机器学习（MachineLearning）与深度学习（DeepLearning）
资料汇总
《Brief History of Machine Learning》
介绍：这是⼀篇介绍机器学习历史的⽂章，介绍很全⾯，从感知机、神经⽹络、决策树、SVM、Adaboost到随机森林、Deep Learning.
《Deep Learning in Neural Networks: An Overview》
介绍：这是瑞⼠⼈⼯智能实验室Jurgen Schmidhuber写的最新版本《神经⽹络与深度学习综述》本综述的特点是以时间排序，从1940年开始讲起，到60-80年代，80-90年代，⼀直讲到2000年后及最近⼏年的进展。涵盖了deep learning⾥各种tricks，引⽤⾮常全⾯.
《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》
介绍：这是⼀份python机器学习库，如果您是⼀位python⼯程师⽽且想深⼊的学习机器学习.那么这篇⽂章或许能够帮助到你.
《How to Layout and Manage Your Machine Learning Project》
介绍：这⼀篇介绍如果设计和管理属于你⾃⼰的机器学习项⽬的⽂章，⾥⾯提供了管理模版、数据管理与实践⽅法.
3000元左右手机推荐《Machine Learning is Fun!》
《R语⾔参考卡⽚》
介绍:R语⾔是机器学习的主要语⾔，有很多的朋友想学习R语⾔，但是总是忘记⼀些函数与关键字的含义。那么这篇⽂章或许能够帮助到你
《Choosing a Machine Learning Classifier》
《An Introduction to Deep Learning: From Perceptrons to Deep Networks》
《The LION Way: Machine Learning plus Intelligent Optimization》
《深度学习与统计学习理论》
介绍：作者是来⾃百度，不过他本⼈已经在2014年4⽉份申请离职了。但是这篇⽂章很不错如果你不知道深度学习与⽀持向量机/统计学习理论有什么联系？那么应该⽴即看看这篇⽂章.
《计算机科学中的数学》
介绍：这本书是由⾕歌公司和MIT共同出品的计算机科学中的数学：Mathematics for Computer Science，Eric Lehman et al 2013 。分为5⼤部分：1）证明，归纳。2）结构，数论，图。3）计数，求和，⽣成函数。4）概率，随机⾏⾛。5）递归。等等
《信息时代的计算机科学理论(Foundations of Data Science)》
介绍：信息时代的计算机科学理论,⽬前国内有纸质书购买，iTunes购买
将下列容器进行分类《Data Science with R》
介绍：这是⼀本由雪城⼤学新编的第⼆版《数据科学⼊门》教材：偏实⽤型，浅显易懂，适合想学习R语⾔的同学选读。
《Twenty Questions for Donald Knuth》
介绍：这并不是⼀篇⽂档或书籍。这是篇向图灵奖得主Donald Knuth提问记录稿： 近⽇， Charles Leiserson, Al Aho, Jon Bentley等⼤神向Knuth提出了20个问题，内容包括TAOCP，P/NP问题，图灵机，逻辑，以及为什么⼤神不⽤电邮等等。
《Automatic Construction and Natural-Language Description of Nonparametric Regression Models》
介绍：不会统计怎么办？不知道如何选择合适的统计模型怎么办？那这篇⽂章你的好好读⼀读了⿇省理⼯Joshua B. Tenenbaum和剑桥Zoubin Ghahramani合作，写了⼀篇关于automatic statistician的⽂章。可以⾃动选择回归模型类别，还能⾃动写报告...
