本文主要向大家介绍了机器学习入门之[转]近200篇机器学习&深度学习资料分享（含各种文档，视频，源码等）[2]，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

《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 里包含中文分词、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，但又很想学习机器学习的朋友。是一个大的福利。机器学习周刊目前主要提供中文版，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。其实《线代》这门课讲得浅显易懂特别不容易，如果一上来就讲逆序数及罗列行列式性质，很容易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。很赞的资源汇总。

《machine learning for smart dummies》

介绍:雅虎邀请了一名来自本古里安大学的访问学者，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，详细讲解了有关 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网站配对算法找到真爱的故事，通过 Python 脚本控制着 12 个账号，下载了婚恋网站 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），最后终于收获了真爱。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不妨可以挑战一下这门课程！

《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 常用信息资源》

介绍:NLP 常用信息资源* 《NLP 常用信息资源》

《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 年开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。可以实时的采集 3D 数据、重建出三维模型。Online learning，GPU Random forest，GPU CRF 也会后续公开。

《Hacker's guide to Neural Networks》

介绍：【神经网络黑客指南】现在，最火莫过于深度学习（Deep Learning），怎样更好学习它？可以让你在浏览器中，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，当你开始写代码，一切将变得清晰。他刚发布了一本图书，不断在线更新

《Building a Production Machine Learning Infrastructure》

介绍：前 Google 广告系统工程师 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，而且还对有些资料做了注释。

《A primer on deeping learning》

介绍：深度学习入门的初级读本

《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、神经网络有着很浓厚的兴趣。因此，很多提问的问题中包含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，可以在几分种内完成 NLP on Azure Website 的部署，立即开始对 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完全汇总》》

介绍：好东西的干货真的很多

《收集从 2014 年开始深度学习文献》

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 年开始深度学习文献，相信可以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：许多传统的机器学习任务都是在学习 function，不过谷歌目前有开始学习算法的趋势。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.还有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，超级便宜。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）之一，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：里面基本没涉及到具体算法，但作者介绍了 CF 在 LinkedIn 的很多应用，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，因为推荐的质量很依赖数据的质量！

《初学者如何查阅自然语言处理（NLP）领域学术资料》

介绍：初学者如何查阅自然语言处理（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：如何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，而且第一部分关于 Why does the l1-norm induce sparsity 的解释也很不错。

《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。如果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：许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，但是动起手来却不知道如何下手写代码。斯坦福深度学习博士 Andrej Karpathy 写了一篇实战版本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，很有帮助。

《Reproducible Research in Computational Science》

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

《NYU 2014 年的深度学习课程资料》

介绍：NYU 2014 年的深度学习课程资料，有视频

《计算机视觉数据集不完全汇总》

介绍：计算机视觉数据集不完全汇总

《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一

《100 Best GitHub: Deep Learning》

介绍：github 上面 100 个非常棒的项目

《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工程上的突破，发的文章不多，但每个都很扎实，在每一个问题上都做到了 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比散度算法的发明人之一，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测》

介绍： 本文基于<支持向量机的高频限价订单的动态建模>采用了 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测模型。(股票有风险，投资谨慎) GitHub 源代码托管地址.

《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：核心技术详解》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测和分析的一门科学，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

《机器学习经典算法详解及 Python 实现--基于 SMO 的 SVM 分类器》

介绍:此外作者还有一篇元算法、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语言程序员私人定制版

《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

《空间数据挖掘常用方法》

介绍:空间数据挖掘常用方法

《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参数和清数据。 如果已装过 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 提供了常用汉字常量，如 CJK 字符和偏旁，中文标点，拼音，和汉字正则表达式（如找到文本中的繁体字）

《深度卷积神经网络下围棋》

介绍:这文章说把最近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。训练后目前能做到不用计算，只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马上就要跨掉了。话说得太早。不过，如果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 审稿实验的详细分析，他表示，根据这次实验的结果，如果今年 NIPS 重新审稿的话，会有一半的论文被拒。

