford.edu/~jngiam/)
47. [ Joseph Turian ](http://www-etud.iro.umontreal.ca/~turian/)
48. [ Joshua Matthew Susskind ](http://aclab.ca/users/josh/index.html)
49. [ Jürgen Schmidhuber ](http://www.idsia.ch/~juergen/)
50. [ Justin A. Blanco ](https://sites.google.com/site/blancousna/)
51. [ Koray Kavukcuoglu ](http://koray.kavukcuoglu.org/)
52. [ KyungHyun Cho ](http://users.ics.aalto.fi/kcho/)
53. [ Li Deng ](http://research.microsoft.com/en-us/people/deng/)
54. [ Lucas Theis ](http://www.kyb.tuebingen.mpg.de/nc/employee/details/lucas.html)
55. [ Ludovic Arnold ](http://ludovicarnold.altervista.org/home/)
56. [ Marc'Aurelio Ranzato ](http://www.cs.nyu.edu/~ranzato/)
57. [ Martin Längkvist ](http://aass.oru.se/~mlt/)
58. [ Misha Denil ](http://mdenil.com/)
59. [ Mohammad Norouzi ](http://www.cs.toronto.edu/~norouzi/)
60. [ Nando de Freitas ](http://www.cs.ubc.ca/~nando/)
61. [ Navdeep Jaitly ](http://www.cs.utoronto.ca/~ndjaitly/)
62. [ Nicolas Le Roux ](http://nicolas.le-roux.name/)
63. [ Nitish Srivastava ](http://www.cs.toronto.edu/~nitish/)
64. [ Noel Lopes ](https://www.cisuc.uc.pt/pe

ople/show/2028)
65. [ Oriol Vinyals ](http://www.cs.berkeley.edu/~vinyals/)
66. [ Pascal Vincent ](http://www.iro.umontreal.ca/~vincentp)
67. [ Patrick Nguyen ](https://sites.google.com/site/drpngx/)
68. [ Pedro Domingos ](http://homes.cs.washington.edu/~pedrod/)
69. [ Peggy Series ](http://homepages.inf.ed.ac.uk/pseries/)
70. [ Pierre Sermanet ](http://cs.nyu.edu/~sermanet)
71. [ Piotr Mirowski ](http://www.cs.nyu.edu/~mirowski/)
72. [ Quoc V. Le ](http://ai.stanford.edu/~quocle/)
73. [ Reinhold Scherer ](http://bci.tugraz.at/scherer/)
74. [ Richard Socher ](http://www.socher.org/)
75. [ Rob Fergus ](http://cs.nyu.edu/~fergus/pmwiki/pmwiki.php)
76. [ Robert Coop ](http://mil.engr.utk.edu/nmil/member/19.html)
77. [ Robert Gens ](http://homes.cs.washington.edu/~rcg/)
78. [ Roger Grosse ](http://people.csail.mit.edu/rgrosse/)
79. [ Ronan Collobert ](http://ronan.collobert.com/)
80. [ Ruslan Salakhutdinov ](http://www.utstat.toronto.edu/~rsalakhu/)
81. [ Sebastian Gerwinn ](http://www.kyb.tuebingen.mpg.de/nc/employee/details/sgerwinn.html)
82. [ Stéphane Mallat ](http://www.cmap.polytechnique.fr/~mallat/)
83. [ Sven Behnke ](http://www.ais.uni-bonn.de/behnke/)
84. [ Tapani Raiko ](http://users.ics.aalto.fi/praiko/)
85. [ Tara Sainath ](https://sites.google.com/site/tsainath/)
86. [ Tijmen Tieleman ](http://www.cs.toronto.edu/~tijmen/)
87. [ Tom Karnowski ](http://mil.engr.utk.edu/nmil/member/36.html)
88. [ Tomáš Mikolov ](https://research.facebook.com/tomas-mikolov)
89. [ Ueli Meier ](http://www.idsia.ch/~meier/)
90. [ Vincent Vanhoucke ](http://vincent.vanhoucke.com)
91. [ Volodymyr Mnih ](http://www.cs.toronto.edu/~vmnih/)
92. [ Yann LeCun ](http://yann.lecun.com/)
93. [ Yichuan Tang ](http://www.cs.toronto.edu/~tang/)
94. [ Yoshua Bengio ](http://www.iro.umontreal.ca/~bengioy/yoshua_en/index.html)
95. [ Yotaro Kubo ](http://yota.ro/)
96. [ Youzhi (Will) Zou ](http://ai.stanford.edu/~wzou)
97. [ Fei-Fei Li ](http://vision.stanford.edu/feifeili)
98. [ Ian Goodfellow ](https://research.google.com/pubs/105214.html)
99. [ Robert Laganière ](http://www.site.uottawa.ca/~laganier/)
100. [Merve Ayyüce Kızrak](http://www.ayyucekizrak.com/)

### 웹사이트

1.  [deeplearning.net](http://deeplearning.net/)
2.  [deeplearning.stanford.edu](http://deeplearning.stanford.edu/)
3.  [nlp.stanford.edu](http://nlp.stanford.edu/)
4.  [ai-junkie.com](http://www.ai-junkie.com/ann/evolved/nnt1.html)
5.  [cs.brown.edu/research/ai](http://cs.brown.edu/research/ai/)
6.  [eecs.umich.edu/ai](http://www.eecs.umich.edu/ai/)
7.  [cs.utexas.edu/users/ai-lab](http://www.cs.utexas.edu/users/ai-lab/)
8.  [cs.washington.edu/research/ai](http://www.cs.washington.edu/research/ai/)
9.  [aiai.ed.ac.uk](http://www.aiai.ed.ac.uk/)
10.  [www-aig.jpl.nasa.gov](http://www-aig.jpl.nasa.gov/)
11.  [csail.mit.edu](http://www.csail.mit.edu/)
12.  [cgi.cse.unsw.edu.au/~aishare](http://cgi.cse.unsw.edu.au/~aishare/)
13.  [cs.rochester.edu/research/ai](http://www.cs.rochester.edu/research/ai/)
14.  [ai.sri.com](http://www.ai.sri.com/)
15.  [isi.edu/AI/isd.htm](http://www.isi.edu/AI/isd.htm)
16.  [nrl.navy.mil/itd/aic](http://www.nrl.navy.mil/itd/aic/)
17.  [hips.seas.harvard.edu](http://hips.seas.harvard.edu/)
18.  [AI Weekly](http://aiweekly.co)
19.  [stat.ucla.edu](http://statistics.ucla.edu/)
20.  [deeplearning.cs.toronto.edu](http://deeplearning.cs.toronto.edu/i2t)
21.  [jeffdonahue.com/lrcn/](http://jeffdonahue.com/lrcn/)
22.  [visualqa.org](http://www.visualqa.org/)
23.  [www.mpi-inf.mpg.de/departments/computer-vision...](https://www.mpi-inf.mpg.de/departments/computer-vision-and-multimodal-computing/)
24.  [Deep Learning News](http://news.startup.ml/)
25.  [Machine Learning is Fun! Adam Geitgey's Blog](https://medium.com/@ageitgey/)
26.  [Guide to Machine Learning](http://yerevann.com/a-guide-to-deep-learning/)
27.  [Deep Learning for Beginners](https://spandan-madan.github.io/DeepLearningProject/)
28.  [Machine Learning Mastery blog](https://machinelearningmastery.com/blog/)
29.  [ML Compiled](https://ml-compiled.readthedocs.io/en/latest/)
30.  [Programming Community Curated Resources](https://hackr.io/tutorials/learn-artificial-intelligence-ai)
31.  [A Beginner's Guide To Understanding Convolutional Neural Networks](https://adeshpande3.github.io/A-Beginner%27s-Guide-To-Understanding-Convolutional-Neural-Networks/)
32.  [ahmedbesbes.com](http://ahmedbesbes.com)
33.  [amitness.com](https://amitness.com/)
34.  [AI Summer](https://theaisummer.com/)
35.  [AI Hub - supported by AAAI, NeurIPS](https://aihub.org/)
36.  [CatalyzeX: Machine Learning Hub for Builders and Makers](https://www.catalyzeX.com)
37.  [The Epic Code](https://theepiccode.com/)
38.  [all AI news](https://allainews.com/)

