本文主要向大家介绍了机器学习入门之资源 | 200个最佳机器学习、NLP和Python教程——2018版，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。

去年，我写了一篇非常受欢迎的博文（在Medium上有161K阅读量），这篇文章列出了我深入研究机器学习时所发现的最佳教程。13个月后，现在又有大量关于传统机器学习的新教程和新技术涌现（过去一年里）。围绕机器学习持续出现的内容数量是惊人的。

这篇文章包含了我迄今为止发现的最佳教程。这绝不是一份囊括了网上所有关于机器学习相关的详尽列表（这将会是工作量巨大且枯燥的）。再说，网上还有一大堆平庸的内容。我的目标是在机器学习和NLP领域的重要子话题中给出我能找到的最佳教程。

在教程中，我更倾向于扼要地介绍内容中的概念，而避免囊括一些覆盖更广的书籍的章节和研究论文，这些一般不是用来介绍一个概念的好材料。为什么不买一本书？当你尝试学习一个特定主题或者想要一个不同的观点时，教程能够提供帮助。

我把这个这篇博文分成四部分：机器学习、NLP、Python、数学。每一部分都包含了一些主题和相关材料，当然不可能囊括所有可能的主题。

如果有好的材料而我又忽略了，请让我知道！我尝试限定每个主题只包含5、6个教程来避免重复性，每一个链接应该有着与其他链接不同的材料，或者以不同的方式呈现（例如：代码、幻灯片、长文），或者从不同角度展示。

机器学习

和机器学习从这里开始（machinelearningmastery.com）

机器学习是有趣的！（medium.com/@ageitgey）

机器学习规则：机器学习工程的最佳实践（martin.zinkevich.org）

机器学习速成班：第一部分、第二部分、第三部分

机器学习理论机器应用介绍：一份可视化实践教程（Total.com）

机器学习简明指南(monkeylearn.com)