《2014 年最佳的大数据，数据科学文章》

介绍:KDNuggets 分别总结了 2014 年 14 个阅读最多以及分享最多的文章。我们从中可以看到多个主题——深度学习，数据科学家职业，教育和薪酬，学习数据科学的工具比如R和 Python 以及大众投票的最受欢迎的数据科学和数据挖掘语言

《机器学习经典算法详解及 Python 实现--线性回归（Linear Regression）算法》

介绍:Python 实现线性回归，作者还有其他很棒的文章推荐可以看看

《2014 中国大数据技术大会 33 位核心专家演讲 PDF》

介绍：2014 中国大数据技术大会 33 位核心专家演讲 PDF 下载

《使用 RNN 和 Paragraph Vector 做情感分析》

介绍：这是T. Mikolov & Y. Bengio 最新论文 Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews ，使用 RNN 和 PV 在情感分析效果不错，［项目代码］(https://github.com/mesnilgr/iclr15) 公布在 github (目前是空的)。这意味着 Paragraph%E5%85%AC%E5%B8%83%E5%9C%A8github%20(%E7%9B%AE%E5%89%8D%E6%98%AF%E7%A9%BA%E7%9A%84)%E3%80%82%E8%BF%99%E6%84%8F%E5%91%B3%E7%9D%80Paragraph) Vector 终于揭开面纱了嘛。

《NLPIR/ICTCLAS2015 分词系统大会上的技术演讲 》

介绍:NLPIR/ICTCLAS2015 分词系统发布与用户交流大会上的演讲，请更多朋友检阅新版分词吧。 我们实验室同学的演讲包括：孙梦姝-基于评论观点挖掘的商品搜索技术研究 李然-主题模型

《Machine Learning is Fun!》

介绍:Convex Neural Networks 解决维数灾难

《CNN 的反向求导及练习》

介绍:介绍 CNN 参数在使用 bp 算法时该怎么训练，毕竟 CNN 中有卷积层和下采样层，虽然和 MLP 的 bp 算法本质上相同，但形式上还是有些区别的，很显然在完成 CNN 反向传播前了解 bp 算法是必须的。此外作者也做了一个资源集:机器学习，深度学习，视觉，数学等

《正则表达式优化成 Trie 树 》

介绍:如果要在一篇文章中匹配十万个关键词怎么办？Aho-Corasick 算法利用添加了返回边的 Trie 树，能够在线性时间内完成匹配。 但如果匹配十万个正则表达式呢 ？ 这时候可以用到把多个正则优化成 Trie 树的方法，如日本人写的 Regexp::Trie

《Deep learning Reading List》

介绍:深度学习阅读清单

《Caffe》

介绍:Caffe 是一个开源的深度学习框架，作者目前在 google 工作，作者主页 Yangqing Jia (贾扬清)

《GoogLeNet 深度学习模型的 Caffe 复现 》

介绍:2014 ImageNet 冠军 GoogLeNet 深度学习模型的 Caffe 复现模型,GoogleNet 论文.

《LambdaNet，Haskell 实现的开源人工神经网络库 》

介绍:LambdaNetLambdaNet 是由 Haskell 实现的一个开源的人工神经网络库，它抽象了网络创建、训练并使用了高阶函数。该库还提供了一组预定义函数，用户可以采取多种方式组合这些函数来操作现实世界数据。

《百度余凯&张潼机器学习视频》

介绍:如果你从事互联网搜索，在线广告，用户行为分析，图像识别，自然语言理解，或者生物信息学，智能机器人，金融预测，那么这门核心课程你必须深入了解。

《杨强在 TEDxNanjing 谈智能的起源》

介绍:"人工智能研究分许多流派。其中之一以 IBM 为代表，认为只要有高性能计算就可得到智能，他们的‘深蓝’击败了世界象棋冠军；另一流派认为智能来自动物本能；还有个很强的流派认为只要找来专家，把他们的思维用逻辑一条条写下，放到计算机里就行……" 杨强在 TEDxNanjing 谈智能的起源

