机器学习(Machine Learning)&深度学习(Deep Learning)资料

機器學習、深度學習方面不錯的資料，轉載。

原作：https://github.com/ty4z2008/Qix/blob/master/dl.md

原作作者會不斷更新。本文更新至2014-12-21

• 《Brief History of Machine Learning》

介绍:这是一篇介绍机器学习历史的文章，介绍非常全面。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写的最新版本号《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年開始讲起，到60-80年代，80-90年代，一直讲到2000年后及近期几年的进展。涵盖了deep learning里各种tricks。引用很全面.

• 《A Gentle Introduction to Scikit-Learn:
  A Python Machine Learning Library》

介绍:这是一份python机器学习库,假设您是一位pythonproject师并且想深入的学习机器学习.那么这篇文章也许可以帮助到你.

• 《How to Layout and Manage Your Machine Learning Project》

介绍:这一篇介绍假设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.

• 《Machine Learning is Fun!》

介绍:假设你还不知道什么是机器学习，或则是刚刚学习感觉到非常枯燥乏味。

那么推荐一读。这篇文章已经被翻译成中文,假设有兴趣能够移步http://blog.jobbole.com/67616/

• 《R语言參考卡片》

介绍:R语言是机器学习的主要语言,有非常多的朋友想学习R语言，可是总是忘记一些函数与keyword的含义。那么这篇文章也许可以帮助到你

• 《Choosing a Machine Learning Classifier》

介绍:我该怎样选择机器学习算法。这篇文章比較直观的比較了Naive Bayes。Logistic Regression，SVM，决策树等方法的优劣，另外讨论了样本大小、Feature与Model权衡等问题。

此外还有已经翻译了的版本号:http://www.52ml.net/15063.html

• 《An Introduction to Deep Learning: From
  Perceptrons to Deep Networks》

介绍：深度学习概述：从感知机到深度网络，作者对于样例的选择、理论的介绍都非常到位，由浅入深。翻译版本号：http://www.cnblogs.com/xiaowanyer/p/3701944.html

• 《The LION Way: Machine Learning plus Intelligent Optimization》

  介绍:<机器学习与优化>这是一本机器学习的小冊子, 短短300多页道尽机器学习的方方面面. 图文并茂, 生动易懂, 没有一坨坨公式的烦恼. 适合新手入门打基础, 也适合老手温故而知新. 比起MLAPP/PRML等大部头, 或许这本你更须要!详细内容推荐阅读:http://intelligent-optimization.org/LIONbook/

• 《深度学习与统计学习理论》

介绍:作者是来自百度，只是他本人已经在2014年4月份申请离职了。

可是这篇文章非常不错假设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？那么应该马上看看这篇文章.

• 《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

• 《数据科学入门》

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：偏有用型。浅显易懂，适合想学习R语言的同学选读。

• 《Twenty Questions for Donald Knuth》

介绍:这并非一篇文档或书籍。

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，内容包含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？不知道怎样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。能够自己主动选择回归模型类别。还能自己主动写报告…

• 《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能够了解一下

• 《Introduction to Information Retrieval》

介绍：这是一本信息检索相关的书籍。是由斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction to Information Retrieval一直是北美最受欢迎的信息检索教材之中的一个。

近期作者添加了该课程的幻灯片和作业。IR相关资源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html

• 《Machine learning in 10 pictures》

介绍:Deniz Yuret用10张美丽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.非常清晰

• 《雅虎研究院的数据集汇总》

介绍：雅虎研究院的数据集汇总： 包含语言类数据，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》

介绍：这是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的新书，而且在2014年一月已经开课：https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

• 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刚開始学习的人推荐的优质学习资源，帮助刚開始学习的人高速入门。

并且这篇文章的介绍已经被翻译成中文版。

假设你不怎么熟悉，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的文章找出来的。

包含几本综述文章。将近100篇论文，各位山头们的Presentation。所有都能够在google上找到。

• 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。

理论非常多

• 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《对机器学习刚開始学习的人的一点建议》。 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 的童鞋能够參考下

  • 《“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多位学者的报名參与。

  干货非常多，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详细应用，RankNet对NDCG之类不敏感，增加NDCG因素后变成了LambdaRank，相同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还有非常多有名的代表作。比方：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，并学习怎样应用/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）。假设你不熟悉这些想法，我们建议你去这里机器学习课程，并先完毕第II，III，IV章（到逻辑回归）。

