1 ?http://blog.csdn.net/poiiy333/article/details/10282751

機器學習的資料較多，初學者可能會不知道怎樣去有效的學習，所以對這方面的資料進行了一個匯總，希望能夠對和我一樣的初學者有一定的借鑒。

1. 數學基礎
機器學習是構建于數學的基礎之上的，因此只有把數學的基本功打好，才能夠在機器學習領域有長遠的發展。正所謂”勿在浮沙筑高臺“。

• 微積分：微積分學教程 （F.M.菲赫金哥爾茨）俄羅斯的數學書
• 線性代數：Linear Algebra and Its Applications,Third Edition （David C.Lay）講得很實際，線性代數最重要的就是與實際應用相聯系才能夠理解其意義
• 概率與統計：概率論與數理統計 （陳希孺）或（盛驟/謝式千/潘承毅）這兩本書都很不錯
• 隨機過程：應用隨機過程:概率模型導論 （Sheldon M. Ross）這本書已經出到第10版了

這四門是數學的基礎，當然數學本身就是博大精深的，下面這個鏈接中有更深入的一些資料可以學習。
林達華推薦的幾本數學書：http://blog.sciencenet.cn/blog-722391-578745.html?
上面是基本的一些數學知識，下面是其它的一些資料：

• http://blog.csdn.net/abcjennifer/article/details/7691571
• 數據挖掘中所需的概率論與數理統計知識、上：http://blog.csdn.net/v_july_v/article/details/8308762
• 正態分布的前世今生：http://www.52nlp.cn/tag/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F
• LDA數學八卦
• 機器學習中的數學：http://leftnoteasy.cnblogs.com/

都是牛人們的精彩分享，謝謝。

對于數學的學習，個人覺得如果時間不夠，可以先略讀，之后再看機器學習算法時，若有不懂的，才知道去哪個地方查找，然后再根據機器學習中的具體應用加深對該處數學知識的掌握。

2. 機器學習與數據挖掘（偏理論）

• 統計學習方法 （李航）
• 統計學習基礎 （Trevor Hastie, Robert Tibshirani, Jerome Friedman）
• Pattern Recognition and Machine Learning （Christopher Bishop）
• Machine Learning: A Probabilistic Prespective （Kevin Murphy）
• Pattern classification （Richard O. Duda, Peter E. Hart and David G. Stork）
• Introduction to Machine Learning （Ethem Alpaydin）
• Data Mining （韓家煒）
• 現代模式識別 （孫即祥）

個人覺得《統計學習方法》與《統計學習基礎》這兩本書是基礎，后面的書內容相差不大，所以前兩本書應該看，而入門的話， 后面的書可以選1到2本精讀 ，剩下的書可作參考。

3. 智能算法（偏應用）

• Web智能算法 （Haralambos Marmanis, Dmitry Babenko）
• 集體智慧編程 （Toby Segaran）
• 推薦系統實踐 （項亮）
• 數據之魅 （Pbilipp K.Janert）

這幾本書均是從實踐的角度講解了機器學習中常用的算法，非常值得一看。

4. Deep Learning
Deep Learning最近幾年非常熱門，受到了業界廣泛的關注。

• 斯坦福大學的網站：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial ，其中國內的業界牛人對其進行了翻譯，也在該網站上
• Deep Learning的前世今生：http://www.cnblogs.com/avril/archive/2013/02/08/2909344.html
• 深度學習的一些教程：http://baojie.org/blog/2013/01/27/deep-learning-tutorials/

5. 視頻學習資源
前兩個是Andrew Ng的

• http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning
• http://v.163.com/special/opencourse/machinelearning.html
• http://work.caltech.edu/telecourse.html
• http://v.163.com/special/opencourse/daishu.html 線性代數公開課
  

6. 其它書籍

• 數學之美 （吳軍）鼎鼎大名的書就不用多說了，對當前搜索、自然語言處理等領域所常用的算法進行了講解
• 研究之美 （Knuth）40年前寫好的書，去年才在國內買到，很小的冊子
• 從一到無窮大

個人覺得，上面的書基本上包括了機器學習入門所需要的一些知識，若能用心學完，基本上算是入門了。之后若是理論研究，則不斷閱讀最新的文獻，而投向于工業界，則只有不斷實踐，才能夠更好地將機器學習的理論應用于平時的工作中。

當然，限于我自身知識的局限性，還有更多的好資料沒能列于其中，還請各位多多指教。同時，若文中有何不足之處，也請各位不吝賜教，謝謝！

2?學習總結：機器學習（1）學習資料匯總

//2014年2月17日

//2014年2月28日 特點闡述

寒假里學習了stanford的《機器學習》，由Andrew Ng教授（華裔）主講，收獲很大，特在這里進行學習資料匯總，以供后來人饗。

匯總后發現資料未免太多，不利于后來人選擇，下一篇blog我會對這些資料進行特點闡述。

加州理工(caltech)的 Yaser Abu-Mostafa教授的機器學習，偏重于傳統統計理論

斯坦福大學（Stanford U)的Andrew Ng教授的機器學習，偏重于實用，直觀理解

多倫多大學（Tornto U）的Geoffery Hinton教授的高級神經網絡，偏重于神經網絡和深度學習

斯坦福大學（Stanford U)的Daphne Koller教授的概率圖模型，偏重于推理和結構化學習

stanford 機器學習 資料

授課視頻資料：

http://v.163.com/special/opencourse/machinelearning.html

官方課件：

http://cimg3.163.com/edu/open/ocw/jiqixuexikecheng.zip

官方教學網：

http://www.holehouse.org/mlclass/index.html

推薦博客：

http://m.blog.csdn.net/blog/jirongzi_cs2011/10192667

/*很好的一篇博文，是《機器學習實戰》的blog版，對每行代碼進行了注釋，適合python初學者與對python科學計算不甚了解的人學習*/

http://blog.csdn.net/cuoqu/article/category/1411617/2

/*博主稱三年狂刷機器學習理論后的知識整理，適合有一定基礎后看，本人正在學習*/

http://www.cnblogs.com/LeftNotEasy/

/*博主對機器學習的一些心得，有幫助*/

http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html

/*stanford機器學習講義的中文版，不想看英文講義的可以看這里*/

http://blog.pluskid.org/?p=821

/*博主浙大畢業MIT讀博，想補充機器學習理論可以看這里*/

http://www.ituring.com.cn/article/1323

/*圖靈社區嘛*/

另一個優秀的機器學習課程（國立臺灣大學）:

http://mooc.guokr.com/course/610/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E5%9F%BA%E7%9F%B3--Machine-Learning-Foundations-/