我应该使用哪一个机器学习算法？（sas.com）

机器学习入门（sas.com）

初学者的机器学习教程（kaggle.com/kanncaa1）

激活函数与损失函数

Sigmoid神经元（neuralnetworksanddeeplearning.com）

激活函数在神经网络中的作用（quota.com）

神经网络中激活函数的优缺点综合清单（stats.stackexchange.com）

激活函数及其类型-哪一个更好？（medium.com）

理解对数损失（exegetic.biz）

损失函数（斯坦福CS231n）

L1与L2损失函数（rishy.github.io）

交叉熵成本函数（neuralnetworksanddeeplearning.com）

偏置（Bias）

Bias在神经网络中的作用（stackoverflow.com）

神经网络中的Bias节点（makeyourownneuralnetwork.blogspot.com）

什么是人工神经网络的Bias？（quora.com）

感知机

感知器（neuralnetworksanddeeplearning.com）

感知机（natureofcode.com）

单层神经网络（感知器）（dcu.ie）

从感知机到深度网络（toptal.com）

回归

线性回归分析介绍（duke.edu）

线性回归（ufldl.stanford.edu）

线性回归（readthedocs.io）

逻辑回归（readthedocs.io）

机器学习的简明线性回归教程（machinelearningmastery.com）

机器学习的逻辑回归教程（machinelearningmastery.com）

Softmax回归（ufldl.stanford.edu）

梯度下降

使用梯度下降来学习（neuralnetworksanddeeplearning.com）

梯度下降（iamtrask.github.io）

如何理解梯度下降算法（kdnuggets.com）

梯度下降优化算法概述（sebastianruder.com）

优化：随机梯度下降（斯坦福CS231n）

生成学习

生成学习算法（斯坦福CS229）

朴素贝叶斯分类器实用解释（monkeylearn.com）

支持向量机

支持向量机（SVM）简介（monkeylearn.com）

支持向量机（斯坦福CS229）

线性分类：支持向量机，Softmax（斯坦福 231n）

反向传播

是的，你应该了解的反向传播（medium.com/@karpathy）

你能给出神经网络反向传播算法的直观解释吗？（github.com/rasbt）

反向传播算法的工作原理（neuralnetworksanddeeplearning.com）

通过时间的方向传播与梯度消失（wildml.com）

时间反向传播的简要介绍（machinelearningmastery.com）

反向传播，直觉（斯坦福CS231n）

深度学习

YN²深度学习指南（yerevann.com）

深度学习论文阅读路线图（github.com/floodsung）

坚果中的深度学习（nikhilbuduma.com）

深度学习教程（Quoc V. Le）

什么是深度学习？（machinelearningmastery.com）

人工智能，机器学习和深度学习之间有什么区别？（nvidia.com）

深度学习 -  The Straight Dope（gluon.mxnet.io）

优化和降维

数据维数减少的七种技术（knime.org）

主成分分析（斯坦福CS229）

Dropout：一种改善神经网络的简单方法（Hinton @ NIPS 2012）

如何训练您的深度神经网络（rishy.github.io）

LSTM

来自专家的LSTM网络的简要介绍（machinelearningmastery.com）

了解LSTM网络（colah.github.io）

探索LSTM（echen.me）

任何人都可以学习用Python编写LSTM-RNN（iamtrask.github.io）

卷积神经网络（CNN）

引入卷积网络（neuralnetworksanddeeplearning.com）

深度学习和卷积神经网络（medium.com/@ageitgey）

Conv Nets：模块化观点（colah.github.io）

了解卷积（colah.github.io）

递归神经网络（RNN）

循环神经网络教程（wildml.com）

注意机制和增强型的递归神经网络（distill.pub）

RNN的不合理的有效性（karpathy.github.io）

深入了解RNN（nikhilbuduma.com）

强化学习

面向初学者的强化学习及其实现简明指南（analyticsvidhya.com）

强化学习教程（mst.edu）

学习强化学习（wildml.com）

深度强化学习：来自像素的乒乓球（karpathy.github.io）

生成对抗网络（GAN）

对抗机器学习（aaai18adversarial.github.io）

什么是生成性对抗网络？（nvidia.com)

使用生成对抗网络制作8位像素艺术（medium.com/@ageitgey）

生成对抗网络简介（TensorFlow中的代码）（aylien.com）

初学者的生成性对抗网络（oreilly.com）

多任务学习

深度神经网络中多任务学习概述（sebastianruder.com）

NLP

自然语言处理很有趣！（medium.com/@ageitgey）

自然语言处理神经网络模型入门（Yoav Goldberg）

自然语言处理权威指南（monkeylearn.com）

自然语言处理简介（algorithmia.com）

自然语言处理教程（vikparuchuri.com）

（几乎）来自Scratch的自然语言处理（arxiv.org）

深度学习和NLP

适用于NLP的深度学习（arxiv.org）

NLP的深度学习（没有魔法）（Richard Socher）

了解NLP的卷积神经网络（wildml.com）

深度学习，NLP及其表示（colah.github.io）

嵌入，编码，参与，预测：最先进NLP模型的深度学习新公式（explosion.ai）

理解深度神经网络自然语言（使用Torch）（nvidia.com）

NLP的深度学习（使用Pytorch）（pytorch.org）

词向量

词包模型遇见爆米花袋（kaggle.com）

关于词嵌入第一部分 ， 第二部分 ， 第三部分 （sebastianruder.com）

词向量的惊人力量（acolyer.org）

word2vec参数学习解释（arxiv.org）

Word2Vec教程 - Skip-Gram模型 ， 负采样 （mccormickml.com）

encoder-decoder

深度学习和NLP中的注意力和记忆（wildml.com）

序列到序列模型（tensorflow.org）

使用神经网络进行序列到序列学习（NIPS 2014）

机器学习很有趣第五部分：深度学习的语言翻译和序列的魔力（medium.com/@ageitgey）

如何使用编码器 - 解码器LSTM来回显随机整数序列（machinelearningmastery.com）

tf-seq2seq（google.github.io）

Python

机器学习速成课程（google.com）

惊叹的机器学习（github.com/josephmisiti）

使用Python掌握机器学习的7个步骤（kdnuggets.com）

一个示例机器学习笔记（nbviewer.jupyter.org）

使用Python进行机器学习（tutorialspoint.com）

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！