  此外这关于这套教程的源码在github上面已经有python版本号了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,精髓非常多。假设须要全然理解，须要一定的机器学习基础。

  只是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，讲的已经算比較具体的了

  • 《Machine Learning Summer School》

  介绍：每天请一个大牛来讲座，主要涉及机器学习，大数据分析，并行计算以及人脑研究。

  https://www.youtube.com/user/smolix （需FQ）

  • 《Awesome Machine Learning》

  介绍：一个超级完整的机器学习开源库总结，假设你觉得这个碉堡了。那后面这个列表会更让你吃惊：【Awesome Awesomeness】,国内已经有热心的朋友进行了翻译中文介绍

  • 《Deep Learning and Shallow Learning》

  介绍:对照 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》

  介绍：神经网络的免费在线书，已经写了三章了，还有相应的开源码：https://github.com/mnielsen/neural-networks-and-deep-learning爱好者的福音。

  • 《Java Machine Learning》

  介绍：Java机器学习相关平台和开源的机器学习库，依照大数据、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：机器学习最主要的入门文章，适合零基础者

  • 《机器学习常见算法分类汇总》

  介绍：机器学习的算法非常多。

  非常多时候困惑人们都是，非常多算法是一类算法，而有些算法又是从其它算法中延伸出来的。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。里面有非常多经典的机器学习论文值得细致与重复的阅读。

  • 《机器学习视频库》

  介绍：视频由加州理工学院（Caltech）出品。须要英语底子。

  • 《机器学习经典书籍》

  介绍：总结了机器学习的经典书籍，包含数学基础和算法理论的书籍，可做为入门參考书单。

  • 《A Large set of Machine Learning Resources for Beginners to Mavens》

  介绍:标题非常大，从新手到专家。只是看完上面全部资料。

  肯定是专家了

  • 《机器学习最佳入门学习资料汇总》

  介绍：入门的书真的非常多。并且我已经帮你找齐了。

  • 《Sibyl》

  介绍：Sibyl 是一个监督式机器学习系统。用来解决预測方面的问题，比方 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

  • 《前景目标检測1（总结）》

  介绍:计算机视觉入门之前景目标检測1（总结）

  • 《行人检測》

  介绍:计算机视觉入门之行人检測

  • 《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刚開始学习的人的入门文章。

  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

  • 《奇妙的伽玛函数(上)》

  介绍:下集在这里奇妙的伽玛函数(下)

  • 《分布式机器学习的故事》

  介绍:作者王益眼下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，每级须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。整个站点都是关于机器学习的，资源非常丰富。

  • 《Machine Learning Surveys》

  介绍:机器学习各个方向综述的站点

  • 《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。

  全部13名讲师都是牛人：包含大牛Tom Mitchell （他的［机器学习］是名校的经常使用教材）。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project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，用来解决预測方面的问题。比方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參加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。假设不是非常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："假设你有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）》

  介绍:常见面试之机器学习算法思想简单梳理

  • 《文本与数据挖掘视频汇总》

  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》

  介绍:在Kaggle上常常取得不错成绩的Tim Dettmers介绍了他自己是怎么选择深度学习的GPUs, 以及个人怎样构建深度学习的GPU集群: http://t.cn/RhpuD1G

  • 《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》

  介绍:还有２，３部分。http://blog.sina.com.cn/s/blog_46d0a3930101gs5h.html

  • 《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非常热心的把这个教程翻译成了中文。假设你英语不好。能够看看这个

  • 《Deep Learning 101》

  介绍:由于近两年来。深度学习在媒体界被炒作非常厉害（就像大数据）。

  事实上非常多人都还不知道什么是深度学习。这篇文章由浅入深。告诉你深度学到底是什么！

  • 《UFLDL Tutorial》

  介绍:这是斯坦福大学做的一免费课程（非常勉强），这个能够给你在深度学习的路上给你一个学习的思路。

  里面提到了一些主要的算法。并且告诉你怎样去应用到实际环境中。中文版

  • 《Toronto Deep Learning Demos》

  介绍:这是多伦多大学做的一个深度学习用来识别图片标签／图转文字的demo。是一个实际应用案例。有源代码

  • 《Deep learning from the bottom up》

  介绍:机器学习模型，阅读这个内容须要有一定的基础。

  • 《R工具包的分类汇总》

  介绍: (CRAN Task Views, 34种常见任务,每一个任务又各自分类列举若干经常使用相关工具包) 比如: 机器学习，自然语言处理，时间序列分析。空间信息分析，多重变量分析，计量经济学。心理统计学，社会学统计，化学计量学，环境科学。药物代谢动力学 等

  • 《机器学习常见算法分类汇总》

  介绍: 机器学习无疑是当前数据分析领域的一个热点内容。非常多人在平时的工作中都或多或少会用到机器学习的算法。

  本文为您总结一下常见的机器学习算法。以供您在工作和学习中參考.