/*據說偏重建立直覺，領會精神*/

機器學習書籍推薦：

http://book.douban.com/doulist/176513/

機器學習進階：/*看論文唄*/

http://blog.csdn.net/chl033/article/details/4822922

http://blog.csdn.net/lukelu1263/article/details/8083783

3?http://blog.csdn.net/jdbc/article/details/48206339

Deep Learning（深度學習）：

ufldl的2個教程(這個沒得說，入門絕對的好教程，Ng的，邏輯清晰有練習)：一

ufldl的2個教程(這個沒得說，入門絕對的好教程，Ng的，邏輯清晰有練習)：二

Bengio團隊的deep learning教程，用的theano庫，主要是rbm系列，搞python的可以參考，很不錯。

deeplearning.net主頁，里面包含的信息量非常多，有software, reading list, research lab, dataset, demo等，強烈推薦，自己去發現好資料。

Deep learning的toolbox，matlab實現的，對應源碼來學習一些常見的DL模型很有幫助，這個庫我主要是用來學習算法實現過程的。

2013年龍星計劃深度學習教程，鄧力大牛主講，雖然老師準備得不充分，不過還是很有收獲的。

Hinton大牛在coursera上開的神經網絡課程，DL部分有不少，非常贊，沒有廢話，課件每句話都包含了很多信息，有一定DL基礎后去聽收獲更大。

Larochelle關于DL的課件，邏輯清晰，覆蓋面廣,包含了rbm系列，autoencoder系列，sparse coding系列，還有crf，cnn，rnn等。雖然網頁是法文，但是課件是英文。

CMU大學2013年的deep learning課程，有不少reading paper可以參考。

達慕思大學Lorenzo Torresani的2013Deep learning課程reading list.

Deep Learning Methods for Vision(余凱等在cvpr2012上組織一個workshop，關于DL在視覺上的應用)。

斯坦福Ng團隊成員鏈接主頁，可以進入團隊成員的主頁，比較熟悉的有Richard Socher,?Honglak Lee,?Quoc Le等。

多倫多ML團隊成員鏈接主頁，可以進入團隊成員主頁，包括DL鼻祖hinton，還有Ruslan Salakhutdinov ,?Alex Krizhevsky等。

蒙特利爾大學機器學習團隊成員鏈接主頁，包括大牛Bengio，還有Ian Goodfellow?等。

紐約大學的機器學習團隊成員鏈接主頁，包括大牛Lecun，還有Rob Fergus等。

Charlie Tang個人主頁，結合DL+SVM.

豆瓣上的腦與deep learning讀書會，有講義和部分視頻，主要介紹了一些于deep learning相關的生物神經網絡。

Large Scale ML的課程，由Lecun和Langford講的，能不推薦么。

Yann Lecun的2014年Deep Learning課程主頁。?視頻鏈接。?

吳立德老師《深度學習課程》

一些常見的DL code列表，csdn博主zouxy09的博文，Deep Learning源代碼收集-持續更新…

Deep Learning for NLP (without Magic)，由DL界5大高手之一的Richard Socher小組搞的，他主要是NLP的。

2012 Graduate Summer School: Deep Learning, Feature Learning，高手云集，深度學習盛宴，幾乎所有的DL大牛都有參加。

matlab下的maxPooling速度優化，調用C++實現的。

2014年ACL機器學習領域主席Kevin Duh的深度學習入門講座視頻。

R-CNN code: Regions with Convolutional Neural Network Features.

?

Machine Learning（機器學習）：

介紹圖模型的一個ppt，非常的贊，ppt作者總結得很給力，里面還包括了HMM，MEM, CRF等其它圖模型。反正看完挺有收獲的。

機器學習一個視頻教程，youtube上的，翻吧，內容很全面，偏概率統計模型，每一小集只有幾分鐘。?

龍星計劃2012機器學習，由余凱和張潼主講。

demonstrate 的 blog :關于PGM(概率圖模型)系列，主要按照Daphne Koller的經典PGM教程介紹的，大家依次google之。

FreeMind的博客，主要關于機器學習的。

Tom Mitchell大牛的機器學習課程，他的machine learning教科書非常出名。

CS109,Data Science,用python介紹機器學習算法的課程。

CCF主辦的一些視頻講座。

?

國外技術團隊博客：

Netflix技術博客,很多干貨。

?

Computer Vision（計算機視覺）：

MIT2013年秋季課程：Advances in Computer Vision，有練習題，有些有code.

IPAM一個計算機視覺的短期課程，有不少牛人參加。

?

OpenCV相關：

http://opencv.org/

2012年7月4日隨著opencv2.4.2版本的發布，opencv更改了其最新的官方網站地址。

http://www.opencvchina.com/

好像12年才有這個論壇的，比較新。里面有針對《learning opencv》這本書的視頻講解，不過視頻教學還沒出完，正在更新中。對剛入門學習opencv的人來說很不錯。

http://www.opencv.org.cn/forum/

opencv中文論壇，對于初次接觸opencv的學者來說比較不錯，入門資料多，opencv的各種英文文檔也翻譯成中文了。不足是感覺這個論壇上發帖提問很少人回答，也就是說討論不夠激烈。

http://opencv.jp/

opencv的日文網站，里面有不少例子代碼，看不懂日文可以用網站自帶的翻譯，能看個大概。

http://code.opencv.org/projects/opencv

opencv版本bug修補，版本更新，以及各種相關大型活動安排,還包含了opencv最近幾個月內的活動路線，即未來將增加的功能等，可以掌握各種關于opencv進展情況的最新進展。

http://tech.groups.yahoo.com/group/OpenCV/

opencv雅虎郵件列表，據說是最好的opencv論壇，信息更新最新的地方。不過個人認為要查找相關主題的內容，在郵件列表中非常不方便。

http://www.cmlab.csie.ntu.edu.tw/~jsyeh/wiki/doku.php

臺灣大學暑假集訓網站，內有鏈接到與opencv集訓相關的網頁。感覺這種教育形式還蠻不錯的。

http://sourceforge.net/projects/opencvlibrary/

opencv版本發布地方。

http://code.opencv.org/projects/opencv/wiki/ChangeLog#241? ??http://opencv.willowgarage.com/wiki/OpenCV%20Change%20Logs

opencv版本內容更改日志網頁,前面那個網頁更新最快。

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/tutorials.html

opencv中文教程網頁，分幾個模塊講解，有代碼有過程。內容是網友翻譯opencv自帶的doc文件里的。

https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html

網友總結的常用帶有cvpr領域常見算法code鏈接的網址，感覺非常的不錯。

http://fossies.org/dox/OpenCV-2.4.2/

該網站可以查看opencv中一些函數的變量接口，還會列出函數之間的結構圖。

http://opencv.itseez.com/

opencv的函數、類等查找網頁，有導航，查起來感覺不錯。

?

優化：

submodual優化網頁。

Geoff Gordon的優化課程，youtube上有對應視頻。

?

