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。
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
-
Python
-
Markdown
- Mastering Markdown - Markdown is a easy-to-use writing tool on the GitHu.
-
R
-
Python和Matlab的一些cheat sheet:https://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
-
Java
-
Matlab
-
-
机器学习的发展历程及启示, (@Prof. Zhihua Zhang/@张志华教授)
- 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
-
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
-
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.
-
CS 294 Deep Reinforcement Learning, Fall 2017. Course instructors: Sergey Levine, John Schulman, Chelsea Finn.
-
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)
-
-
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
-
-
-
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
-
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:
[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!