### 데이터셋

1.  [MNIST](http://yann.lecun.com/exdb/mnist/) 손글씨 숫자
2.  [Google House Numbers](http://ufldl.stanford.edu/housenumbers/) 스트리트 뷰 번호판
3.  [CIFAR-10 and CIFAR-100](http://www.cs.toronto.edu/~kriz/cifar.html)
4.  [IMAGENET](http://www.image-net.org/)
5.  [Tiny Images](http://groups.csail.mit.edu/vision/TinyImages/) 8천만 장의 초소형 이미지
6.  [Flickr Data](https://yahooresearch.tumblr.com/post/89783581601/one-hundred-million-creative-commons-flickr-images) 1억 장의 Yahoo 데이터셋
7.  [Berkeley Segmentation Dataset 500](http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/)
8.  [UC Irvine Machine Learning Repository](http://archive.ics.uci.edu/ml/)
9.  [Flickr 8k](http://nlp.cs.illinois.edu/HockenmaierGroup/Framing_Image_Description/KCCA.html)
10. [Flickr 30k](http://shannon.cs.illinois.edu/DenotationGraph/)
11. [Microsoft COCO](http://mscoco.org/home/)
12. [VQA](http://www.visualqa.org/)
13. [Image QA](http://www.cs.toronto.edu/~mren/imageqa/data/cocoqa/)
14. [AT&T Laboratories Cambridge face database](http://www.uk.research.att.com/facedatabase.html)
15. [AVHRR Pathfinder](http://xtreme.gsfc.nasa.gov)
16. [Air Freight](http://www.anc.ed.ac.uk/~amos/afreightdata.html) - Air Freight 데이터셋은 텍스처 특성에 기반한 정답(ground truth) 분할과 함께 광선 추적(ray-traced)된 이미지 시퀀스입니다. (455장의 이미지 + 정답, 각각 160x120 픽셀). (포맷: PNG)  
17. [Amsterdam Library of Object Images](http://www.science.uva.nl/~aloi/) - ALOI는 과학적 목적으로 녹화된 1,000개의 소형 객체 컬러 이미지 컬렉션입니다. 객체 녹화 시 감각적 변화를 포착하기 위해 각 객체의 시점, 조명 각도, 조명 색상을 체계적으로 다양화했으며, 추가로 광기반(wide-baseline) 스테레오 이미지를 캡처했습니다. 각 객체당 100장이 넘는 이미지를 기록하여 총 110,250장의 이미지를 수집했습니다. (포맷: png)
18. [Annotated face, hand, cardiac & meat images](http://www.imm.dtu.dk/~aam/) - 대부분의 이미지와 주석은 AAM-API를 사용한 다양한 ASM/AAM 분석으로 보완됩니다. (포맷: bmp, asf)
19. [Image Analysis and Computer Graphics](http://www.imm.dtu.dk/image/)  
21. [Brown University Stimuli](http://www.cog.brown.edu/~tarr/stimuli.html) - 지온(geon), 객체, "그리블(greebles)"을 포함한 다양한 데이터셋. 인식 알고리즘 테스트에 유용합니다. (포맷: pict)
22. [CAVIAR video sequences of mall and public space behavior](http://homepages.inf.ed.ac.uk/rbf/CAVIARDATA1/) - 다양한 인간 활동을 담은 90개의 시퀀스 속 9만 개의 비디오 프레임으로, 감지 및 행동 분류에 대한 XML 정답 데이터를 포함합니다. (포맷: MPEG2 & JPEG)
23. [Machine Vision Unit](http://www.ipab.inf.ed.ac.uk/mvu/)
25. [CCITT Fax standard images](http://www.cs.waikato.ac.nz/~singlis/ccitt.html) - 8장의 이미지 (포맷: gif)
26. [CMU CIL's Stereo Data with Ground Truth](cil-ster.html) - 분광 복사계 측정이 포함된 컬러 tiff 이미지를 포함하여, 11장의 이미지로 구성된 3개의 세트 (포맷: gif, tiff)
27. [CMU PIE Database](http://www.ri.cmu.edu/projects/project_418.html) - 13개의 포즈, 43개의 조명 조건, 4가지 다른 표정으로 68명의 사람을 촬영한 41,368장의 얼굴 이미지 데이터베이스.
28. [CMU VASC Image Database](http://www.ius.cs.cmu.edu/idb/) - 이미지, 시퀀스, 스테레오 쌍 (수천 장의 이미지) (포맷: Sun Rasterimage)
29. [Caltech Image Database](http://www.vision.caltech.edu/html-files/archive.html) - 약 20장의 이미지 - 주로 소형 객체와 장난감의 위에서 아래로 내려다본 뷰 (포맷: GIF)
30. [Columbia-Utrecht Reflectance and Texture Database](http://www.cs.columbia.edu/CAVE/curet/) - 200가지가 넘는 시점 및 조명 방향 조합으로 관측된 60개 이상의 3D 텍스처 샘플에 대한 텍스처 및 반사율 측정값. (포맷: bmp)
31. [Computational Colour Constancy Data](http://www.cs.sfu.ca/~colour/data/index.html) - 연산 색상 불변성에 특화된 데이터셋이지만, 일반적인 컴퓨터 비전에도 유용합니다. 합성 데이터, 카메라 센서 데이터 등이 포함되어 있습니다.