數學：

http://www.youku.com/playlist_show/id_19465801.html

《計算機中的數學》系列視頻，8位老師10講內容，生動介紹微積分和線性代數基本概念在計算機學科中的各種有趣應用！

?

Linux學習資料：

http://itercast.com/library/1

linux入門的基礎視頻教程，對于新手可選擇看第一部分，視頻來源于LinuxCast.net網站，還不錯。

?

OpenNI+Kinect相關：

http://1.yuhuazou.sinaapp.com/

網友晨宇思遠的博客，主攻cvpr，ai等。

http://blog.csdn.net/chenli2010/article/details/6887646

kinect和openni學習資料匯總。

http://blog.csdn.net/moc062066/article/category/871261

OpenCV 計算機視覺 kinect的博客:

http://kheresy.wordpress.com/index_of_openni_and_kinect/comment-page-5/

網友Heresy的博客，里面有不少kinect的文章，寫的比較詳細。

http://www.cnkinect.com/

體感游戲中文網，有不少新的kinect資訊。

http://www.kinectutorial.com/

Kinect體感開發網。

http://code.google.com/p/openni-hand-tracker

openni_hand_tracking google code項目。

http://blog.candescent.ch/

網友的kinect博客，里面有很多手勢識別方面的文章介紹，還有源碼，不過貌似是基于c#的。

https://sites.google.com/site/colordepthfusion/

一些關于深度信息和顏色信息融合（fusion）的文章。

http://projects.ict.usc.edu/mxr/faast/

kinect新的庫，可以結合OpenNI使用。

https://sites.google.com/a/chalearn.org/gesturechallenge/

kinect手勢識別網站。

http://www.ros.org/wiki/mit-ros-pkg

mit的kinect項目，有code。主要是與手勢識別相關。

http://www.thoughtden.co.uk/blog/2012/08/kinecting-people-our-top-6-kinect-projects/

kinect 2012年度最具創新的6個項目，有視頻，確實夠創新的！

http://www.cnblogs.com/yangyangcv/archive/2011/01/07/1930349.html

kinect多點觸控的一篇博文。

http://sourceforge.net/projects/kinect-mex/

http://www.mathworks.com/matlabcentral/fileexchange/30242-kinect-matlab

有關matlab for kinect的一些接口。

http://news.9ria.com/2012/1212/25609.html

AIR和Kinect的結合，有一些手指跟蹤的code。

http://eeeweba.ntu.edu.sg/computervision/people/home/renzhou/index.htm

研究kinect手勢識別的，任洲。剛畢業不久。

?

其他網友cvpr領域的鏈接總結：

http://www.cnblogs.com/kshenf/

網友整理常用牛人鏈接總結，非常多。不過個人沒有沒有每個網站都去試過。所以本文也是我自己總結自己曾經用過的或體會過的。

?

OpenGL有關:

http://nehe.gamedev.net/

NeHe的OpenGL教程英文版。

http://www.owlei.com/DancingWind/

NeHe的OpenGL教程對應的中文版，由網友周瑋翻譯的。

http://www.qiliang.net/old/nehe_qt/

NeHe的OpengGL對應的Qt版中文教程。

http://blog.csdn.net/qp120291570

網友"左腦設計，右腦編程"的Qt_OpenGL博客,寫得還不錯。

http://guiliblearning.blogspot.com/

這個博客對opengl的機制有所剖析，貌似要FQ才能進去。

?

cvpr綜合網站論壇博客等：

http://www.cvchina.net/

中國計算機視覺論壇

http://www.cvchina.info/

這個博客很不錯，每次看完都能讓人興奮，因為有很多關于cv領域的科技新聞，還時不時有視頻顯示。另外這個博客里面的資源也整理得相當不錯。中文的。

http://www.bfcat.com/

一位網友的個人計算機視覺博客，有很多關于計算機視覺前沿的東西介紹，與上面的博客一樣，看了也能讓人興奮。

http://blog.csdn.net/v_JULY_v/

牛人博客，主攻數據結構，機器學習數據挖掘算法等。

http://blog.youtueye.com/

該網友上面有一些計算機視覺方向的博客,博客中附有一些實驗的測試代碼.

http://blog.sciencenet.cn/u/jingyanwang

多看pami才扯談的博客，其中有不少pami文章的中文介紹。

http://chentingpc.me/

做網絡和自然語言處理的，有不少機器學習方面的介紹。

?

ML常用博客資料等：

http://freemind.pluskid.org/

由 pluskid 所維護的 blog，主要記錄一些機器學習、程序設計以及各種技術和非技術的相關內容，寫得很不錯。

http://datasciencemasters.org/

里面包含學ML/DM所需要的一些知識鏈接，且有些給出了視頻教程，網頁資料，電子書，開源code等，推薦！

http://cs.nju.edu.cn/zhouzh/index.htm

周志華主頁，不用介紹了，機器學習大牛，更可貴的是他的很多文章都有源碼公布。

http://www.eecs.berkeley.edu/~jpaisley/Papers.htm

John Paisley的個人主頁，主要研究機器學習領域，有些文章有代碼提供。

http://foreveralbum.yo2.cn/

里面有一些常見機器學習算法的詳細推導過程。

http://blog.csdn.net/abcjennifer

浙江大學CS碩士在讀，關注計算機視覺，機器學習，算法研究，博弈， 人工智能， 移動互聯網等學科和產業。該博客中有很多機器學習算法方面的介紹。

http://www.wytk2008.net/

無垠天空的機器學習博客。

http://www.chalearn.org/index.html

機器學習挑戰賽。

http://licstar.net/

licstar的技術博客，偏自然語言處理方向。

?

國內科研團隊和牛人網頁：

http://vision.ia.ac.cn/zh/index_cn.html

中科院自動化所機器視覺課題小組，有相關數據庫、論文、課件等下載。

http://www.cbsr.ia.ac.cn/users/szli/

李子青教授個人主頁，中科院自動化所cvpr領域牛叉人！

http://www4.comp.polyu.edu.hk/~cslzhang/

香港理工大學教授lei zhang個人主頁，也是cvpr領域一大牛人啊，cvpr，iccv各種發表。更重要的是他所以牛叉論文的code全部公開，非常難得！

http://liama.ia.ac.cn/wiki/start

中法信息、自動化與應用聯合實驗室，里面很多內容不僅限而cvpr，還有ai領域一些其他的研究。

http://www.cogsci.xmu.edu.cn/cvl/english/

廈門大學特聘教授，cv領域一位牛人。研究方向主要為目標檢測，目標跟蹤，運動估計，三維重建，魯棒統計學，光流計算等。

http://idm.pku.edu.cn/index.aspx

北京大學數字視頻編碼技術國家實驗室。?

http://www.csie.ntu.edu.tw/~cjlin/libsvm/

libsvm項目網址，臺灣大學的，很火！

http://www.jdl.ac.cn/user/sgshan/index.htm

山世光，人臉識別研究比較牛。在中國科學院智能信息處理重點實驗室

?