  • 《Deep Learning（深度学习）学习笔记整理系列》

  介绍: 非常多干货，并且作者还总结了好几个系列。

  另外还作者还了一个文章导航.非常的感谢作者总结。

  Deep Learning（深度学习）学习笔记整理系列之（二）

  Deep Learning（深度学习）学习笔记整理系列之（三）

  Deep Learning（深度学习）学习笔记整理系列之（四）

  Deep Learning（深度学习）学习笔记整理系列之（五）

  Deep Learning（深度学习）学习笔记整理系列之（六）

  Deep Learning（深度学习）学习笔记整理系列之（七）

  DeepLearning（深度学习）学习笔记整理系列之（八）

  • 下载 他是纽约大学教授，眼下也在Facebook工作。他2014年的8篇论文
    • 《FudanNLP》

    介绍:FudanNLP，这是一个复旦大学计算机学院开发的开源中文自然语言处理（NLP）工具包 Fudan NLP里包括中文分词、关键词抽取、命名实体识别、词性标注、时间词抽取、语法分析等功能。对搜索引擎 文本分析等极为有价值。

    • 《Open Sourcing ml-ease》

    介绍:LinkedIn 开源的机器学习工具包,支持单机, Hadoop cluster。和 Spark cluster 重点是 logistic regression 算法

    • 《机器学习周刊》

    介绍:对于英语不好，但又非常想学习机器学习的朋友。

    是一个大的福利。机器学习周刊眼下主要提供中文版，还是面向广大国内爱好者，内容涉及机器学习、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者

    • 《线性代数》

    介绍：《线性代数》是《机器学习》的重要数学先导课程。事实上《线代》这门课讲得浅显易懂特别不easy。假设一上来就讲逆序数及罗列行列式性质，非常easy让学生失去学习的兴趣。

    我个人推荐的最佳《线性代数》课程是麻省理工Gilbert Strang教授的课程。 课程主页

    • 《Big-data》

    介绍:大数据数据处理资源、工具不完备列表，从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器学习等。非常赞的资源汇总。

    • 《machine learning for smart dummies》

    介绍:雅虎邀请了一名来自本古里安大学的訪问学者。制作了一套关于机器学习的系列视频课程。本课程共分为7期，具体解说了有关SVM, boosting, nearest neighbors, decision trees 等常规机器学习算法的理论基础知识。

    • 《Entanglement-Based Quantum Machine Learning》

    介绍:应对大数据时代，量子机器学习的第一个实验 paper 下载

    • 《How a Math Genius Hacked OkCupid to Find True Love》

    介绍:Wired杂志报道了UCLA数学博士Chris McKinlay （图1）通过大数据手段+机器学习方法破解婚恋站点配对算法找到真爱的故事,通过Python脚本控制着12个账号，下载了婚恋站点2万女用户的600万问题答案。对他们进行了统计抽样及聚类分析（图2。3），最后最终收获了真爱。

    科技改变命运！

    • 《Underactuated Robotics》

    介绍:MIT的Underactuated Robotics于 2014年10月1日开课，该课属于MIT研究生级别的课程，对机器人和非线性动力系统感兴趣的朋友最好还是能够挑战一下这门课程。

    • 《mllib实践经验(1)》

    介绍:mllib实践经验分享

    • 《Google Turns To Deep Learning Classification To
      Fight Web Spam》

    介绍:Google用Deep Learning做的antispam(反垃圾邮件)