700장 이상의 이미지. (포맷: tiff)
32. [Computational Vision Lab](http://www.cs.sfu.ca/~colour/)
34. [Content-based image retrieval database](http://www.cs.washington.edu/research/imagedatabase/groundtruth/) - 내용 기반 검색 알고리즘 테스트를 위한 11개의 컬러 이미지 세트. 대부분의 세트에는 각 이미지의 객체 이름이 포함된 설명 파일이 있습니다. (포맷: jpg)
35. [Efficient Content-based Retrieval Group](http://www.cs.washington.edu/research/imagedatabase/)
37. [Densely Sampled View Spheres](http://ls7-www.cs.uni-dortmund.de/~peters/pages/research/modeladaptsys/modeladaptsys_vba_rov.html) - 조밀하게 샘플링된 뷰 구(view sphere) - 각각 2500장의 이미지가 포함된 두 장난감 객체의 뷰 구 상단 절반. (포맷: tiff)
38. [Computer Science VII (Graphical Systems)](http://ls7-www.cs.uni-dortmund.de/)
40. [Digital Embryos](https://web-beta.archive.org/web/20011216051535/vision.psych.umn.edu/www/kersten-lab/demos/digitalembryo.html) - 디지털 배아는 객체 인식 시스템을 개발하고 테스트하는 데 사용할 수 있는 새로운 객체입니다. 유기적인 외관을 가지고 있습니다. (포맷: 요청 시 다양한 포맷 제공 가능)
41. [Univerity of Minnesota Vision Lab](http://vision.psych.umn.edu/users/kersten//kersten-lab/kersten-lab.html) 
42. [El Salvador Atlas of Gastrointestinal VideoEndoscopy](http://www.gastrointestinalatlas.com) - 위장관 비디오 내시경 검사에서 촬영한 고해상도 연구 이미지 및 비디오. (포맷: jpg, mpg, gif)
43. [FG-NET Facial Aging Database](http://sting.cycollege.ac.cy/~alanitis/fgnetaging/index.htm) - 다양한 연령대의 피사체를 보여주는 1002장의 얼굴 이미지 데이터베이스. (포맷: jpg)
44. [FVC2000 Fingerprint Databases](http://bias.csr.unibo.it/fvc2000/) - FVC2000은 최초의 지문 인식 알고리즘 국제 경진대회입니다. 4개의 지문 데이터베이스가 FVC2000 벤치마크를 구성합니다 (총 3520개의 지문).
45. [Biometric Systems Lab](http://biolab.csr.unibo.it/home.asp) - 볼로냐 대학교
46. [Face and Gesture images and image sequences](http://www.fg-net.org) - 벤치마킹을 위해 그라운드 트루스(ground truth) 주석이 달린 여러 얼굴 및 제스처 이미지 데이터셋
47. [German Fingerspelling Database](http://www-i6.informatik.rwth-aachen.de/~dreuw/database.html) - 이 데이터베이스는 35개의 제스처를 포함하며, 균일하지 않은 주간 조명 조건에서 녹화된 20명의 서로 다른 사람들의 제스처가 포함된 1400개의 이미지 시퀀스로 구성되어 있습니다. (포맷: mpg, jpg)  
48. [Language Processing and Pattern Recognition](http://www-i6.informatik.rwth-aachen.de/)
50. [Groningen Natural Image Database](http://hlab.phys.rug.nl/archive.html) - 4000장 이상의 1536x1024 (16비트) 캘리브레이션된 야외 이미지 (포맷: 홈브루)
51. [ICG Testhouse sequence](http://www.icg.tu-graz.ac.at/~schindler/Data) - 서로 다른 촬영 높이에서의 턴테이블 시퀀스 2개, 각 36장, 해상도 1000x750, 컬러 (포맷: PPM)
52. [Institute of Computer Graphics and Vision](http://www.icg.tu-graz.ac.at)
54. [IEN Image Library](http://www.ien.it/is/vislib/) - 1000장 이상의 이미지, 주로 야외 시퀀스 (포맷: raw, ppm)  
55. [INRIA's Syntim images database](http://www-rocq.inria.fr/~tarel/syntim/images.html) - 단순 객체의 컬러 이미지 15장 (포맷: gif)
56. [INRIA](http://www.inria.fr/)
57. [INRIA's Syntim stereo databases](http://www-rocq.inria.fr/~tarel/syntim/paires.html) - 캘리브레이션된 컬러 스테레오 쌍 34개 (포맷: gif)
58. [Image Analysis Laboratory](http://www.ece.ncsu.edu/imaging/Archives/ImageDataBase/index.html) - 다양한 이미징 양식에서 얻은 이미지 -- raw CFA 이미지, 거리 이미지 및 다수의 "의학 이미지". (포맷: 홈브루)
59. [Image Analysis Laboratory](http://www.ece.ncsu.edu/imaging)
61. [Image Database](http://www.prip.tuwien.ac.at/prip/image.html) - 일부 텍스처를 포함하는 이미지 데이터베이스  
62. [JAFFE Facial Expression Image Database](http://www.mis.atr.co.jp/~mlyons/jaffe.html) - JAFFE 데이터베이스는 6가지 기본 표정을 짓는 일본 여성 피사체의 이미지 213장으로 구성되어 있습니다.

중립적인 포즈로 제공됩니다. 감정 형용사에 대한 평점 데이터도 연구 목적으로 무료로 이용할 수 있습니다. (형식: TIFF 흑백 이미지)
63. [ATR Research, Kyoto, Japan](http://www.mic.atr.co.jp/)
64. [JISCT Stereo Evaluation](ftp://ftp.vislist.com/IMAGERY/JISCT/) - 44개의 이미지 쌍. 이 데이터는 R.C.Bolles, H.H.Baker, M.J.Hannah가 작성하고 263--274쪽에 실린 1993년 4월 ARPA Image Understanding Workshop 논문 "The JISCT Stereo Evaluation"에 설명된 대로 스테레오 분석 평가에 사용되었습니다. (형식: SSI)
65. [MIT Vision Texture](https://vismod.media.mit.edu/vismod/imagery/VisionTexture/vistex.html) - 이미지 아카이브 (100장 이상) (형식: ppm)
66. [MIT face images and more](ftp://whitechapel.media.mit.edu/pub/images) - 수백 장의 이미지 (형식: 홈브류)
67. [Machine Vision](http://vision.cse.psu.edu/book/testbed/images/) - Jain, Kasturi, Schunck의 교과서에 나오는 이미지 (20장 이상) (형식: GIF TIFF)
68. [Mammography Image Databases](http://marathon.csee.usf.edu/Mammography/Database.html) - 정답(ground truth)이 포함된 100장 이상의 유방 촬영술 이미지. 요청 시 추가 이미지를 제공하며, 여러 다른 유방 촬영술 데이터베이스 링크가 제공됩니다. (형식: 홈브류)
69. [ftp://ftp.cps.msu.edu/pub/prip](ftp://ftp.cps.msu.edu/pub/prip) - 다수의 이미지 (형식: 알 수 없음)
70. [Middlebury Stereo Data Sets with Ground Truth](http://www.middlebury.edu/stereo/data.html) - 평면 영역을 포함하는 장면에 대한 6개의 멀티 프레임 스테레오 데이터 세트. 각 데이터 세트는 9장의 컬러 이미지와 서브픽셀 정확도의 정답 데이터를 포함합니다. (형식: ppm)
71. [Middlebury Stereo Vision Research Page](http://www.middlebury.edu/stereo) - 미들버리 대학교(Middlebury College)
72. [Modis Airborne simulator, Gallery and data set](http://ltpwww.gsfc.nasa.gov/MODIS/MAS/) - NASA EOS 프로그램을 지원하기 위한 환경 모델링용 전 세계 고고도 이미지 (형식: JPG 및 HDF)
73. [NIST Fingerprint and handwriting](ftp://sequoyah.ncsl.nist.gov/pub/databases/data) - 데이터세트 - 수천 장의 이미지 (형식: 알 수 없음)
74. [NIST Fingerprint data](ftp://ftp.cs.columbia.edu/jpeg/other/uuencoded) - 압축된 멀티파트 uuencoded tar 파일
75. [NLM HyperDoc Visible Human Project](http://www.nlm.nih.gov/research/visible/visible_human.html) - 컬러, CAT 및 MRI 이미지 샘플 - 30장 이상 (형식: jpeg)
76. [National Design Repository](http://www.designrepository.org) - (주로) 기계/가공 공학 설계의 55,000개 이상의 3D CAD 및 솔리드 모델. (형식: gif, vrml, wrl, stp, sat)
77. [Geometric & Intelligent Computing Laboratory](http://gicl.mcs.drexel.edu)
79. [OSU (MSU) 3D Object Model Database](http://eewww.eng.ohio-state.edu/~flynn/3DDB/Models/) - 객체 인식 연구에 사용하기 위해 수년에 걸쳐 수집된 여러 세트의 3D 객체 모델 (형식: 홈브류, vrml)
80. [OSU (MSU/WSU) Range Image Database](http://eewww.eng.ohio-state.edu/~flynn/3DDB/RID/) - 수백 개의 실제 및 합성 이미지 (형식: gif, 홈브류)
81. [OSU/SAMPL Database: Range Images, 3D Models, Stills, Motion Sequences](http://sampl.eng.ohio-state.edu/~sampl/database.htm) - 1000개 이상의 거리 이미지(range image), 3D 객체 모델, 정지 영상 및 모션 시퀀스 (형식: gif, ppm, vrml, 홈브류)
82. [Signal Analysis and Machine Perception Laboratory](http://sampl.eng.ohio-state.edu)
84. [Otago Optical Flow Evaluation Sequences](http://www.cs.otago.ac.nz/research/vision/Research/OpticalFlow/opticalflow.html) - 기계 판독 가능한 정답 광학 흐름 필드가 포함된 합성 및 실제 시퀀스, 그리고 새로운 시퀀스의 정답을 생성하는 도구. (형식: ppm, tif, 홈브류)
85. [Vision Research Group](http://www.cs.otago.ac.nz/research/vision/index.html)
87. [ftp://ftp.limsi.fr/pub/quenot/opflow/testdata/piv/](ftp://ftp.limsi.fr/pub/quenot/opflow/testdata/piv/) - 입자 영상 속도계(Particle Image Velocimetry) 애플리케이션 테스트에 사용되는 실제 및 합성 이미지 시퀀스. 이 이미지는 광학 흐름 및 이미지 매칭 알고리즘 테스트에 사용할 수 있습니다. (형식: pgm (raw))
88. [LIMSI-CNRS/CHM/I