國外科研團隊和牛人網頁：

https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html

常見計算機視覺資源整理索引，國外學者整理，全是出名的算法，并且帶有代碼的，這個非常有幫助，其鏈接都是相關領域很火的代碼。

http://www.cs.cmu.edu/afs/cs/project/cil/ftp/html/txtv-groups.html

國外學者整理的各高校研究所團隊網站

http://research.microsoft.com/en-us/groups/vision/

微軟視覺研究小組，不解釋，大家懂的，牛！

http://lear.inrialpes.fr/index.php

法國國家信息與自動化研究所，有對應牛人的鏈接，論文項目網頁鏈接，且一些code對應鏈接等。

http://www.cs.ubc.ca/~pcarbo/objrecls/

Learning to recognize objects with little supervision該篇論文的項目網頁，有對應的code下載，另附有詳細說明。

http://www.eecs.berkeley.edu/~lbourdev/poselets/

poselets相關研究界面，關于poselets的第一手資料。

http://www.cse.oulu.fi/CMV/Research

芬蘭奧盧大學計算機科學與工程學院網頁，里面有很多cv領域相關的研究，比如說人臉，臉部表情，人體行為識別，跟蹤，人機交互等cv基本都涉及有。

http://www.cs.cmu.edu/~cil/vision.html

卡耐基梅隆大學計算機視覺主頁，內容非常多。可惜的是該網站內容只更新到了2004年。

http://vision.stanford.edu/index.html

斯坦福大學計算機視覺主頁，里面有非常非常多的牛人，比如說大家熟悉的lifeifei.

http://www.wavelet.org/index.php

關于wavelet研究的網頁。

http://civs.ucla.edu/

加州大學洛杉磯分校統計學院，關于統計學習方面各種資料，且有相應的網上公開課。

http://www.cs.cmu.edu/~efros/

卡耐基梅隆大學Alexei(Alyosha)Efros教授個人網站，計算機圖形學高手。

http://web.mit.edu/torralba/www//

mit牛人Associate教授個人網址，主要研究計算機視覺人體視覺感知，目標識別和場景理解等。

http://people.csail.mit.edu/billf/

mit牛人William T. Freeman教授，主要研究計算機視覺和圖像學

http://www.research.ibm.com/peoplevision/

IBM人體視覺研究中心，里面除了有其研究小組的最新成果外，還有很多測試數據(特別是視頻）供下載。

http://www.vlfeat.org/

vlfeat主頁，vlfeat也是一個開源組織，主要定位在一些最流行的視覺算法開源上，Ｃ編寫，其很多算法效果比opencv要好,不過數量不全，但是非常有用。

http://www.robots.ox.ac.uk/~az/

Andrew Zisserman的個人主頁，這人大家應該熟悉，《計算機視覺中的多視幾何》這本神書的作者之一。

http://www.cs.utexas.edu/~grauman/

KristenGrauman教授的個人主頁，是個大美女，且是2011年“馬爾獎”獲得者，”馬爾獎“大家都懂的，計算機視覺領域的最高獎項，目前無一個國內學者獲得過。她的主要研究方法是視覺識別。

http://groups.csail.mit.edu/vision/welcome/

mit視覺實驗室主頁。

http://code.google.com/p/sixthsense/

曾經在網絡上非常出名一個視頻，一個作者研究的第六感裝置，現在這個就是其開源的主頁。

http://vision.ucsd.edu/~pdollar/research.html#BehaviorRecognitionAnimalBehavior

Piotr Dollar的個人主要，主要研究方向是人體行為識別。

http://www.mmp.rwth-aachen.de/

移動多媒體處理，將移動設備，計算機圖像學，視覺，圖像處理等結合的領域。

http://www.di.ens.fr/~laptev/index.html

Ivan Laptev牛人主頁，主要研究人體行為識別。有很多數據庫可以下載。

http://blogs.oregonstate.edu/hess/

Rob Hess的個人主要，里面有源碼下載，比如說粒子濾波，他寫的粒子濾波在網上很火。

http://morethantechnical.googlecode.com/svn/trunk/

cvpr領域一些小型的開源代碼。

http://iica.de/pd/index.py

做行人檢測的一個團隊，內部有一些行人檢測的代碼下載。

http://www.cs.utexas.edu/~grauman/research/pubs.html

UT-Austin計算機視覺小組，包含的視覺研究方向比較廣，且有的文章有源碼，你只需要填一個郵箱地址，系統會自動發跟源碼相關的信息過來。

http://www.robots.ox.ac.uk/~vgg/index.html

visual geometry group

?

圖像:

http://blog.sina.com.cn/s/blog_4cccd8d301012pw5.html

交互式圖像分割代碼。

http://vision.csd.uwo.ca/code/

graphcut優化代碼。

?

語音：

http://danielpovey.com/kaldi-lectures.html

語音處理中的kaldi學習。

?

算法分析與設計（計算機領域的基礎算法）：

http://www.51nod.com/focus.html

該網站主要是討論一些算法題。里面的李陶冶是個大牛，回答了很多算法題。

?

一些綜合topic列表：

http://www.cs.cornell.edu/courses/CS7670/2011fa/

計算機視覺中的些topic（Special Topics in Computer Vision），截止到2011年為止，其引用的文章都是非常頂級的topic。

?

書籍相關網頁：

http://www.imageprocessingplace.com/index.htm

岡薩雷斯的《數字圖像處理》一書網站，包含課程材料，matlab圖像處理工具包，課件ppt等相關素材。

Consumer Depth Cameras for Computer Vision

很優秀的一本書，不過很貴，買不起啊！做深度信息的使用這本書還不錯，google圖中可以預覽一部分。

Making.Things.See

針對Kinect寫的，主要關注深度信息，較為基礎。書籍中有不少例子，貌似是java寫的。

?

國內一些AI相關的研討會：

http://www.iipl.fudan.edu.cn/MLA13/index.htm

中國機器學習及應用研討會(這個是2013年的)

?

期刊會議論文下載：

http://cvpapers.com/

幾個頂級會議論文公開下載界面，比如說ICCV,CVPR,ECCV,ACCV,ICPR,SIGGRAPH等。

http://www.cvpr2012.org/

cvpr2012的官方地址，里面有各種資料和信息，其他年份的地址類似推理更改即可。

http://www.sciencedirect.com/science/journal/02628856

ICV期刊下載

http://www.computer.org/portal/web/tpami

TPAMI期刊，AI領域中可以算得上是最頂級的期刊了，里面有不少cvpr方面的內容。

http://www.springerlink.com/content/100272/

IJCV的網址。

http://books.nips.cc/

NIPS官網，有論文下載列表。

http://graphlab.org/lsrs2013/program/

LSRS （會議）地址，大規模推薦系統，其它年份依次類推。

?