    • 《NLP经常使用信息资源》

    介绍:NLP经常使用信息资源* 《NLP经常使用信息资源》

    • 《机器学习速查表》

    介绍:机器学习速查表

    • 《Best Papers vs. Top Cited Papers in Computer Science》

    介绍：从1996年開始在计算机科学的论文中被引用次数最多的论文

    • 《InfiniTAM: 基于深度图像的体数据集成框架》

    介绍：把今年的一个ACM Trans. on Graphics (TOG)论文中的代码整理为一个开源的算法框架，共享出来了。

    欢迎大家使用。

    能够实时的採集3D数据、重建出三维模型。

    Online learning，GPU Random forest。GPU CRF也会兴许公开。

    • 《Hacker’s guide to Neural Networks》

    介绍：【神经网络黑客指南】如今，最火莫过于深度学习（Deep Learning），如何更好学习它？能够让你在浏览器中，跑起深度学习效果的超酷开源项目convnetjs作者karpathy告诉你。最佳技巧是，当你開始写代码，一切将变得清晰。他刚公布了一本图书，不断在线更新

    • 《Building a Production Machine Learning Infrastructure》

    介绍：前Google广告系统project师Josh Wills 讲述工业界和学术界机器学习的异同,大实话

    • 《Deep Learning Sentiment Analysis for Movie Reviews using Neo4j》

    介绍：使用Neo4j 做电影评论的情感分析。

    • 《DeepLearning.University – An Annotated Deep Learning Bibliography》

    介绍：不仅是资料。并且还对有些资料做了凝视。

    • 《A primer on deeping learning》

    介绍：深度学习入门的0基础读本

    • 《Machine learning is teaching us the secret to teaching 》

    介绍：机器学习教会了我们什么？

    • 《scikit-learn：用于机器学习的Python模块》

    介绍：scikit-learn是在SciPy基础上构建的用于机器学习的Python模块。

    • 《对话机器学习大神Michael Jordan：解析领域中各类模型》

    介绍：乔丹教授（Michael I. Jordan）教授是机器学习领域神经网络的大牛。他对深度学习、神经网络有着非常浓厚的兴趣。

    因此。非常多提问的问题中包括了机器学习领域的各类模型，乔丹教授对此一一做了解释和展望。

    • 《A*搜索算法的可视化短教程》

    介绍：A*搜索是人工智能基本算法，用于高效地搜索图中两点的最佳路径, 核心是 g(n)+h(n): g(n)是从起点到顶点n的实际代价。h(n)是顶点n到目标顶点的估算代价。合集

    • 《基于云的自然语言处理开源项目FudanNLP》

    介绍：本项目利用了Microsoft Azure，能够在几分种内完毕NLP on Azure Website的部署，马上開始对FNLP各种特性的试用。或者以REST API的形式调用FNLP的语言分析功能

    • 《吴立德《概率主题模型&数据科学基础》》

    介绍：现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所副所长.内部课程

    • 《机器学习入门资源不全然汇总》》

    介绍：好东西的干货真的非常多

    • 《收集从2014年開始深度学习文献》

    介绍：从硬件、图像到健康、生物、大数据、生物信息再到量子计算等，Amund Tveit等维护了一个DeepLearning.University小项目：收集从2014年開始深度学习文献。相信能够作为深度学习的起点,github

    • 《EMNLP上两篇关于股票趋势的应用论文 》

    介绍：EMNLP上两篇关于stock trend 用到了deep model组织特征；Exploiting
    Social Relations and Sentiment for Stock Prediction用到了stock network。

    • 《Bengio组（蒙特利尔大学LISA组）深度学习教程 》

    介绍：作者是深度学习一线大牛Bengio组写的教程。算法深入显出，还有实现代码。一步步展开。

    • 《学习算法的Neural Turing Machine 》

    介绍：很多传统的机器学习任务都是在学习function，只是谷歌眼下有開始学习算法的趋势。

    谷歌另外的这篇学习Python程序的Learning to Execute也有相似之处

    • 《Learning to Rank for Information Retrieval and Natural Language Processing》

    介绍：作者是华为技术有限公司，诺亚方舟实验室。首席科学家的李航博士写的关于信息检索与自然语言处理的文章

    • 《Rumor has it: Identifying Misinformation in Microblogs》

    介绍：利用机用器学习在谣言的判别上的应用,此外还有两个。一个是识别垃圾与虚假信息的paper.另一个是网络舆情及其分析技术

    • 《R机器学习实践》

    介绍：该课程是网易公开课的收费课程，不贵。超级廉价。

    主要适合于对利用R语言进行机器学习，数据挖掘感兴趣的人。

    • 《大数据分析：机器学习算法实现的演化》

    介绍：本章中作者总结了三代机器学习算法实现的演化：第一代非分布式的， 第二代工具如Mahout和Rapidminer实现基于Hadoop的扩展。第三代如Spark和Storm实现了实时和迭代数据处理。BIG
    DATA ANALYTICS BEYOND HADOOP

