机器学习资源 Machine learning Resources

本项目已更新，请移步到这里参与我们最新的机器学习开源项目

致力于分享最新最全面的机器学习资料，欢迎你成为贡献者!

快速开始学习：

• 周志华的《机器学习》作为通读教材，不用深入，大概了解机器学习来龙去脉
• 李航的《统计学习方法》作为经典的深入案例，仔细研究几个算法的来龙去脉
• 使用Python语言，根据《机器学习实战》快速上手写程序
• 参照Youtube机器学习红人Siraj Raval的视频+代码可以帮助你更好地进入状态！原Youtube地址需要梯子|百度网盘
• 最后，你可能想真正实战一下。那么，请到注明的机器学习竞赛平台Kaggle上做一下这些基础入门的题目吧！(Kaggle上对于每个问题你都可以看到别人的代码，方便你更加快速地学习) | Kaggle介绍及入门解读
• 另外，对于一些基础的数学知识，你看深度学习(花书)中文版就够了。这本书同时也是深度学习经典之书。

---

深度学习(花书)中文版

深度学习最值得看的论文

最全面的深度学习自学资源集锦

Machine learning surveys

快速入门TensorFlow

自然语言处理数据集   Learning Machine Learning? Six articles you don’t want to miss

Getting started with machine learning documented by github

---

预备知识 Prerequisite

• 学习知识与路线图

• MIT线性代数课堂笔记(中文)

• 概率与统计 The Probability and Statistics Cookbook

• Python

  • Learn X in Y minutes

  • Python机器学习互动教程

• Markdown

  • Mastering Markdown - Markdown is a easy-to-use writing tool on the GitHu.

• R

  • R Tutorial

• Python和Matlab的一些cheat sheet：http://ddl.escience.cn/f/IDkq 包含：

  • Numpy、Scipy、Pandas科学计算库

  • Matlab科学计算

  • Matplotlib画图

• 深度学习框架

  • Python

    • TensorFlow
    • Scikit-learn
    • PyTorch
    • Keras
    • MXNet|相关资源大列表
    • Caffe
    • Caffe2

  • Java

    • Deeplearning4j

  • Matlab

    • Neural Network Toolbox
    • Deep Learning Toolbox

---

理论 Theory

• 深度学习 Deep learning

• 强化学习 Reinforcement learning

• 迁移学习 Transfer learning

• 分布式学习系统 Distributed learning system

---

应用 Applications

• 计算机视觉/机器视觉 Computer vision / machine vision

• 自然语言处理 Natural language procesing

• 语音识别 Speech recognition

• 生物信息学 Bioinfomatics

• 医疗 Medical

• 行为识别 Activity recognition

• 人工智能(多智能体) Artificial Intelligence(Multi-Agent)

---

文档 notes

• 综述文章汇总

• 近200篇机器学习资料汇总！

• 机器学习入门资料

• MIT.Introduction to Machine Learning

• 东京大学同学做的人机交互报告

• 人机交互简介

• 人机交互与创业论坛

• 职场机器学习入门

• 机器学习的发展历程及启示, (@Prof. Zhihua Zhang/@张志华教授)

• 常用的距离和相似度度量

---

课程与讲座 Course and talk

机器学习 Machine Learning

  - 神经网络，机器学习，算法，人工智能等 30 门免费课程详细清单  

• 斯坦福机器学习入门课程，讲师为Andrew Ng，适合数学基础一般的人，适合入门，但是学完会发现只是懂个大概，也就相当于什么都不懂。省略了很多机器学习的细节

• Neural Networks for Machine Learning, Coursera上的著名课程，由Geoffrey Hinton教授主讲。

• Stanford CS 229, Andrew Ng机器学习课无阉割版，Notes比较详细

• CMU 10-702 Statistical Machine Learning, 讲师是Larry Wasserman，应该是统计系开的机器学习，非常数学化，第一节课就提到了RKHS(Reproducing Kernel Hilbert Space),建议数学出身的同学看或者是学过实变函数泛函分析的人看一看

• CMU 10-715 Advanced Introduction to Machine Learning，同样是CMU phd级别的课，节奏快难度高

• 机器学习基石（适合入门）。国立台湾大学林轩田

• 机器学习技法（适合提高）。国立台湾大学林轩田

• Machine Learning for Data Analysis, Coursera上Wesleyan大学的Data Analysis and Interpretation专项课程第四课。

• Max Planck Institute for Intelligent Systems Tübingen德国马普所智能系统研究所2013的机器学习暑期学校视频,仔细翻这个频道还可以找到2015的暑期学校视频

• 知乎Live：我们一起开始机器学习吧，机器学习入门之特征工程

深度学习 Machine Learning

• 斯坦福大学Feifei Li教授的CS231n系列深度学习课程。Feifei Li目前是Google的科学家，深度学习与图像识别方面的大牛。这门课的笔记可以看这里。

• CS224n: Natural Language Processing. Course instructors: Chris Manning, Richard Socher.

强化学习 Machine Learning

• CS 294 Deep Reinforcement Learning, Fall 2017. Course instructors: Sergey Levine, John Schulman, Chelsea Finn.