會議期刊相關信息：

http://conferences.visionbib.com/Iris-Conferences.html

該網頁列出了圖像處理，計算機視覺領域相關幾乎所有比較出名的會議時間表。

http://conferences.visionbib.com/Browse-conf.php

上面網頁的一個子網頁，列出了最近的CV領域提交paper的deadline。

?

cvpr相關數據庫下載：

http://research.microsoft.com/en-us/um/people/jckrumm/WallFlower/TestImages.htm

微軟研究院牛人Wallflower Paper的論文中用到的目標檢測等測試圖片

http://archive.ics.uci.edu/ml/

UCI數據庫列表下載，最常用的機器學習數據庫列表。

http://www.cs.rochester.edu/~rmessing/uradl/

人體行為識別通過關鍵點的跟蹤視頻數據庫，Rochester university的

http://www.research.ibm.com/peoplevision/performanceevaluation.html

IBM人體視覺研究中心，有視頻監控等非常多的測試視頻。

http://www.cvpapers.com/datasets.html

該網站上列出了常見的cvpr研究的數據庫。

http://www.cs.washington.edu/rgbd-dataset/index.html

RGB-D Object Dataset.做目標識別的。

?

AI相關娛樂網頁：

http://en.akinator.com/

該網站很好玩，可以測試你心里想出的一個人名(當然前提是這個人必須有一定的知名度)，然后該網站會提出一系列的問題，你可以選擇yes or no,or I don’t know等等，最后系統會顯示你心中所想的那個人。

http://www.doggelganger.co.nz/

人與狗的匹配游戲，攝像頭采集人臉，呵呵…

?

Android相關：

https://code.google.com/p/android-ui-utils/

該網站上有一些android圖標,菜單等跟界面有關的設計工具,可以用來做一些簡單的UI設計.

?

工具和code下載：

http://lear.inrialpes.fr/people/dorko/downloads.html

6種常見的圖像特征點檢測子，linux下環境運行。不過只提供了二進制文件，不提供源碼。

http://www.cs.ubc.ca/~pcarbo/objrecls/index.html#code

ssmcmc的matlab代碼,是Learning to recognize objects with little supervision這一系列文章用的源碼，屬于目標識別方面的研究。

http://www.robots.ox.ac.uk/~timork/

仿射無關尺度特征點檢測算子源碼，還有些其它算子的源碼或二進制文件。

http://www.vision.ee.ethz.ch/~bleibe/code/ism.html

隱式形狀模型(ISM)項目主頁，作者Bastian Leibe提供了linux下運行的二進制文件。

http://www.di.ens.fr/~laptev/download.html#stip

Ivan Laptev牛人主頁中的STIP特征點檢測code，但是也只是有二進制文件，無源碼。該特征點在行為識別中該特征點非常有名。

http://ai.stanford.edu/~quocle/

斯坦福大學Quoc V.Le主頁，上有它2011年行為識別文章的代碼。

?

開源軟件：

http://mloss.org/software/

一些ML開源軟件在這里基本都可以搜到，有上百個。

https://github.com/myui/hivemall

Scalable machine learning library for Hive/Hadoop.

http://scikit-learn.org/stable/

?

基于python的機器學習開源軟件，文檔寫得不錯。

?

挑戰賽：

http://www.chioka.in/kaggle-competition-solutions/

kaggle一些挑戰賽的code.?

?

公開課：

網易公開課，國內做得很不錯的公開課，翻譯了一些國外出名的公開課教程，與國外公開課平臺coursera有合作。

coursera在線教育網上公開課，很新，有個郵箱注冊即可學習，有不少課程，且有對應的練習，特別是編程練習，超贊。

斯坦福網上公開課鏈接，有統計學習，凸優化等課程。

udacity公開課程下載鏈接，其實速度還可以。里面有不少好教程。

機器學習公開課的連接，有不少課。

?作者：tornadomeet 出處：http://www.cnblogs.com/tornadomeet 歡迎轉載或分享，但請務必聲明文章出處。 （新浪微博：tornadomeet,歡迎交流！）