    • 《图像处理。分析与机器视觉》

    介绍：讲计算机视觉的四部奇书（应该叫经典吧）之中的一个。另外三本是Hartley的《多图几何》、Gonzalez的《数字图像处理》、Rafael C.Gonzalez / Richard E.Woods 的《数字图像处理》

    • 《LinkedIn最新的推荐系统文章Browsemaps》

    介绍：里面基本没涉及到详细算法。但作者介绍了CF在LinkedIn的非常多应用，以及他们在做推荐过程中获得的一些经验。最后一条经验是应该监控log数据的质量。由于推荐的质量非常依赖数据的质量！

    • 《刚開始学习的人怎样查阅自然语言处理（NLP）领域学术资料》

    介绍：刚開始学习的人怎样查阅自然语言处理（NLP）领域学术资料

    • 《树莓派的人脸识别教程》

    介绍：用树莓派和相机模块进行人脸识别

    • 《利用深度学习与大数据构建对话系统 》

    介绍：怎样利用深度学习与大数据构建对话系统

    • 《经典论文Leo Breiman：Statistical Modeling: The Two Cultures 》

    介绍：Francis Bach合作的有关稀疏建模的新综述(书)：Sparse Modeling for Image and Vision Processing。内容涉及Sparsity, Dictionary Learning, PCA, Matrix Factorization等理论，以及在图像和视觉上的应用，并且第一部分关于Why does the l1-norm induce sparsity的解释也非常不错。

    • 《Reproducing Kernel Hilbert Space》

    介绍：RKHS是机器学习中重要的概念。其在large margin分类器上的应用也是广为熟知的。

    假设没有较好的数学基础。直接理解RKHS可能会不易。本文从基本运算空间讲到Banach和Hilbert空间，深入浅出，一共才12页。

    • 《Hacker’s guide to Neural Networks》

    介绍：很多同学对于机器学习及深度学习的困惑在于，数学方面已经大致理解了。可是动起手来却不知道怎样下手写代码。

    斯坦福深度学习博士Andrej Karpathy写了一篇实战版本号的深度学习及机器学习教程，手把手教你用Javascript写神经网络和SVM.

    • 《【语料库】语料库资源汇总》

    介绍：【语料库】语料库资源汇总

    • 《机器学习算法之旅》

    介绍：本文会过一遍最流行的机器学习算法。大致了解哪些方法可用。非常有帮助。

    • 《Reproducible Research in Computational Science》

    介绍：这个里面有非常多关于机器学习、信号处理、计算机视觉、深入学习、神经网络等领域的大量源码（或可运行代码）及相关论文。科研写论文的好资源

    • 《计算机视觉数据集不全然汇总》

    介绍：计算机视觉数据集不全然汇总

    • 《Machine Learning Open Source Software》

    介绍：机器学习开源软件

    • 《LIBSVM》

    介绍：A Library for Support Vector Machines

    • 《Support Vector Machines》

    介绍：数据挖掘十大经典算法之中的一个

    • 《100 Best GitHub: Deep Learning》

    介绍：github上面100个很棒的项目

    • 《加州大学欧文分校(UCI)机器学习数据集仓库》

    介绍：当前加州大学欧文分校为机器学习社区维护着306个数据集。查询数据集

    • 《Andrej Karpathy个人主页》

    介绍：Andrej Karpathy 是斯坦福大学Li Fei-Fei的博士生，使用机器学习在图像、视频语义分析领域取得了科研和project上的突破，发的文章不多。但每个都非常扎实，在每个问题上都做到了state-of-art.

    • 《Andrej Karpathy的深度强化学习演示》

    介绍：Andrej Karpathy的深度强化学习演示。论文在这里

    • 《CIKM数据挖掘竞赛夺冠算法-陈运文》

    介绍：CIKM Cup(或者称为CIKM Competition)是ACM CIKM举办的国际数据挖掘竞赛的名称。

    • 《Geoffrey E. Hinton》

    介绍：杰弗里·埃弗里斯特·辛顿 FRS是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对照散度算法的发明人之中的一个，也是深度学习的积极推动者.