• UCL Course on RL

• CS234: Reinforcement Learning. 暂无视频

---

相关书籍 reference book

• Hands on Machine Learning with Scikit-learn and Tensorflow

• 入门读物 The Elements of Statistical Learning(英文第二版),The Elements of Statistical Learning.pdf

• 机器学习, (@Prof. Zhihua Zhou/周志华教授)

• 统计学习方法, (@Dr. Hang Li/李航博士)

• 一些Kindle读物:

  • 利用Python进行数据分析

  • 跟老齐学Python：从入门到精通

  • Python与数据挖掘 (大数据技术丛书) - 张良均

  • Python学习手册

  • Python性能分析与优化

  • Python数据挖掘入门与实践

  • Python数据分析与挖掘实战(大数据技术丛书) - 张良均

  • Python科学计算(第2版)

  • Python计算机视觉编程 [美] Jan Erik Solem

  • python核心编程(第三版)

  • Python核心编程（第二版）

  • Python高手之路 - [法] 朱利安·丹乔（Julien Danjou）

  • Python编程快速上手 让繁琐工作自动化

  • Python编程：从入门到实践

  • Python3 CookBook中文版

  • 终极算法机器学习和人工智能如何重塑世界 - [美 ]佩德罗·多明戈斯

  • 机器学习系统设计 (图灵程序设计丛书) - [美]Willi Richert & Luis Pedro Coelho

  • 机器学习实践指南：案例应用解析（第2版） (大数据技术丛书) - 麦好

  • 机器学习实践 测试驱动的开发方法 (图灵程序设计丛书) - [美] 柯克（Matthew Kirk）

  • 机器学习：实用案例解析

• 数学:

  • Algebra - Michael Artin

  • Algebra - Serge Lang

  • Basic Topology - M.A. Armstrong

  • Convex Optimization by Stephen Boyd & Lieven Vandenberghe

  • Functional Analysis by Walter Rudin

  • Functional Analysis, Sobolev Spaces and Partial Differential Equations by Haim Brezis

  • Graph Theory - J.A. Bondy, U.S.R. Murty

  • Graph Theory - Reinhard Diestel

  • Inside Interesting Integrals - Pual J. Nahin

  • Linear Algebra and Its Applications - Gilbert Strang

  • Linear and Nonlinear Functional Analysis with Applications - Philippe G. Ciarlet

  • Mathematical Analysis I - Vladimir A. Zorich

  • Mathematical Analysis II - Vladimir A. Zorich

  • Mathematics for Computer Science - Eric Lehman, F Thomson Leighton, Alber R Meyer

  • Matrix Cookbook, The - Kaare Brandt Petersen, Michael Syskind Pedersen

  • Measures, Integrals and Martingales - René L. Schilling

  • Principles of Mathematical Analysis - Walter Rudin

  • Probabilistic Graphical Models: Principles and Techniques - Daphne Koller, Nir Friedman

  • Probability: Theory and Examples - Rick Durrett

  • Real and Complex Analysis - Walter Rudin

  • Thomas' Calculus - George B. Thomas

  • 普林斯顿微积分读本 - Adrian Banner

• Packt每日限免电子书精选:

  • Learning Data Mining with Python

  • Matplotlib for python developers

  • Machine Learing with Spark

  • Mastering R for Quantitative Finance

  • Mastering matplotlib

  • Neural Network Programming with Java

  • Python Machine Learning

  • R Data Visualization Cookbook

  • R Deep Learning Essentials

  • R Graphs Cookbook second edition

  • D3.js By Example

  • Data Analysis With R

  • Java Deep Learning Essentials

  • Learning Bayesian Models with R

  • Learning Pandas

  • Python Parallel Programming Cookbook

  • Machine Learning with R

---

其他 Miscellaneous

• 机器学习日报：每天更新学术和工业界最新的研究成果

• 机器之心

• 集智社区

---

如何加入 How to contribute

如果你对本项目感兴趣，非常欢迎你加入！

• 正常参与：请直接fork、pull都可以
• 如果要上传文件：请不要直接上传到项目中，否则会造成git版本库过大。正确的方法是上传它的超链接。如果你要上传的文件本身就在网络中（如paper都会有链接），直接上传即可；如果是自己想分享的一些文件、数据等，鉴于国内网盘的情况，请按照如下方式上传：
  • (墙内)目前没有找到比较好的方式，只能通过链接，或者自己网盘的链接来做。
  • (墙外)首先在UPLOAD直接上传（不需要注册账号）；上传成功后，在DOWNLOAD里找到你刚上传的文件，共享链接即可。

如何开始项目协同合作

快速了解github协同工作

及时更新fork项目

贡献者 Contributors

[文章版权声明]这个仓库是我开源到Github上的，可以遵守相关的开源协议进行使用。这个仓库中包含有很多研究者的论文、硕博士论文等，都来源于在网上的下载，仅作为学术研究使用。我对其中一些文章都写了自己的浅见，希望能很好地帮助理解。这些文章的版权属于相应的出版社。如果作者或出版社有异议，请联系我进行删除（本来应该只放文章链接的，但是由于时间关系来不及）。一切都是为了更好地学术！