4?http://blog.csdn.net/jdbc/article/details/48206367

• 北京大學視覺與聽覺信息處理實驗室
• 北京郵電大學模式識別與智能系統學科
• 復旦大學智能信息處理開放實驗室
• IEEE Computer Society北京映象站點
• 計算機科學論壇
• 機器人足球賽
• 模式識別國家重點實驗室
• 南京航空航天大學模式識別與神經計算實驗室 - PARNEC
• 南京大學機器學習與數據挖掘研究所 - LAMDA
• 南京大學人工智能實驗室
• 南京大學軟件新技術國家重點實驗室
• 人工生命之園
• 數據挖掘研究院
• 微軟亞洲研究院
• 中國科技大學人工智能中心
• 中科院計算所
• 中科院計算所生物信息學實驗室
• 中科院軟件所
• 中科院自動化所
• 中科院自動化所人工智能實驗室
• ACL Special Interest Group on Natural Language Learning (SIGNLL)
• ACM
• ACM Digital Library
• ACM SIGART
• ACM SIGIR
• ACM SIGKDD
• ACM SIGMOD
• Adaptive Computation Group at University of New Mexico
• AI at Johns Hopkins
• AI Bibliographies
• AI Topics: A dynamic online library of introductory information about artificial intelligence
• Ant Colony Optimization
• ARIES Laboratory: Advanced Research in Intelligent Educational Systems
• Artificial Intelligence Research in Environmental Sciences (AIRIES)
• Austrian Research Institute for AI (OFAI)
• Back Issues of Neuron Digest
• BibFinder: a computer science bibliography search engine integrating many other engines
• BioAPI Consortium
• Biological and Computational Learning Center at MIT
• Biometrics Consortium
• Boosting site
• Brain-Style Information Systems Research Group?at?RIKEN Brain Science Institute, Japan
• British Computer Society Specialist Group on Expert Systems
• Canadian Society for Computational Studies of Intelligence (CSCSI)
• CI Collection of BibTex Databases
• CITE, the first-stop source for computational intelligence information and services on the web
• Classification Society of North America
• CMU Advanced Multimedia Processing Group
• CMU Web->KB Project
• Cognitive and Neural Systems Department of Boston University
• Cognitive Sciences Eprint Archive (CogPrints)
• COLT: Computational Learning Theory
• Computational Neural Engineering Laboratory at the University of Florida
• Computational Neurobiology Lab at California, USA
• Computer Science Department of National University of Singapore
• Data Mining Server Online?held by?Rudjer Boskovic Institute
• Database Group at Simon Frazer University, Canada
• DBLP: Computer Science Bibliography
• Digital Biology: about creating artificial life
• Distributed AI Unit at Queen Mary & Westfield College, University of London
• Distributed Artificial Intelligence at HUJI
• DSI Neural Networks group at the Université di Firenze, Italy
• EA-related literature?at the?EvALife research group at DAIMI, University of Aarhus, Denmark
• Electronic Research Group at Aberdeen University
• ElsevierComputerScience
• European Coordinating Committee for Artificial Intelligence (ECCAI)
• European Network of Excellence in ML (MLnet)
• European Neural Network Society (ENNS)
• Evolutionary Computing Group?at?University of the West of England
• Evolutionary Multi-Objective Optimization Repository
• Explanation-Based Learning at University of Illinoise at Urbana-Champaign
• Face Detection Homepage
• Face Recognition Vendor Test
• Face Recognition Homepage
• Face Recognition Research Community
• Fingerpass
• ftp of Jude Shavlik's Machine Learning Group (University of Wisconsin-Madison)
• GA-List Searchable Database
• Genetic Algorithms Digest Archive
• Genetic Programming Bibliography
• Gesture Recognition Homepage
• HCI Bibliography Project?contain extended bibliographic information (abstract, key words, table of contents, section headings) for most publications Human-Computer Interaction dating back to 1980 and selected publications before 1980
• IBM Research
• IEEE
• IEEE Computer Society
• IEEE Neural Networks Society
• IEEE Xplore
• Illinois Genetic Algorithms Laboratory (IlliGAL)
• ILP Network of Excellence
• Inductive Learning at University of Illinoise at Urbana-Champaign
• Intelligent Agents Repository
• Intellimedia Project?at?North Carolina State University
• Interactive Artificial Intelligence Resources
• International Association of Pattern Recognition
• International Biometric Industry Association
• International Joint Conference on Artificial Intelligence (IJCAI)
• International Machine Learning Society (IMLS)
• International Neural Network Society (INNS)
• Internet Softbot Research at University of Washington
• Japanese Neural Network Society (JNNS)
• Java Agents for Meta-Learning Group (JAM) at Computer Science Department, Columbia University, for Fraud and Intrusion Detection Using Meta-Learning Agents
• Kernel Machines
• Knowledge Discovery Mine
• Laboratory for Natural and Simulated Cognition at McGill University, Canada
• Learning Laboratory?at Carnegie Mellon University
• Learning Robots Laboratory?at Carnegie Mellon University
• Laboratoire d'Informatique et d'Intelligence Artificielle (IIA-ENSAIS)
• Machine Learning Group of Sydney University, Australia
• Mammographic Image Analysis Society
• MDL Research on the Web
• Mirek's Cellebration: 1D and 2D Cellular Automata explorer
• MIT Artificial Intelligence Laboratory
• MIT Media Laboratory
• MIT Media Laboratory Vision and Modeling Group
• MLNET: a European network of excellence in Machine Learning, Case-based Reasoning and Knowledge Acquisition
• MLnet Machine Learning Archive?at GMD includes papers, software, and data sets
• MIRALab at University of Geneva: leading research on virtual human simulation
• Neural Adaptive Control Technology (NACT)
• Neural Computing Research Group at Aston University, UK
• Neural Information Processing Group at Technical University of Berlin
• NIPS
• NIPS Online
• Neural Network?Benchmarks,?Technical Reports,and?Source Code?maintained by Scott Fahlman at CMU; source code includes Quickprop, Cascade-Correlation, Aspirin/Migraines
• Neural Networks FAQ?by?Lutz Prechelt
• Neural Networks FAQ?by?Warren S. Sarle
• Neural Networks: Freeware and Shareware Tools
• Neural Network Group at Department of Medical Physics and Biophysics, University of Nijmegen
• Neural Network Group at Université Catholique de Louvain
• Neural Network Group at Eindhoven University of Technology
• Neural Network Hyperplane Animator?program that allows easy visualization of training data and weights in a back-propagation neural network
• Neural Networks Research at TUT/ELE
• Neural Networks Research Centre at Helsinki University of Technology, Finland
• Neural Network Speech Group at Carnegie Mellon University
• Neural Text Classification with Neural Networks
• Nonlinearity and Complexity Homepage
• OFAI and IMKAI library information system, provided by the Department of Medical Cybernetics and Artificial Intelligence at the University of Vienna (IMKAI) and the Austrian Research Institute for Artificial Intelligence (OFAI). It contains over 36,000 items (books, research papers, conference papers, journal articles) from many subareas of AI
• OntoWeb: Ontology-based information exchange for knowledge management and electronic commerce
• Portal on Neural Network Forecasting
• PRAG: Pattern Recognition and Application Group at University of Cagliari
• Quest Project at IBM Almaden Research Center
• Recursive-Partitioning.com: an academic website focusing on classification and regression trees. Maintained by?Tjen-Sien Lim
• Reinforcement Learning at Carnegie Mellon University
• ResearchIndex: NECI Scientific Literature Digital Library, indexing over 200,000 computer science articles
• ReVision: Reviewing Vision in the Web!
• RIKEN: The Institute of Physical and Chemical Research, Japan
• Salford Systems
• SANS?Studies of Artificial Neural Systems, at the Royal Institute of Technology, Sweden
• Santa-Fe Institute
• Scirus: a search engine locating scientific information on the Internet
• Second Moment: The News and Business Resource for Applied Analytics
• SEL-HPC Article Archive?has sections for neural networks, distributed AI, theorem proving, and a variety of other computer science topics
• SOAR Project at University of Southern California
• Society for AI and Statistics
• SVM of ANU Canberra
• SVM of Bell Labs
• SVM of GMD-First Berlin
• SVM of MIT
• SVM of Royal Holloway College
• SVM of University of Southampton
• SVM-workshop at NIPS97
• TechOnLine: TechOnLine University offers free online courses and lectures
• UCI Machine Learning Group
• UMASS Distributed Artificial Intelligence Laboratory
• UTCS Neural Networks Research Group?of?Artificial Intelligence Lab,?Computer Science Department,?University of Texas at Austin
• Vivisimo Document Clustering: a powerful search engine which returns clustered results
• Worcester Polytechnic Institute Artificial Intelligence Research Group (AIRG)
• Xerion?neural network simulator developed and used by the connectionist group at the University of Toronto
• Yale's CTAN?Advanced Technology Center for Theoretical and Applied Neuroscience
• ZooLand: Artificial Life Resource

5?http://blog.csdn.net/zhoubl668/article/details/42921187

希望轉載的朋友，你可以不用聯系我．但是一定要保留原文鏈接，因為這個項目還在繼續也在不定期更新．希望看到文章的朋友能夠學到更多．

---

• 《Brief History of Machine Learning》

介紹:這是一篇介紹機器學習歷史的文章，介紹很全面，從感知機、神經網絡、決策樹、SVM、Adaboost到隨機森林、Deep Learning.