《深度 RNN/LSTM 用于结构化学习 0) 序列标注 Connectionist Temporal ClassificationICML06》

介绍:1) 机器翻译 Sequence to Sequence NIPS14 2) 成分句法 GRAMMAR AS FOREIGN LANGUAGE

《Deep Learning 实战之 word2vec》

介绍:网易有道的三位工程师写的 word2vec 的解析文档，从基本的词向量/统计语言模型->NNLM->Log-Linear/Log-Bilinear->层次化 Log-Bilinear，到 CBOW 和 Skip-gram 模型，再到 word2vec 的各种 tricks，公式推导与代码，基本上是网上关于 word2vec 资料的大合集，对 word2vec 感兴趣的朋友可以看看

《Machine learning open source software》

介绍:机器学习开源软件，收录了各种机器学习的各种编程语言学术与商业的开源软件．与此类似的还有很多例如:DMOZ - Computers: Artificial Intelligence: Machine Learning: Software,　LIBSVM -- A Library for Support Vector Machines,　Weka 3: Data Mining Software in Java,　scikit-learn:Machine Learning in Python,　Natural Language Toolkit:NLTK,　MAchine Learning for LanguagE Toolkit,　Data Mining - Fruitful and Fun,　Open Source Computer Vision Library

《机器学习入门者学习指南》

介绍:作者是计算机研二(写文章的时候，现在是 2015 年了应该快要毕业了)，专业方向自然语言处理．这是一点他的经验之谈．对于入门的朋友或许会有帮助

《A Tour of Machine Learning Algorithms》

介绍:这是一篇关于机器学习算法分类的文章，非常好

《2014 年的《机器学习日报》大合集》

介绍:机器学习日报里面推荐很多内容，在这里有一部分的优秀内容就是来自机器学习日报．

《 Image classification with deep learning 常用模型》

介绍:这是一篇关于图像分类在深度学习中的文章

《自动语音识别：深度学习方法》

介绍:作者与 Bengio 的兄弟 Samy 09 年合编《自动语音识别：核方法》 3）李开复 1989 年《自动语音识别》专著，其博导、94 年图灵奖得主 Raj Reddy 作序

《NLP 中的中文分词技术》

介绍: 作者是 360 电商技术组成员，这是一篇 NLP 在中文分词中的应用

《Using convolutional neural nets to detect facial keypoints tutorial》

介绍: 使用 deep learning 的人脸关键点检测，此外还有一篇 AWS 部署教程

《书籍推荐:Advanced Structured Prediction》

介绍: 由 Sebastian Nowozin 等人编纂 MIT 出版的新书《Advanced Structured Prediction》//t.cn/RZxipKG ，汇集了结构化预测领域诸多牛文，涉及 CV、NLP 等领域，值得一读。网上公开的几章草稿:一,二,三,四,五

《An Introduction to Matrix Concentration Inequalities》

介绍: Tropp 把数学家用高深装逼的数学语言写的矩阵概率不等式用初等的方法写出来，是非常好的手册，领域内的 paper 各种证明都在用里面的结果。虽说是初等的，但还是非常的难

《The free big data sources you should know》

介绍: 不容错过的免费大数据集，有些已经是耳熟能详，有些可能还是第一次听说，内容跨越文本、数据、多媒体等，让他们伴你开始数据科学之旅吧，具体包括：Data.gov、US Census Bureau、European Union Open Data Portal、Data.gov.uk 等

《A Brief Overview of Deep Learning》

介绍: 谷歌科学家、Hinton 亲传弟子 Ilya Sutskever 的深度学习综述及实际建议

《A Deep Dive into Recurrent Neural Nets》

介绍: 非常好的讨论递归神经网络的文章，覆盖了 RNN 的概念、原理、训练及优化等各个方面内容，强烈推荐！本文作者 Nikhil Buduma 还有一篇 Deep Learning in a Nutshell 值得推荐

《机器学习：学习资源》

介绍:里面融合了很多的资源，例如竞赛，在线课程，demo，数据整合等。有分类

《Statistical foundations of machine learning》

介绍:《机器学习的统计基础》在线版，该手册希望在理论与实践之间找到平衡点，各主要内容都伴有实际例子及数据，书中的例子程序都是用R语言编写的。

《A Deep Learning Tutorial: From Perceptrons to Deep Networks》

介绍:IVAN VASILEV 写的深度学习导引：从浅层感知机到深度网络。高可读

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！