MM/vision](http://www.limsi.fr/Recherche/IMM/PageIMM.html)
89. [LIMSI-CNRS](http://www.limsi.fr/)
90. [Photometric 3D Surface Texture Database](http://www.taurusstudio.net/research/pmtexdb/index.htm) - 완전한 실제 표면 회전과 등록된 측광 스테레오 데이터(30개의 텍스처, 1,680장의 이미지)를 모두 제공하는 최초의 3D 텍스처 데이터베이스입니다. (포맷: TIFF)
91. [SEQUENCES FOR OPTICAL FLOW ANALYSIS (SOFA)](http://www.cee.hw.ac.uk/~mtc/sofa) - 모션 및 카메라 파라미터의 완전한 정답(Ground Truth)을 포함하여, 모션 분석 응용 프로그램을 테스트하기 위해 설계된 9개의 합성 시퀀스입니다. (포맷: gif)
92. [Computer Vision Group](http://www.cee.hw.ac.uk/~mtc/research.html)
94. [Sequences for Flow Based Reconstruction](http://www.nada.kth.se/~zucch/CAMERA/PUB/seq.html) - 모션 기반 구조(Structure from Motion) 알고리즘을 테스트하기 위한 합성 시퀀스 (포맷: pgm)
95. [Stereo Images with Ground Truth Disparity and Occlusion](http://www-dbv.cs.uni-bonn.de/stereo_data/) - 다양한 양의 노이즈가 추가된 복도의 합성 이미지 소규모 세트입니다. 스테레오 알고리즘을 벤치마킹하는 데 이 이미지를 사용하세요. (포맷: raw, viff (khoros), 또는 tiff)
96. [Stuttgart Range Image Database](http://range.informatik.uni-stuttgart.de) - 웹에서 제공되는 고해상도 다각형 모델에서 가져온 합성 거리 이미지 모음 (포맷: homebrew)
97. [Department Image Understanding](http://www.informatik.uni-stuttgart.de/ipvr/bv/bv_home_engl.html)
99. [The AR Face Database](http://www2.ece.ohio-state.edu/~aleix/ARdatabase.html) - 126명의 사람(남성 70명, 여성 56명)에 해당하는 4,000장 이상의 컬러 이미지 포함. 표정, 조명, 가림(Occlusion)에 변화가 있는 정면 뷰. (포맷: RAW (RGB 24-bit))
100. [Purdue Robot Vision Lab](http://rvl.www.ecn.purdue.edu/RVL/)
101. [The MIT-CSAIL Database of Objects and Scenes](http://web.mit.edu/torralba/www/database.html) - 다중 클래스 객체 감지 및 장면 인식 알고리즘을 테스트하기 위한 데이터베이스입니다. 2,873개의 주석 처리된 프레임을 포함한 72,000장 이상의 이미지. 50개 이상의 주석 처리된 객체 클래스. (포맷: jpg)
102. [The RVL SPEC-DB (SPECularity DataBase)](http://rvl1.ecn.purdue.edu/RVL/specularity_database/) - 세 가지 서로 다른 조명 조건(확산/주위/지향성) 하에서 촬영된 100개 객체의 300장 이상의 실제 이미지 모음. -- 컬러 이미지에서 반사광(Specular Highlight)을 감지하고 보정하는 알고리즘을 테스트하는 데 이 이미지를 사용하세요. (포맷: TIFF)
103. [Robot Vision Laboratory](http://rvl1.ecn.purdue.edu/RVL/)
105. [The Xm2vts database](http://xm2vtsdb.ee.surrey.ac.uk) - XM2VTSDB는 4개월 동안 295명의 사람을 촬영한 4개의 디지털 녹화본을 포함합니다. 이 데이터베이스에는 얼굴의 이미지 및 비디오 데이터가 모두 포함되어 있습니다.
106. [Centre for Vision, Speech and Signal Processing](http://www.ee.surrey.ac.uk/Research/CVSSP)
107. [Traffic Image Sequences and 'Marbled Block' Sequence](http://i21www.ira.uka.de/image_sequences) - 수천 프레임의 디지털화된 교통 이미지 시퀀스 및 'Marbled Block' 시퀀스(그레이스케일 이미지) (포맷: GIF)
108. [IAKS/KOGS](http://i21www.ira.uka.de)
110. [U Bern Face images](ftp://ftp.iam.unibe.ch/pub/Images/FaceImages) - 수백 장의 이미지 (포맷: Sun rasterfile)
111. [U Michigan textures](ftp://freebie.engin.umich.edu/pub/misc/textures) (포맷: compressed raw)
112. [U Oulu wood and knots database](http://www.ee.oulu.fi/~olli/Projects/Lumber.Grading.html) - 분류 포함 - 1000장 이상의 컬러 이미지 (포맷: ppm)
113. [UCID - an Uncompressed Colour Image Database](http://vision.doc.ntu.ac.uk/datasets/UCID/ucid.html) - 사전 정의된 정답(Ground Truth)이 있는 이미지 검색용 벤치마크 데이터베이스입니다. (포맷: tiff)
115. [UMass Vision Image Archive](http://vis-www.cs.umass.edu/~vislib/) - 항공, 우주, 스테레오, 의료 이미지 등이 포함된 대규모 이미지 데이터베이스. (포맷: homebrew)
116. [UNC's 3D image database](ftp://sunsite.unc.edu/pub/academic/computer-science/virtual-reality/3d) - 많은 이미지 (포맷: GIF)
117. [USF Range Image Data

