• 《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 1 部分: 推荐引擎初探

介绍:本文共同拥有三个系列，作者是来自IBM的project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

• 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》课程全部视频已经能够在斯坦福公开课站点上观看了（如Chrome不行，可用IE观看） 作业与測验也能够下载。

• 《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。

• 《16 Free eBooks On Machine Learning》

介绍:16本机器学习的电子书。能够下载下来在pad，手机上面随意时刻去阅读。

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

查看详情

usefullinksaboutmachinelearning

机器学习(MachineLearning)&深度学习(DeepLearning)资料(Chapter1) 机器学习(MachineLearning)&深度学习(DeepLearning)资料(Chapter2) 《机器学习&&深度学习》视频课程资源  查看详情

经典博客链接

...包括机器学习算法、进化计算、群体智能优化算法等）[MachineLearning]深度学习中消失的梯度[MachineLearning]logistic函数和softmax函数[MachineLearning&Algorithm]神经网络基础[MachineLea 查看详情

machinelearning:机器学习算法

原文链接：https://riboseyim.github.io/2018/02/10/Machine-Learning-Algorithms/摘要机器学习算法分类：监督学习、半监督学习、无监督学习、强化学习基本的机器学习算法：线性回归、支持向量机(SVM)、最近邻居(KNN)、逻辑回归、决策树、k平均... 查看详情

machinelearning入门-1

机器学习的算法分为两大类：监督学习和无监督学习。 监督学习即在机器学习的过程中提供对错指示。一般是在数据组中包含最终结果（0,1），通过算法让机器减少误差。这一类学习主要应用于分类与预测（Regression&Classi... 查看详情

导航-机器学习(machinelearning)

1逻辑回归2决策树3支持向量机4提升方法5聚类准备在近期复习巩固一下基本机器学期算法的原理和实现，写一些笔记，方便以后自己回顾。1逻辑回归(1）理论推导(2）python实现 查看详情

machinelearn机器学习及其基础概念简介

机器学习及其基础概念简介作者：白宁超2016年12月23日21:24:51摘要：随着机器学习和深度学习的热潮，各种图书层出不穷。然而多数是基础理论知识介绍，缺乏实现的深入理解。本系列文章是作者结合视频学习和书籍基础的笔记... 查看详情

machinelearning-机器学习概念篇

一、何为机器学习   对于没有了解过机器学习的人来说，机器学习是很神秘的，如果只是按照字面意思来理解可能会认为是机械性的学习，认为是一种概念，当然这个名称也是有误导性的。在不了解机器学习前&... 查看详情

attentionplease!twohundredsofmachinelearningturorialsummary

MachineLearningTheFirstColumnTheSecondColumnMachineLearning1从机器学习入手MachineLearning2机器学习很有趣！MachineLearning3机器学习规则：ML工程的最佳实践MachineLearning4机器学习速成课程：第一部分MachineLearning5第二部分;伯克利机器学习MachineLearnin... 查看详情

machinelearning—监督学习与非监督学习

斯坦福大学的MachineLearning课程（讲师是AndrewNg）公开课是学习机器学习的“圣经”，以下内容是听课笔记。一、何谓机器学习MachineLearningisfieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed.也就是说机器学习不需要制定... 查看详情

machinelearning|andrewng|coursera吴恩达机器学习笔记

Week1:MachineLearning: AcomputerprogramissaidtolearnfromexperienceEwithrespecttosomeclassoftasksTandperformancemeasureP,ifitsperformanceattasksinT,asmeasuredbyP,improveswithexperienceE. Supe 查看详情

机器学习（machinelearning）的定义

关于机器学习有两个相关的定义:1）给计算机赋予没有固定编程的学习能力的研究领域。2）一种计算机的程序，能从一些任务（T）和性能的度量（P），经验（E）中进行学习。在学习中，任务T的性能P能够随着P能去改善经验E。&n... 查看详情

基于windows机器学习(machinelearning)的图像分类(imageclassification)实现(代码片段)

原文:基于Windows机器学习(MachineLearning)的图像分类(Imageclassification)实现今天看到一篇文章  Google’sImageClassificationModelisnowFreetoLearn  说是狗狗的机器学习速成课程（MachineLearningCrashCourse）现在可以免费学习啦，因为 查看详情

机器学习(machinelearning)与深度学习(deeplearning)资料汇总

《BriefHistoryofMachineLearning》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、DeepLearning.《DeepLearninginNeuralNetworks:AnOverview》介绍:这是瑞士人工智能实验室JurgenSchm... 查看详情

machinelearning：什么是机器学习

简介　　在介绍机器学习之前，我想先列几个关于机器学习的例子：垃圾邮件检测：根据邮箱中的邮件，识别哪些是垃圾邮件，哪些不是。这样的模型，可以程序帮助归类垃圾邮件和非垃圾邮件。这个例子，我们应该都不陌生。... 查看详情

关于学习machinelearning的一些基本知识点

一、使用机器学习方法的几个基本出发点1、待解决的问题涉及的数据中，存在一些潜在可学习的pattern。2、待解决的问题通过一般的编程范式不容易处理。3、有一定量的数据用于机器学习建模。二、机器学习与人工智能的简要... 查看详情

day1机器学习(machinelearning,ml)基础

一、机器学习的简介定义　　TomMitchell给出的机器学习定义:对于某类任务T和性能度量P，如果计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序从经验E学习。　　百度百科给出的机器学习定义：机器... 查看详情

machinelearning——unsupervisedlearning（机器学习之非监督学习）

　　前面，我们提到了监督学习，在机器学习中，与之对应的是非监督学习。无监督学习的问题是，在未加标签的数据中，试图找到隐藏的结构。因为提供给学习者的实例是未标记的，因此没有错误或报酬信号来评估潜在的解决... 查看详情