    • 《自然语言处理的深度学习理论与实际》

    介绍：微软研究院深度学习技术中心在CIKM2014 上关于《自然语言处理的深度学习理论与实际》教学讲座的幻灯片

    • 《用大数据和机器学习做股票价格预測》

    介绍： 本文基于<支持向量机的高频限价订单的动态建模>採用了 Apache Spark和Spark MLLib从纽约股票交易所的订单日志数据构建价格运动预測模型。(股票有风险，投资慎重)GitHub源码托管地址.

    • 《关于机器学习的若干理论问题》

    介绍：徐宗本 院士将于热爱机器学习的小伙伴一起探讨有关于机器学习的几个理论性问题，并给出一些有意义的结论。最后通过一些实例来说明这些理论问题的物理意义和实际应用价值。

    • 《深度学习在自然语言处理的应用》

    介绍：作者还著有《这就是搜索引擎：核心技术具体解释》一书，主要是介绍应用层的东西

    • 《Undergraduate machine learning at UBC》

    介绍：机器学习课程

    • 《人脸识别必读的N篇文章》

    介绍：人脸识别必读文章推荐

    • 《推荐系统经典论文文献及业界应用》

    介绍：推荐系统经典论文文献

    • 《人脸识别必读的N篇文章》

    介绍：人脸识别必读文章推荐

    • 《第十二届中国"机器学习及其应用"研讨会PPT》

    介绍：第十二届中国"机器学习及其应用"研讨会PPT

    • 《统计机器学习》

    介绍：统计学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预測和分析的一门科学，统计学习也成为统计机器学习。课程来自上海交通大学

    • 《机器学习导论》

    介绍：机器学习的目标是对计算机编程。以便使用样本数据或以往的经验来解决给定的问题.

    • 《CIKM 2014主题报告的幻灯片》

    介绍：CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主题报告的幻灯片。 Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry Track报告的幻灯片

    • 《人工智能和机器学习领域有趣的开源项目》

    介绍：部分中文列表

    • 《机器学习经典算法具体解释及Python实现–基于SMO的SVM分类器》

    介绍:此外作者另一篇元算法、AdaBoost　python实现文章

    • 《Numerical Optimization: Understanding L-BFGS》

    介绍:加州伯克利大学博士Aria Haghighi写了一篇超赞的数值优化博文，从牛顿法讲到拟牛顿法，再讲到BFGS以及L-BFGS, 图文并茂。还有伪代码。强烈推荐。

    • 《简明深度学习方法概述（一）》

    介绍:还有续集简明深度学习方法概述（二）

    • 《R language for programmers》

    介绍:Ｒ语言程序猿私人定制版

    • 《谷歌地图解密：大数据与机器学习的结合》

    介绍:谷歌地图解密

    • 《空间数据挖掘经常用法》

    介绍:空间数据挖掘经常用法

    • 《Use Google’s Word2Vec for movie reviews》

    介绍:Kaggle新比赛 ”When bag of words meets bags of popcorn“ aka ”边学边用word2vec和deep learning做NLP“ 里面全套教程教一步一步用python和gensim包的word2vec模型。并在实际比赛里面比调參数和清数据。 假设已装过gensim不要忘升级

    • 《PyNLPIR》

    介绍:PyNLPIR提供了NLPIR/ICTCLAS汉语分词的Python接口,此外Zhon提供了经常使用汉字常量。如CJK字符和偏旁。中文标点，拼音，和汉字正則表達式（如找到文本中的繁体字）

    • 《深度卷积神经网络下围棋》

    介绍:这文章说把近期模型识别上的突破应用到围棋软件上，打16万张职业棋谱训练模型识别功能。

    想法不错。

    训练后眼下能做到不用计算，仅仅看棋盘就给出下一步。大约10级棋力。但这篇文章太过乐观，说什么人类的最后一块堡垒立即就要跨掉了。话说得太早。只是，假设与别的软件结合应该还有潜力可挖。@万精油墨绿

    • 《NIPS审稿实验》

    介绍:UT Austin教授Eric Price关于今年NIPS审稿实验的具体分析,他表示，依据这次实验的结果，假设今年NIPS又一次审稿的话，会有一半的论文被拒。