segmentation Ground Truth 포함](http://marathon.csee.usf.edu/range/seg-comp/SegComp.html) - 80개의 이미지 세트 (형식: Sun rasterimage)
118. [University of Oulu Physics-based Face Database](http://www.ee.oulu.fi/research/imag/color/pbfd.html) - 서로 다른 광원 및 카메라 캘리브레이션 조건에서의 얼굴 컬러 이미지와 각 사람의 피부 분광 반사율 측정값을 포함합니다.
119. [Machine Vision and Media Processing Unit](http://www.ee.oulu.fi/mvmp/)
121. [University of Oulu Texture Database](http://www.outex.oulu.fi) - 320개의 표면 텍스처 데이터베이스로, 각각 세 가지 광원, 여섯 가지 공간 해상도, 아홉 가지 회전 각도에서 촬영되었습니다. 텍스처 분할, 분류, 검색 알고리즘을 표준적인 방식으로 테스트할 수 있도록 일련의 테스트 스위트도 함께 제공됩니다. (형식: bmp, ras, xv)
122. [Machine Vision Group](http://www.ee.oulu.fi/mvg)
124. [Usenix face database](ftp://ftp.uu.net/published/usenix/faces) - 다양한 사이트에서 수집한 수천 개의 얼굴 이미지 (994년경)
125. [View Sphere Database](http://www-prima.inrialpes.fr/Prima/hall/view_sphere.html) - 다양한 시점에서 본 8개의 객체 이미지. 뷰 스피어(view sphere)는 구당 172개의 이미지를 가진 측지선(geodesic)을 사용하여 샘플링됩니다. 훈련용과 테스트용 두 가지 세트를 사용할 수 있습니다. (형식: ppm)
126. [PRIMA, GRAVIR](http://www-prima.inrialpes.fr/Prima/)
127. [Vision-list Imagery Archive](ftp://ftp.vislist.com/IMAGERY/) - 다양한 이미지, 다양한 형식
128. [Wiry Object Recognition Database](http://www.cs.cmu.edu/~owenc/word.htm) - 카트, 사다리, 스툴, 자전거, 의자 등의 수천 가지 이미지와 에지 및 영역에 대한 ground truth 라벨링이 포함된 복잡한 장면. (형식: jpg)
129. [3D Vision Group](http://www.cs.cmu.edu/0.000000E+003dvision/)
131. [Yale Face Database](http://cvc.yale.edu/projects/yalefaces/yalefaces.html) - 조명, 표정, 가림(occlusion) 구성이 다른 165개의 이미지 (15명).
132. [Yale Face Database B](http://cvc.yale.edu/projects/yalefacesB/yalefacesB.html) - 576가지 촬영 조건(9개 포즈 x 64개 조명 조건)에서 각각 촬영된 10명 대상의 단일 광원 이미지 5760개. (형식: PGM)
133. [Center for Computational Vision and Control](http://cvc.yale.edu/)
134. [DeepMind QA Corpus](https://github.com/deepmind/rc-data) - CNN 및 DailyMail의 텍스트 기반 QA 말뭉치. 총 30만 건 이상의 문서. 참고용 [Paper](http://arxiv.org/abs/1506.03340).
135. [YouTube-8M Dataset](https://research.google.com/youtube8m/) - YouTube-8M은 800만 개의 YouTube 영상 ID와 4,800개의 다양한 시각적 엔티티 어휘에서 파생된 관련 라벨로 구성된 대규모 라벨링 비디오 데이터셋입니다.
136. [Open Images dataset](https://github.com/openimages/dataset) - Open Images는 6,000개 이상의 카테고리에 걸쳐 라벨이 지정된 약 900만 개의 이미지 URL 데이터셋입니다.
137. [Visual Object Classes Challenge 2012 (VOC2012)](http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html#devkit) - 객체 검출 및 분할을 위해 20개의 라벨이 지정된 클래스를 포함하는 1만 2천 개의 이미지로 구성된 VOC2012 데이터셋.
138. [Fashion-MNIST](https://github.com/zalandoresearch/fashion-mnist) - 60,000개의 훈련 예제와 10,000개의 테스트 예제로 구성된 MNIST 스타일의 패션 상품 데이터셋. 각 예제는 10개 클래스 중 하나의 라벨과 연결된 28x28 그레이스케일 이미지입니다.
139. [Large-scale Fashion (DeepFashion) Database](http://mmlab.ie.cuhk.edu.hk/projects/DeepFashion.html) - 80만 개 이상의 다양한 패션 이미지를 포함합니다. 이 데이터셋의 각 이미지에는 50개의 카테고리, 1,000개의 설명 속성, 바운딩 박스 및 의류 랜드마크가 라벨로 지정되어 있습니다.
140. [FakeNewsCorpus](https://github.com/several27/FakeNewsCorpus) - [opensources.co](http://opensources.co) 유형을 사용하여 분류된 약 1,000만 건의 뉴스 기사 포함
141. [LLVIP](https://github.com/bupt-ai-cz/LLVIP) - 저조도 비전 연구를 위한 15,488개의 가시광선-적외선 쌍 이미지(30,976개 이미지), [Project_Page](https://bupt-ai-cz.github.io/LLVIP/)

142. [MSDA](https://github.com/bupt-ai-cz/Meta-SelfLearning) - 멀티 소스 OCR/텍스트 인식 DA 연구를 위해 5개의 서로 다른 도메인에서 수집한 500만 장 이상의 이미지, [Project_Page](https://bupt-ai-cz.github.io/Meta-SelfLearning/)
143. [SANAD: Single-Label Arabic News Articles Dataset for Automatic Text Categorization](https://data.mendeley.com/datasets/57zpx667y9/2) - SANAD 데이터셋은 텍스트 분류 및 워드 임베딩과 같은 다양한 아랍어 NLP 작업에 사용할 수 있는 대규모 아랍어 뉴스 기사 모음입니다. 이 기사들은 AlKhaleej, AlArabiya, Akhbarona 등 세 개의 인기 뉴스 웹사이트를 위해 특별히 작성된 Python 스크립트를 사용하여 수집되었습니다.
144. [Referit3D](https://referit3d.github.io) - ScanNet 씬에서 세밀한 3D 객체를 식별하기 위한 두 가지 대규모 상호 보완적 시각-언어 데이터셋(Nr3D 및 Sr3D). Nr3D는 41.5K개의 자연스럽고 자유 형식의 발화를 포함하고, Sr3d는 83.5K개의 템플릿 기반 발화를 포함합니다.
145. [SQuAD](https://rajpurkar.github.io/SQuAD-explorer/) - 스탠퍼드(Stanford)에서 공개한 약 100,000개의 영어 QA 쌍 및 약 50,000개의 답변 불가능한 질문
146. [FQuAD](https://fquad.illuin.tech/) - 일루인 테크놀로지(Illuin Technology)에서 공개한 약 25,000개의 프랑스어 QA 쌍
147. [GermanQuAD and GermanDPR](https://www.deepset.ai/germanquad) - 딥셋(deepset)에서 공개한 약 14,000개의 독일어 QA 쌍
148. [SberQuAD](https://github.com/annnyway/QA-for-Russian) - 스베르방크(Sberbank)에서 공개한 약 90,000개의 러시아어 QA 쌍
149. [ArtEmis](http://artemisdataset.org/) - WikiArt의 예술품 80,000점에 대한 감정적 반응의 450K 감성 주석 및 언어적 설명 포함