• 《Deep Learning in Neural Networks: An Overview》

介紹:這是瑞士人工智能實驗室Jurgen Schmidhuber寫的最新版本《神經網絡與深度學習綜述》本綜述的特點是以時間排序，從1940年開始講起，到60-80年代，80-90年代，一直講到2000年后及最近幾年的進展。涵蓋了deep learning里各種tricks，引用非常全面.

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

介紹:這是一份python機器學習庫,如果您是一位python工程師而且想深入的學習機器學習.那么這篇文章或許能夠幫助到你.

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

介紹:這一篇介紹如果設計和管理屬于你自己的機器學習項目的文章，里面提供了管理模版、數據管理與實踐方法.

• 《Machine Learning is Fun!》

介紹:如果你還不知道什么是機器學習，或則是剛剛學習感覺到很枯燥乏味。那么推薦一讀。這篇文章已經被翻譯成中文,如果有興趣可以移步http://blog.jobbole.com/67616/

• 《R語言參考卡片》

介紹:R語言是機器學習的主要語言,有很多的朋友想學習R語言，但是總是忘記一些函數與關鍵字的含義。那么這篇文章或許能夠幫助到你

• 《Choosing a Machine Learning Classifier》

介紹:我該如何選擇機器學習算法，這篇文章比較直觀的比較了Naive Bayes，Logistic Regression，SVM，決策樹等方法的優劣，另外討論了樣本大小、Feature與Model權衡等問題。此外還有已經翻譯了的版本:http://www.52ml.net/15063.html

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

介紹：深度學習概述：從感知機到深度網絡，作者對于例子的選擇、理論的介紹都很到位，由淺入深。翻譯版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html

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

  介紹:<機器學習與優化>這是一本機器學習的小冊子, 短短300多頁道盡機器學習的方方面面. 圖文并茂, 生動易懂, 沒有一坨坨公式的煩惱. 適合新手入門打基礎, 也適合老手溫故而知新. 比起MLAPP/PRML等大部頭, 也許這本你更需要!具體內容推薦閱讀:http://intelligent-optimization.org/LIONbook/

• 《深度學習與統計學習理論》

介紹:作者是來自百度，不過他本人已經在2014年4月份申請離職了。但是這篇文章很不錯如果你不知道深度學習與支持向量機/統計學習理論有什么聯系？那么應該立即看看這篇文章.

• 《計算機科學中的數學》

介紹:這本書是由谷歌公司和MIT共同出品的計算機科學中的數學：Mathematics for Computer Science，Eric Lehman et al 2013 。分為5大部分：1）證明，歸納。2）結構，數論，圖。3）計數，求和，生成函數。4）概率，隨機行走。5）遞歸。等等

• 《信息時代的計算機科學理論(Foundations of Data Science)》

介紹：信息時代的計算機科學理論,目前國內有紙質書購買，iTunes購買

• 《Data Science with R》

介紹:這是一本由雪城大學新編的第二版《數據科學入門》教材：偏實用型，淺顯易懂，適合想學習R語言的同學選讀。

• 《Twenty Questions for Donald Knuth》

介紹:這并不是一篇文檔或書籍。這是篇向圖靈獎得主Donald Knuth提問記錄稿： 近日， Charles Leiserson, Al Aho, Jon Bentley等大神向Knuth提出了20個問題，內容包括TAOCP，P/NP問題，圖靈機，邏輯，以及為什么大神不用電郵等等。

• 《Automatic Construction and Natural-Language Description of Nonparametric Regression Models》

介紹：不會統計怎么辦？不知道如何選擇合適的統計模型怎么辦？那這篇文章你的好好讀一讀了麻省理工Joshua B. Tenenbaum和劍橋Zoubin Ghahramani合作，寫了一篇關于automatic statistician的文章。可以自動選擇回歸模型類別，還能自動寫報告...

• 《ICLR 2014論文集》

介紹:對深度學習和representation learning最新進展有興趣的同學可以了解一下

• 《Introduction to Information Retrieval》

介紹：這是一本信息檢索相關的書籍，是由斯坦福Manning與谷歌副總裁Raghavan等合著的Introduction to Information Retrieval一直是北美最受歡迎的信息檢索教材之一。最近作者增加了該課程的幻燈片和作業。IR相關資源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html

• 《Machine learning in 10 pictures》

介紹:Deniz Yuret用10張漂亮的圖來解釋機器學習重要概念：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.很清晰

• 《雅虎研究院的數據集匯總》

介紹：雅虎研究院的數據集匯總： 包括語言類數據，圖與社交類數據，評分與分類數據，計算廣告學數據，圖像數據，競賽數據，以及系統類的數據。

• 《An Introduction to Statistical Learning with Applications in R》

介紹：這是一本斯坦福統計學著名教授Trevor Hastie和Robert Tibshirani的新書，并且在2014年一月已經開課：https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

• Best Machine Learning Resources for Getting Started

介紹：機器學習最佳入門學習資料匯總是專為機器學習初學者推薦的優質學習資源，幫助初學者快速入門。而且這篇文章的介紹已經被翻譯成中文版。如果你不怎么熟悉，那么我建議你先看一看中文的介紹。

• My deep learning reading list

介紹:主要是順著Bengio的PAMI review的文章找出來的。包括幾本綜述文章，將近100篇論文，各位山頭們的Presentation。全部都可以在google上找到。

• Cross-Language Information Retrieval

介紹：這是一本書籍，主要介紹的是跨語言信息檢索方面的知識。理論很多

• 探索推薦引擎內部的秘密，第 1 部分: 推薦引擎初探

介紹:本文共有三個系列，作者是來自IBM的工程師。它主要介紹了推薦引擎相關算法，并幫助讀者高效的實現這些算法。探索推薦引擎內部的秘密，第 2 部分: 深度推薦引擎相關算法 - 協同過濾,探索推薦引擎內部的秘密，第 3 部分: 深度推薦引擎相關算法 - 聚類

• 《Advice for students of machine learning》

介紹：康奈爾大學信息科學系助理教授David Mimno寫的《對機器學習初學者的一點建議》， 寫的挺實際，強調實踐與理論結合，最后還引用了馮 ? 諾依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."