《ICLR 2014论⽂集》
介绍：对深度学习和representation learning最新进展有兴趣的同学可以了解⼀下
《Introduction to Information Retrieval》
《Machine learning in 10 pictures》
介绍:Deniz Yuret⽤10张漂亮的图来解释机器学习重要概念：1. Bias/Variance Tradeoff 2. Overfitting 3. Bayesian / Occam's razor 4. Feature combination 5. Irrelevant feature 6. Basis function 7. Discriminative / Generative 8. Loss function 9. Least squares 10. Sparsity.很清晰
《雅虎研究院的数据集汇总》
介绍：雅虎研究院的数据集汇总： 包括语⾔类数据，图与社交类数据，评分与分类数据，计算⼴告学数据，图像数据，竞赛数据，以及系统类的数据。
《An Introduction to Statistical Learning with Applications in R》
Best Machine Learning Resources for Getting Started
介绍：机器学习最佳⼊门学习资料汇总是专为机器学习初学者推荐的优质学习资源，帮助初学者快速⼊门。⽽且这篇⽂章的介绍已经被翻译成中⽂版。如果你不怎么熟悉，那么我建议你先看⼀看中⽂的介绍。
My deep learning reading list
介绍：主要是顺着Bengio的PAMI review的⽂章出来的。包括⼏本综述⽂章，将近100篇论⽂，各位⼭头们的Presentation。全部都可以在google上到。
Cross-Language Information Retrieval
介绍：这是⼀本书籍，主要介绍的是跨语⾔信息检索⽅⾯的知识。理论很多
探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探
介绍：本⽂共有三个系列，作者是来⾃IBM的⼯程师。它主要介绍了推荐引擎相关算法，并帮助读者⾼效的实现这些算法。探索推荐引擎内部的秘密，第 2 部分: 深度推荐引擎相关算法 - 协同过滤，探索推荐引擎内部的秘密，第 3 部分: 深度推荐引擎相关算法 - 聚类
《Advice for students of machine learning》
介绍：康奈尔⼤学信息科学系助理教授David Mimno写的《对机器学习初学者的⼀点建议》， 写的挺实际，强调实践与理论结合，最后还引⽤了冯 · 诺依曼的名⾔: "Young man, in mathematics you don't understand things. You just get used to them."
分布式并⾏处理的数据
介绍：这是⼀本关于分布式并⾏处理的数据《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》，作者是斯坦福的James L. McClelland。着重介绍了各种神级⽹络算法的分布式实现，做Distributed Deep Learning 的童鞋可以参考下
《“机器学习”是什么？》
介绍:【“机器学习”是什么？】John Platt是微软研究院杰出科学家，17年来他⼀直在机器学习领域耕耘。近年来机器学习变得炙⼿可热，Platt和同事们遂决定开设博客，向公众介绍机器学习的研究进展。
机器学习是什么，被应⽤在哪⾥？来看Platt的这篇博⽂
《2014年国际机器学习⼤会ICML 2014 论⽂》
介绍：2014年国际机器学习⼤会（ICML）已经于6⽉21-26⽇在国家会议中⼼隆重举办。本次⼤会由微软亚洲研究院和清华⼤学联⼿主办，是这个有着30多年历史并享誉世界的机器学习领域的盛会⾸次来到中国，已成功吸引海内外1200多位学者的报名参与。⼲货很多，值得深⼊学习下
《Machine Learning for Industry: A Case Study》
介绍：这篇⽂章主要是以Learning to Rank为例说明企业界机器学习的具体应⽤，RankNet对NDCG之类不敏感，加⼊NDCG因素后变成了LambdaRank，同样的思想从神经⽹络改为应⽤到Boosted Tree模型就成就了LambdaMART。Chirs Burges，微软的机器学习⼤神，Yahoo 2010 Learning to Rank Challenge第⼀名得主，排序模型⽅⾯有RankNet，LambdaRank，LambdaMART，尤其以LambdaMART最为突出，代表论⽂为： From RankNet to LambdaRank to LambdaMART: An Overview 此外，Burges还有很多有名的代表作，⽐如：A Tutorial on Support Vector Machines for Pattern Recognition