### 컨퍼런스

1. [CVPR - IEEE Conference on Computer Vision and Pattern Recognition](http://cvpr2018.thecvf.com)
2. [AAMAS - International Joint Conference on Autonomous Agents and Multiagent Systems](http://celweb.vuse.vanderbilt.edu/aamas18/)
3. [IJCAI - 	International Joint Conference on Artificial Intelligence](https://www.ijcai-18.org/)
4. [ICML - 	International Conference on Machine Learning](https://icml.cc)
5. [ECML - European Conference on Machine Learning](http://www.ecmlpkdd2018.org)
6. [KDD - Knowledge Discovery and Data Mining](http://www.kdd.org/kdd2018/)
7. [NIPS - Neural Information Processing Systems](https://nips.cc/Conferences/2018)
8. [O'Reilly AI Conference - 	O'Reilly Artificial Intelligence Conference](https://conferences.oreilly.com/artificial-intelligence/ai-ny)
9. [ICDM - International Conference on Data Mining](https://www.waset.org/conference/2018/07/istanbul/ICDM)
10. [ICCV - International Conference on Computer Vision](http://iccv2017.thecvf.com)
11. [AAAI - Association for the Advancement of Artificial Intelligence](https://www.aaai.org)
12. [MAIS - Montreal AI Symposium](https://montrealaisymposium.wordpress.com/)

### 프레임워크

1.  [Caffe](http://caffe.berkeleyvision.org/)  
2.  [Torch7](http://torch.ch/)
3.  [Theano](http://deeplearning.net/software/theano/)
4.  [cuda-convnet](https://code.google.com/p/cuda-convnet2/)
5.  [convetjs](https://github.com/karpathy/convnetjs)
5.  [Ccv](http://libccv.org/doc/doc-convnet/)
6.  [NuPIC](http://numenta.org/nupic.html)
7.  [DeepLearning4J](http://deeplearning4j.org/)
8.  [Brain](https://github.com/harthur/brain)
9.  [DeepLearnToolbox](https://github.com/rasmusbergpalm/DeepLearnToolbox)
10.  [Deepnet](https://github.com/nitishsrivastava/deepnet)
11.  [Deeppy](https://github.com/andersbll/deeppy)
12.  [JavaNN](https://github.com/ivan-vasilev/neuralnetworks)
13.  [hebel](https://github.com/hannes-brt/hebel)
14.  [Mocha.jl](https://github.com/pluskid/Mocha.jl)
15.  [OpenDL](https://github.com/guoding83128/OpenDL)
16.  [cuDNN](https://developer.nvidia.com/cuDNN)
17.  [MGL](http://melisgl.github.io/mgl-pax-world/mgl-manual.html)
18.  [Knet.jl](https://github.com/denizyuret/Knet.jl)
19.  [Nvidia DIGITS - Caffe 기반의 웹 앱](https://github.com/NVIDIA/DIGITS)
20.  [Neon - 파이썬 기반 딥러닝 프레임워크](https://github.com/NervanaSystems/neon)
21.  [Keras - Theano 기반 딥러닝 라이브러리](http://keras.io)
22.  [Chainer - 딥러닝을 위한 유연한 신경망 프레임워크](http://chainer.org/)
23.  [RNNLM Toolkit](http://rnnlm.org/)
24.  [RNNLIB - 순환 신경망 라이브러리](http://sourceforge.net/p/rnnl/wiki/Home/)
25.  [char-rnn](https://github.com/karpathy/char-rnn)
26.  [MatConvNet: MATLAB용 CNN](https://github.com/vlfeat/matconvnet)
27.  [Minerva - 멀티 GPU 기반 딥러닝을 위한 빠르고 유연한 도구](https://github.com/dmlc/minerva)
28.  [Brainstorm - 빠르고 유연하며 재미있는 신경망](https://github.com/IDSIA/brainstorm)
29.  [Tensorflow - 데이터 플로우 그래프를 이용한 수치 연산용 오픈소스 소프트웨어 라이브러리](https://github.com/tensorflow/tensorflow)
30.  [DMTK - 마이크로소프트 분산 머신러닝 툴킷](https://github.com/Microsoft/DMTK)
31.  [Scikit Flow - TensorFlow를 위한 간소화된 인터페이스 (Scikit Learn 모방)](https://github.com/google/skflow)
32.  [MXnet - 가볍고 휴대성이 좋으며 유연한 분산/모바일 딥러닝 프레임워크](https://github.com/apache/incubator-mxnet)
33.  [Veles - 삼성 분산 머신러닝 플랫폼](https://github.com/Samsung/veles)
34.  [Marvin - 미니멀리스트 GPU 전용 N차원 ConvNets 프레임워크](https://github.com/PrincetonVision/marvin)
35.  [Apache SINGA - 범용 분산 딥러닝 플랫폼](http://singa.incubator.apache.org/)
36.  [DSSTNE - 딥러닝 모델 구축을 위한 아마존의 라이브러리](https://github.com/amznlabs/amazon-dsstne)
37.  [SyntaxNet - 구글의 구문 분석기 - TensorFlow 의존성 라이브러리](https://github.com/tensorflow/models/tree/master/syntaxnet)
38.  [mlpack - 확장 가능한 머신러닝 라이브러리](http://mlpack.org/)
39.  [Torchnet - Torch 기반 딥러닝 라이브러리](https://github.com/torchnet/torchnet)
40.  [Paddle - 바이두가 만든 PArallel Distributed Deep LEarning](https://github.com/baidu/paddle)
41.  [NeuPy - ANN 및 딥러닝을 위한 Theano 기반 파이썬 라이브러리](http://neupy.com)
42.  [Lasagne - Theano에서 신경망을 구축하고 학습하기 위한 경량 라이브러리](https://github.com/Lasagne/Lasagne)
43.  [nolearn - 기존 신경망 라이브러리(특히 Lasagne)를 감싸는 래퍼 및 추상화 도구](https://github.com/dnouri/nolearn)
44.  [Sonnet - 구글의 DeepMind가 만든 신경망 구축 라이브러리](https://github.com/deepmind/sonnet)
45.  [PyTorch - 강력한 GPU 가속을 지원하는 파이썬 기반의 텐서 및 동적 신경망](https://github.com/pytorch/pytorch)
46.  [CNTK - 마이크로소프트 인지 툴킷](https://github.com/Microsoft/CNTK)
47.  [Serpent.AI - 게임 에이전트 프레임워크: 모든 비디오 게임을 딥러닝 샌드박스로 활용](https://github.com/SerpentAI/SerpentAI)
48.  [Caffe2 - 새롭고 가볍고 모듈화되었으며 확장 가능한 딥러닝 프레임워크](https://github.com

