机器学习资源 Machine learning Resources

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》 (opens new window)作为通读教材，不用深入，从宏观上了解机器学习

• 《机器学习》西瓜书公式推导解析：https://datawhalechina.github.io/pumpkin-book/

• 最新的《神经网络与深度学习》 (opens new window)

• 李航的《统计学习方法》 (opens new window)作为经典的深入案例，仔细研究几个算法的来龙去脉 | 书中的代码实现 (opens new window)

• 使用Python语言，根据《机器学习实战》 (opens new window)快速上手写程序

• 吴恩达的最新深度学习课程资源：https://www.jiqizhixin.com/articles/2018-06-21-6

• 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 (opens new window) | 百度网盘 (opens new window)

• 来自国立台湾大学李宏毅老师的机器学习和深度学习中文课程，强烈推荐：课程 (opens new window)

• 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 (opens new window)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 (opens new window) 可以用来练手的数据集 (opens new window)

其他有用的资料：

• 想看别人怎么写代码？机器学习经典教材《PRML》所有代码实现 (opens new window)

• 机器学习算法Python实现 (opens new window)

• 吴恩达新书：Machine Learning Yearning中文版 (opens new window)

• 另外，对于一些基础的数学知识，你看深度学习(花书)中文版 (opens new window)就够了。这本书同时也是深度学习经典之书。

• 来自南京大学周志华小组的博士生写的一本小而精的解析卷积神经网络—深度学习实践手册 (opens new window)

---

一个简洁明了的时间序列处理(分窗、特征提取、分类)库：Seglearn (opens new window)

计算机视觉这一年：这是最全的一份CV技术报告 (opens new window)

深度学习(花书)中文版 (opens new window)

深度学习最值得看的论文 (opens new window)

最全面的深度学习自学资源集锦 (opens new window)

Machine learning surveys (opens new window)

快速入门TensorFlow (opens new window)

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

Getting started with machine learning documented by github (opens new window)

---

研究领域资源细分

• 深度学习 Deep learning (opens new window)

• 强化学习 Reinforcement learning (opens new window)

• 迁移学习 Transfer learning (opens new window)

• 分布式学习系统 Distributed learning system (opens new window)

• 计算机视觉/机器视觉 Computer vision / machine vision (opens new window)

• 自然语言处理 Natural language procesing (opens new window)

• 生物信息学 Bioinfomatics (opens new window)

• 行为识别 Activity recognition (opens new window)

• 多智能体 Multi-Agent (opens new window)

---

开始学习：预备知识 Prerequisite

• 学习知识与路线图 (opens new window)

• MIT线性代数课堂笔记(中文) (opens new window)

• 概率与统计 The Probability and Statistics Cookbook (opens new window)

• Python

  • Learn X in Y minutes (opens new window)

  • Python机器学习互动教程 (opens new window)

• Markdown

  • Mastering Markdown (opens new window) - Markdown is a easy-to-use writing tool on the GitHu.

• R

  • R Tutorial (opens new window)

• 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 (opens new window)
    • Scikit-learn (opens new window)
    • PyTorch (opens new window)
    • Keras (opens new window)
    • MXNet (opens new window)|相关资源大列表 (opens new window)
    • Caffe (opens new window)
    • Caffe2 (opens new window)

  • Java

    • Deeplearning4j (opens new window)

  • Matlab

    • Neural Network Toolbox (opens new window)
    • Deep Learning Toolbox (opens new window)

---

文档 notes

• 综述文章汇总 (opens new window)

• 近200篇机器学习资料汇总！ (opens new window)

• 机器学习入门资料 (opens new window)

• MIT.Introduction to Machine Learning (opens new window)

• 东京大学同学做的人机交互报告 (opens new window)

• 人机交互简介 (opens new window)

• 人机交互与创业论坛 (opens new window)

• 职场机器学习入门 (opens new window)

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

• 常用的距离和相似度度量 (opens new window)

---

课程与讲座 Course and talk

机器学习 Machine Learning

台湾大学应用深度学习课程 (opens new window)

- 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 (opens new window)

• 斯坦福机器学习入门课程 (opens new window)，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 (opens new window), Coursera上的著名课程，由Geoffrey Hinton教授主讲。

• Stanford CS 229 (opens new window), Andrew Ng机器学习课无阉割版，Notes比较详细，可以对照学习CS229课程讲义的中文翻译 (opens new window)。

• CMU 10-702 Statistical Machine Learning (opens new window), 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 (opens new window)，同样是CMU phd级别的课，节奏快难度高

• 机器学习基石 (opens new window)（适合入门）。国立台湾大学林轩田 (opens new window)

• 机器学习技法 (opens new window)（适合提高）。国立台湾大学林轩田 (opens new window)

• Machine Learning for Data Analysis (opens new window), 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 (opens new window),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 (opens new window)，机器学习入门之特征工程 (opens new window)

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 (opens new window)。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 (opens new window)。

• CS224n: Natural Language Processing (opens new window). Course instructors: Chris Manning, Richard Socher.

强化学习 Machine Learning

• CS 294 Deep Reinforcement Learning, Fall 2017 (opens new window). Course instructors: Sergey Levine, John Schulman, Chelsea Finn.

• UCL Course on RL (opens new window)

• CS234: Reinforcement Learning (opens new window). 暂无视频

---

相关书籍 reference book

• Hands on Machine Learning with Scikit-learn and Tensorflow (opens new window)

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

• 机器学习 (opens new window), (@Prof. Zhihua Zhou/周志华教授)

• 统计学习方法 (opens new window), (@Dr. Hang Li/李航博士)

• 一些Kindle读物 (opens new window):

  • 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 (opens new window):

  • 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 (opens new window):

  • 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 (opens new window)：每天更新学术和工业界最新的研究成果

• 机器之心 (opens new window)

• 集智社区 (opens new window)

---

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 (opens new window)直接上传（不需要注册账号）；上传成功后，在DOWNLOAD (opens new window)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 (opens new window)

及时更新fork项目 (opens new window)

贡献者 Contributors (opens new window)