Some Notes on Applied Mathematics for Machine Learning
100 Best GitHub: Deep Learning
介绍:100 Best GitHub: Deep Learning
《UFLDL-斯坦福⼤学Andrew Ng教授“Deep Learning”教程》
介绍：本教程将阐述⽆监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你⼯作，并学习如何应⽤/适应这些想法到新问题上。本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果你不熟悉这些想法，我们建议你去这⾥机器学习课程，并先完成第II，III，IV章（到逻辑回归）。此外这关于这套教程的源代码在github上⾯已经有python版本了 UFLDL Tutorial Code
*《Deep Learning for Natural Language Processing and Related Applications》
介绍：这份⽂档来⾃微软研究院，精髓很多。如果需要完全理解，需要⼀定的机器学习基础。不过有些地⽅会让⼈眼前⼀亮,⽑塞顿开。
Understanding Convolutions
介绍：这是⼀篇介绍图像卷积运算的⽂章，讲的已经算⽐较详细的了
《Machine Learning Summer School》
《Awesome Machine Learning》
介绍：⼀个超级完整的机器学习开源库总结，如果你认为这个碉堡了，那后⾯这个列表会更让你惊讶：【Awesome Awesomeness】，国内已经有热⼼的朋友进⾏了翻译中⽂介绍，机器学习数据挖掘免费电⼦书
斯坦福《⾃然语⾔处理》课程视频
介绍:ACL候任主席、斯坦福⼤学计算机系Chris Manning教授的《⾃然语⾔处理》课程所有视频已经可以在斯坦福公开课⽹站上观看了（如Chrome不⾏，可⽤IE观看） 作业与测验也可以下载。
《Deep Learning and Shallow Learning》
介绍：对⽐ Deep Learning 和 Shallow Learning 的好⽂，来着浙⼤毕业、MIT 读博的 Chiyuan Zhang 的博客。
《Recommending music on Spotify with deep learning》
介绍：利⽤卷积神经⽹络做⾳乐推荐。
《Neural Networks and Deep Learning》
《Java Machine Learning》
介绍：Java机器学习相关平台和开源的机器学习库，按照⼤数据、NLP、计算机视觉和Deep Learning分类进⾏了整理。看起来挺全
的，Java爱好者值得收藏。
《Machine Learning Theory: An Introductory Primer》
介绍：机器学习最基本的⼊门⽂章，适合零基础者
《机器学习常见算法分类汇总》
介绍：机器学习的算法很多。很多时候困惑⼈们都是，很多算法是⼀类算法，⽽有些算法⼜是从其他算法中延伸出来的。这⾥，我们从两个⽅⾯来给⼤家介绍，第⼀个⽅⾯是学习的⽅式，第⼆个⽅⾯是算法的类似性。
《机器学习经典论⽂/survey合集》
介绍：看题⽬你已经知道了是什么内容，没错。⾥⾯有很多经典的机器学习论⽂值得仔细与反复的阅读。
《机器学习视频库》
介绍：视频由加州理⼯学院（Caltech）出品。需要英语底⼦。
大学python入门教程《机器学习经典书籍》
介绍：总结了机器学习的经典书籍，包括数学基础和算法理论的书籍，可做为⼊门参考书单。
《16 Free eBooks On Machine Learning》
介绍:16本机器学习的电⼦书，可以下载下来在pad，⼿机上⾯任意时刻去阅读。不多我建议你看完⼀本再下载⼀本。
《A Large set of Machine Learning Resources for Beginners to Mavens》
介绍：标题很⼤，从新⼿到专家。不过看完上⾯所有资料。肯定是专家了
《机器学习最佳⼊门学习资料汇总》
介绍：⼊门的书真的很多，⽽且我已经帮你齐了。
《Sibyl》
介绍：Sibyl 是⼀个监督式机器学习系统，⽤来解决预测⽅⾯的问题，⽐如 YouTube 的视频推荐。
《Deep Learning》
介绍：Yoshua Bengio, Ian Goodfellow, Aaron Courville著
《Neural Network & Text Mining》
介绍：关于(Deep) Neural Networks在 NLP 和 Text Mining ⽅⾯⼀些paper的总结