com/caffe2/caffe2)
49.  [deeplearn.js - 웹을 위한 하드웨어 가속 딥러닝 및 선형 대수(NumPy) 라이브러리](https://github.com/PAIR-code/deeplearnjs)
50.  [TVM - CPU, GPU 및 특수 가속기를 위한 엔드투엔드 딥러닝 컴파일러 스택](https://tvm.ai/)
51.  [Coach - Intel® AI Lab의 강화학습 코치](https://github.com/NervanaSystems/coach)
52.  [albumentations - 빠르고 프레임워크에 구애받지 않는 이미지 증강 라이브러리](https://github.com/albu/albumentations)
53.  [Neuraxle - 범용 ML 파이프라인 프레임워크](https://github.com/Neuraxio/Neuraxle)
54.  [Catalyst: PyTorch DL 및 RL 연구를 위한 고수준 유틸리티. 재현성, 빠른 실험, 코드/아이디어 재사용에 초점을 맞춰 개발되었습니다.](https://github.com/catalyst-team/catalyst)
55.  [garage - 재현 가능한 강화학습 연구를 위한 툴킷](https://github.com/rlworkgroup/garage)
56.  [Detecto - 5~10줄의 코드로 객체 검출 모델을 학습하고 실행하기](https://github.com/alankbi/detecto)
57.  [Karate Club - 그래프 구조 데이터를 위한 비지도 머신러닝 라이브러리](https://github.com/benedekrozemberczki/karateclub)
58.  [Synapses - 어디서나 실행할 수 있는 신경망용 경량 라이브러리](https://github.com/mrdimosthenis/Synapses)
59.  [TensorForce - 응용 강화학습을 위한 TensorFlow 라이브러리](https://github.com/reinforceio/tensorforce)
60.  [Hopsworks - ML 및 데이터 집약적 AI를 위한 피처 스토어](https://github.com/logicalclocks/hopsworks)
61.  [Feast - Gojek/Google의 GCP용 ML 피처 스토어](https://github.com/gojek/feast)
62.  [PyTorch Geometric Temporal - 동적 그래프에 대한 표현 학습](https://github.com/gojek/feast)
63.  [lightly - 자기 지도 학습을 위한 컴퓨터 비전 프레임워크](https://github.com/lightly-ai/lightly)
64.  [Trax — 명확한 코드와 속도를 갖춘 딥러닝](https://github.com/google/trax)
65.  [Flax - 유연성을 위해 설계된 JAX용 신경망 생태계](https://github.com/google/flax)
66.  [QuickVision](https://github.com/Quick-AI/quickvision)
67.  [Colossal-AI - 효율적인 병렬화 기술이 적용된 통합 대규모 모델 학습 시스템](https://github.com/hpcaitech/ColossalAI)
68.  [haystack: 오픈소스 신경망 검색 프레임워크](https://haystack.deepset.ai/docs/intromd)
69.  [Maze](https://github.com/enlite-ai/maze) - 실제 의사결정 문제를 해결하는 애플리케이션 지향 심층 강화학습 프레임워크.
70.  [InsNet - 패딩 없는 동적 배칭을 사용하여 인스턴스 종속 NLP 모델을 구축하기 위한 신경망 라이브러리](https://github.com/chncwang/InsNet)

### Tools

1.  [Nebullvm](https://github.com/nebuly-ai/nebullvm) - 여러 딥러닝 컴파일러를 활용하여 딥러닝 추론을 가속화하는 사용하기 쉬운 라이브러리입니다.
2.  [Netron](https://github.com/lutzroeder/netron) - 딥러닝 및 머신러닝 모델 시각화 도구입니다.
2.  [Jupyter Notebook](http://jupyter.org) - 대화형 컴퓨팅을 위한 웹 기반 노트북 환경입니다.
3.  [TensorBoard](https://github.com/tensorflow/tensorboard) - TensorFlow의 시각화 도구 킷입니다.
4.  [Visual Studio Tools for AI](https://www.microsoft.com/en-us/research/project/visual-studio-code-tools-ai/) - 딥러닝 및 AI 솔루션을 개발, 디버깅 및 배포합니다.
5.  [TensorWatch](https://github.com/microsoft/tensorwatch) - 딥러닝을 위한 디버깅 및 시각화 도구입니다.
6. [ML Workspace](https://github.com/ml-tooling/ml-workspace) - 머신러닝 및 데이터 과학을 위한 올인원 웹 기반 IDE입니다.
7.  [dowel](https://github.com/rlworkgroup/dowel) - 머신러닝 연구를 위한 가벼운 로거입니다. `logger.log()`를 한 번 호출하는 것만으로 콘솔, CSV, TensorBoard, 텍스트 로그 파일 등에 모든 객체를 기록할 수 있습니다.
8.  [Neptune](https://neptune.ai/) - 실험 추적 및 결과 시각화를 위한 경량 도구입니다. 
9.  [CatalyzeX](https://chrome.google.com/webstore/detail/code-finder-for-research/aikkeehnlfpamidigaffhfmgbkdeheil) - Google, Twitter, Arxiv, Scholar 등 온라인 어디서나 ML 논문의 코드 구현을 자동으로 찾아 링크해 주는 브라우저 확장 프로그램입니다 ([Chrome](https://chrome.google.com/webstore/detail/code-finder-for-research/aikkeehnlfpamidigaffhfmgbkdeheil) 및 [Firefox](https://addons.mozilla.org/en-US/firefox/addon/code-finder-catalyzex/) 지원).
10. [Determined](https://github.com/determined-ai/determined) - 분산 학습, 하이퍼파라미터 튜닝, 스마트 GPU 스케줄링, 실험 추적 및 모델 레지스트리에 대한 통합 지원을 제공하는 딥러닝 학습 플랫폼입니다.
11. [DAGsHub](https://dagshub.com/) - 오픈소스 ML을 위한 커뮤니티 플랫폼으로, 실험, 데이터 및 모델을 관리하고 협업 ML 프로젝트를 쉽게 생성할 수 있습니다.
12. [hub](https://github.com/activeloopai/Hub) - activeloop.ai에서 만든 TensorFlow/PyTorch를 위한 가장 빠른 비구조화 데이터셋 관리 도구입니다. 데이터를 스트리밍하고 버전 관리할 수 있습니다. 대용량 데이터를 클라우드의 단일 numpy 형태 배열로 변환하여 어떤 머신에서든 접근할 수 있습니다.
13. [DVC](https://dvc.org/) - DVC는 ML 모델을 공유하고 재현할 수 있도록 만들어졌습니다. 코드뿐만 아니라 대용량 파일, 데이터셋, 머신러닝 모델, 지표를 처리하도록 설계되었습니다.
14. [CML](https://cml.dev/) - CML은 선호하는 DevOps 도구를 머신러닝에 도입할 수 있도록 도와줍니다.
15. [MLEM](https://mlem.ai/) - MLEM은 머신러닝 모델을 쉽게 패키징, 배포 및 서빙할 수 있는 도구입니다. 실시간 서빙 및 배치 처리와 같은 다양한 시나리오를 원활하게 지원합니다.
16. [Maxim AI](https://getmaxim.ai) - AI Agent 시뮬레이션, 평가 및 관측성을 위한 도구입니다.

### Miscellaneous

1.  [Caffe Webinar](http://on-demand-gtc.gputechconf.com/gtcnew/on-demand-gtc.php?searchByKeyword=shelhamer&amp;searchItems=&amp;sessionTopic=&amp;sessionEvent=4&amp;sessionYear=2014&amp;sessionFormat=&amp;submit=&amp;select=+)
2.  [100 Best Github Resources in Github for DL](http://meta-guide.com/software-meta-guide/100-best-github-deep-learning/)
3.  [Word2Vec](https://code.google.com/p/word2vec/)
4.  [Caffe DockerFile](https://github.com/tleyden/docker/tree/master/caffe)
5.  [TorontoDeepLEarning convnet](https://github.com/TorontoDeepLearning/convnet)
6.  [gfx.js](https://github.com/clementfarabet/gfx.js)
7.  [Torch7 Cheat sheet](https://github.com/torch/torch7/wiki/Cheatsheet)
8. [MIT의 '고급 자연어 처리(Advanced Natural Language Processing)' 강의 관련 자료 모음](http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-864-advanced-natural-language-processing-fall-2005/)
9. [MIT의 '머신러닝(Machine Learning)' 강의 관련 자료 모음](http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/lecture-notes/)
10. [MIT의 '학습을 위한 네트워크: 회귀 및 분류(Networks for Learning: Regression and Classification)' 강의 관련 자료 모음](http://ocw.mit.edu/courses/brain-and-cognitive-sciences/9-520-a-networks-for-learning-regression-and-classification-spring-2001/)
11. [MIT의 '소리의 신경 코딩 및 인지(Neural Coding and Perception of Sound)' 강의 관련 자료 모음](http://ocw.mit.edu/courses/health-sciences-and-technology/hst-723j-neural-coding-and-perception-of-sound-spring-2005/index.htm)
12. [Implementing a Distributed Deep Learning Network over Spark](http://www.datasciencecentral.com/profiles/blogs/implementing-a-distributed-deep-learning-network-over-spark)
13. [딥러닝을 사용하여 체스 두는 법을 학습하는 체스 AI.](https://github.com/erikbern/deep-pink)
14. [DeepMind의 논문 "Playing Atari with Deep Reinforcement Learning" 결과 재구현](https://github.com/kristjankorjus/Replicating-DeepMind)
15. [Wiki2Vec. 위키백과 덤프에서 개체와 단어를 위한 Word2Vec 벡터 얻기](https://github.com/idio/wiki2vec)
16. [DeepMind 아티클의 원본 코드 + 트윅](https://github.com/kuz/DeepMind-Atari-Deep-Q-Learner)
17. [Google deepdream - 신경망 예술](https://github.com/google/deepdream)
18. [효율적인 배치 처리 LSTM.](https://gist.github.com/karpathy/587454dc0146a6ae21fc)
19. [클래식 음악을 생성하도록 설계된 순환 신경망.](https://github.com/hexahedria/biaxial-rnn-music-composition)
20. [Memory Networks 구현 - Facebook](https://github.com/facebook/MemNN)
21. [Google의 FaceNet 딥 뉴럴 네트워크를 이용한 얼굴 인식.](https://github.com/cmusatyalab/openface)
22. [기본적인 숫자 인식 신경망](https://github.com/joeledenberg/DigitRecognition)
23. [감정 인식 API 데모 - Microsoft](https://www.projectoxford.ai/demo/emotion#detection)
24. [TensorFlow에서 Caffe 모델을 로드하기 위한 개념 증명(Proof of Concept)](https://github.com/ethereon/caffe-tensorflow)
25. [YOLO: 실시간 객체 검출](http://pjreddie.com/darknet/yolo/#webcam)
26. [YOLO: Python을 사용한 실용적인 구현](https://www.analyticsvidhya.com/blog/2018/12/practical-guide-object-detection-yolo-framewor-python/)
27. [AlphaGo - DeepMind의 2016년 Nature 퍼블리케이션인 "Mastering the game of Go with deep neural networks and tree search" 재구현](https://github.com/Rochester-NRT/AlphaGo)
28. [소프트웨어 엔지니어를 위한 머신러닝](https://github.com/ZuzooVn/machine-learning-for-software-engineers)
29. [머신러닝은 즐겁다!](https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471#.oa4rzez3g)
30. [Siraj Raval의 딥러닝 튜토리얼](https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A)
31. [Dockerface](https://github.com/natanielruiz/dockerface) - 도커 컨테이너에서 이미지와 비디오를 위한 딥러닝 Faster R-CNN 얼굴 인식을 쉽고 간편하게 설치하고 사용할 수 있습니다.
32. [Awesome Deep Learning Music](https://github.com/ybayle/awesome-deep-learning-music) - m에 적용된 딥러닝 과학 연구와 관련된 엄선된 아티클 목록

usic
33. [Awesome Graph Embedding](https://github.com/benedekrozemberczki/awesome-graph-embedding) - 그래프 구조화 데이터의 그래프 수준에 대한 딥러닝 과학 연구 관련 아티클 모음입니다.
34. [Awesome Network Embedding](https://github.com/chihming/awesome-network-embedding) - 그래프 구조화 데이터의 노드 수준에 대한 딥러닝 과학 연구 관련 아티클 모음입니다.
35. [Microsoft Recommenders](https://github.com/Microsoft/Recommenders) - 추천 시스템 구축을 위한 예제, 유틸리티 및 모범 사례를 포함하고 있습니다. 자체 학습 및 사용자 지정 애플리케이션에 활용할 수 있도록 여러 최신(state-of-the-art) 알고리즘의 구현체가 제공됩니다.
36. [The Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) - 텍스트 생성을 위해 RNN을 사용하는 것에 관한 Andrej Karpathy의 블로그 포스트입니다.
37. [Ladder Network](https://github.com/divamgupta/ladder_network_keras) - 반지도 학습(Semi-Supervised Learning)을 위한 Ladder Network의 Keras 구현체입니다.
38. [toolbox: Curated list of ML libraries](https://github.com/amitness/toolbox)
39. [CNN Explainer](https://poloclub.github.io/cnn-explainer/)
40. [AI Expert Roadmap](https://github.com/AMAI-GmbH/AI-Expert-Roadmap) - 인공지능 전문가가 되기 위한 로드맵입니다.
41. [Awesome Drug Interactions, Synergy, and Polypharmacy Prediction](https://github.com/AstraZeneca/awesome-polipharmacy-side-effect-prediction/)

### 기여하기
이 목록에 잘 어울릴 만한 멋진 아이디어가 있으신가요? 망설이지 말고 [pull request](https://github.com/ashara12/awesome-deeplearning/pulls)를 보내주세요.

---
## 라이선스

[![CC0](http://i.creativecommons.org/p/zero/1.0/88x31.png)](http://creativecommons.org/publicdomain/zero/1.0/)

awesome-deep-learning

파일 탐색기

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

awesome-deep-learning

파일 탐색기

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README