《前景⽬标检测1（总结）》
介绍：计算机视觉⼊门之前景⽬标检测1（总结）
《⾏⼈检测》
介绍：计算机视觉⼊门之⾏⼈检测
《Deep Learning – important resources for learning and understanding》
介绍:Important resources for learning and understanding . Is awesome
《Machine Learning Theory: An Introductory Primer》
介绍：这⼜是⼀篇机器学习初学者的⼊门⽂章。值得⼀读
《Neural Networks and Deep Learning》
介绍：在线Neural Networks and Deep Learning电⼦书
《Python ⽹页爬⾍ & ⽂本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱》
介绍:python的17个关于机器学习的⼯具
《神奇的伽玛函数(上)》
介绍：下集在这⾥神奇的伽玛函数(下)
《分布式机器学习的故事》
介绍：作者王益⽬前是腾讯⼴告算法总监，王益博⼠毕业后在google任研究。这篇⽂章王益博⼠7年来从⾕歌到腾讯对于分布机器学习的所见所闻。值得细读
《机器学习提升之道（Level-Up Your Machine Learning）》
介绍：把机器学习提升的级别分为0~4级，每级需要学习的教材和掌握的知识。这样，给机器学习者提供⼀个上进的路线图，以免⾛弯路。另外，整个⽹站都是关于机器学习的，资源很丰富。
《Machine Learning Surveys》
dedecms模板不存在
介绍：机器学习各个⽅向综述的⽹站
《Deep Learning Reading list》
介绍：深度学习阅资源列表
《Deep Learning: Methods and Applications》
介绍：这是⼀本来⾃微的研究员 li Peng和Dong Yu所著的关于深度学习的⽅法和应⽤的电⼦书
《Machine Learning Summer School 2014》
介绍:2014年七⽉CMU举办的机器学习夏季课刚刚结束 有近50⼩时的视频、⼗多个PDF版幻灯⽚，覆盖 深度学习，贝叶斯，分布式机器学习，伸缩性 等热点话题。所有13名讲师都是⽜⼈：包括⼤⽜Tom Mitchell （他的［机器学习］是名校的常⽤教材），还有CMU李沐 .（1080P⾼清哟）
《Sibyl: 来⾃Google的⼤规模机器学习系统》
介绍：在今年的IEEE/IFIP可靠系统和⽹络（DSN）国际会议上，Google软件⼯程师Tushar Chandra做了⼀个关于Sibyl系统的主题演讲。Sibyl是⼀个监督式机器学习系统，⽤来解决预测⽅⾯的问题，⽐如YouTube的视频推荐。详情请阅读google sibyl
《Building a deeper understanding of images》
介绍:⾕歌研究院的Christian Szegedy在⾕歌研究院的博客上简要地介绍了他们今年参加ImageNet取得好成绩的GoogLeNet系统.是关于图像处理的。
《Bayesian network 与python概率编程实战⼊门》
介绍：贝叶斯学习。如果不是很清可看看概率编程语⾔与贝叶斯⽅法实践
《AMA: Michael I Jordan》
介绍:⽹友问伯克利机器学习⼤⽜、美国双料院⼠Michael I. Jordan："如果你有10亿美⾦，你怎么花？Jordan: "我会⽤这10亿美⾦建造⼀个NASA级别的⾃然语⾔处理研究项⽬。"
《机器学习&数据挖掘笔记_16（常见⾯试之机器学习算法思想简单梳理）》setinterval关闭
介绍：常见⾯试之机器学习算法思想简单梳理，此外作者还有⼀些其他的机器学习与数据挖掘⽂章和深度学习⽂章，不仅是理论还有源码。
《⽂本与数据挖掘视频汇总》
深海 二郎神介绍：Videolectures上最受欢迎的25个⽂本与数据挖掘视频汇总
《怎么选择深度学习的GPUs》
《对话机器学习⼤神Michael Jordan：深度模型》
介绍：对话机器学习⼤神Michael Jordan
《Deep Learning 和 Knowledge Graph 引爆⼤数据⾰命》
《Deep Learning 教程翻译》
介绍：是Stanford 教授 Andrew Ng 的 Deep Learning 教程，国内的机器学习爱好者很热⼼的把这个教程翻译成了中⽂。如果你英语不好，可以看看这个
《Deep Learning 101》
介绍：因为近两年来，深度学习在媒体界被炒作很厉害（就像⼤数据）。其实很多⼈都还不知道什么是深度学习。这篇⽂章由浅⼊深。告诉你深度学究竟是什么！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。