• 分布式并行處理的數據

介紹：這是一本關于分布式并行處理的數據《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》,作者是斯坦福的James L. McClelland。著重介紹了各種神級網絡算法的分布式實現,做Distributed Deep Learning 的童鞋可以參考下

• 《“機器學習”是什么？》

介紹:【“機器學習”是什么？】John Platt是微軟研究院杰出科學家，17年來他一直在機器學習領域耕耘。近年來機器學習變得炙手可熱，Platt和同事們遂決定開設博客，向公眾介紹機器學習的研究進展。機器學習是什么，被應用在哪里？來看Platt的這篇博文

• 《2014年國際機器學習大會ICML 2014 論文》

介紹：2014年國際機器學習大會（ICML）已經于6月21-26日在國家會議中心隆重舉辦。本次大會由微軟亞洲研究院和清華大學聯手主辦，是這個有著30多年歷史并享譽世界的機器學習領域的盛會首次來到中國，已成功吸引海內外1200多位學者的報名參與。干貨很多，值得深入學習下

• 《Machine Learning for Industry: A Case Study》

介紹：這篇文章主要是以Learning to Rank為例說明企業界機器學習的具體應用，RankNet對NDCG之類不敏感，加入NDCG因素后變成了LambdaRank，同樣的思想從神經網絡改為應用到Boosted Tree模型就成就了LambdaMART。Chirs Burges，微軟的機器學習大神，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最為突出，代表論文為：?From RankNet to LambdaRank to LambdaMART: An Overview?此外，Burges還有很多有名的代表作，比如：A Tutorial on Support Vector Machines for Pattern Recognition
Some Notes on Applied Mathematics for Machine Learning

• 100 Best GitHub: Deep Learning

介紹:100 Best GitHub: Deep Learning

• 《UFLDL-斯坦福大學Andrew Ng教授“Deep Learning”教程》

介紹:本教程將闡述無監督特征學習和深度學習的主要觀點。通過學習，你也將實現多個功能學習/深度學習算法，能看到它們為你工作，并學習如何應用/適應這些想法到新問題上。本教程假定機器學習的基本知識（特別是熟悉的監督學習，邏輯回歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這里機器學習課程，并先完成第II，III，IV章（到邏輯回歸）。此外這關于這套教程的源代碼在github上面已經有python版本了?UFLDL Tutorial Code

*《Deep Learning for Natural Language Processing and Related Applications》

介紹:這份文檔來自微軟研究院,精髓很多。如果需要完全理解，需要一定的機器學習基礎。不過有些地方會讓人眼前一亮,毛塞頓開。

• Understanding Convolutions

介紹:這是一篇介紹圖像卷積運算的文章，講的已經算比較詳細的了

• 《Machine Learning Summer School》

介紹：每天請一個大牛來講座，主要涉及機器學習，大數據分析，并行計算以及人腦研究。https://www.youtube.com/user/smolix?（需翻墻）

• 《Awesome Machine Learning》

介紹：一個超級完整的機器學習開源庫總結，如果你認為這個碉堡了，那后面這個列表會更讓你驚訝：【Awesome Awesomeness】,國內已經有熱心的朋友進行了翻譯中文介紹，機器學習數據挖掘免費電子書

• 斯坦福《自然語言處理》課程視頻

介紹:ACL候任主席、斯坦福大學計算機系Chris Manning教授的《自然語言處理》課程所有視頻已經可以在斯坦福公開課網站上觀看了（如Chrome不行，可用IE觀看） 作業與測驗也可以下載。

• 《Deep Learning and Shallow Learning》

介紹:對比 Deep Learning 和 Shallow Learning 的好文，來著浙大畢業、MIT 讀博的 Chiyuan Zhang 的博客。

• 《Recommending music on Spotify with deep learning》

介紹:利用卷積神經網絡做音樂推薦。

• 《Neural Networks and Deep Learning》

介紹：神經網絡的免費在線書，已經寫了三章了，還有對應的開源代碼：https://github.com/mnielsen/neural-networks-and-deep-learning?愛好者的福音。

• 《Java Machine Learning》

介紹：Java機器學習相關平臺和開源的機器學習庫，按照大數據、NLP、計算機視覺和Deep Learning分類進行了整理。看起來挺全的，Java愛好者值得收藏。

• 《Machine Learning Theory: An Introductory Primer》

介紹：機器學習最基本的入門文章，適合零基礎者

• 《機器學習常見算法分類匯總》

介紹：機器學習的算法很多。很多時候困惑人們都是，很多算法是一類算法，而有些算法又是從其他算法中延伸出來的。這里，我們從兩個方面來給大家介紹，第一個方面是學習的方式，第二個方面是算法的類似性。

• 《機器學習經典論文/survey合集》

介紹：看題目你已經知道了是什么內容,沒錯。里面有很多經典的機器學習論文值得仔細與反復的閱讀。

• 《機器學習視頻庫》

介紹：視頻由加州理工學院（Caltech）出品。需要英語底子。

• 《機器學習經典書籍》

介紹：總結了機器學習的經典書籍，包括數學基礎和算法理論的書籍，可做為入門參考書單。

• 《16 Free eBooks On Machine Learning》

介紹:16本機器學習的電子書，可以下載下來在pad，手機上面任意時刻去閱讀。不多我建議你看完一本再下載一本。

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

介紹:標題很大，從新手到專家。不過看完上面所有資料。肯定是專家了

• 《機器學習最佳入門學習資料匯總》

介紹：入門的書真的很多，而且我已經幫你找齊了。

• 《Sibyl》

介紹：Sibyl 是一個監督式機器學習系統，用來解決預測方面的問題，比如 YouTube 的視頻推薦。

• 《Deep Learning》

介紹：Yoshua Bengio, Ian Goodfellow, Aaron Courville著

• 《Neural Network & Text Mining》

介紹:關于(Deep) Neural Networks在 NLP 和 Text Mining 方面一些paper的總結

• 《前景目標檢測1（總結）》

介紹:計算機視覺入門之前景目標檢測1（總結）

• 《行人檢測》

介紹:計算機視覺入門之行人檢測

• 《Deep Learning – important resources for learning and understanding》

介紹:Important resources for learning and understanding . Is awesome

• 《Machine Learning Theory: An Introductory Primer》

介紹:這又是一篇機器學習初學者的入門文章。值得一讀

• 《Neural Networks and Deep Learning》

介紹:在線Neural Networks and Deep Learning電子書

• 《Python 網頁爬蟲 & 文本處理 & 科學計算 & 機器學習 & 數據挖掘兵器譜》

介紹:python的17個關于機器學習的工具

• 《神奇的伽瑪函數(上)》

介紹:下集在這里神奇的伽瑪函數(下)

• 《分布式機器學習的故事》

介紹:作者王益目前是騰訊廣告算法總監，王益博士畢業后在google任研究。這篇文章王益博士7年來從谷歌到騰訊對于分布機器學習的所見所聞。值得細讀

• 《機器學習提升之道（Level-Up Your Machine Learning）》

介紹:把機器學習提升的級別分為0~4級，每級需要學習的教材和掌握的知識。這樣，給機器學習者提供一個上進的路線圖，以免走彎路。另外，整個網站都是關于機器學習的，資源很豐富。

• 《Machine Learning Surveys》

介紹:機器學習各個方向綜述的網站

• 《Deep Learning Reading list》

介紹:深度學習閱資源列表

• 《Deep Learning: Methods and Applications》

介紹：這是一本來自微的研究員 li Peng和Dong Yu所著的關于深度學習的方法和應用的電子書

• 《Machine Learning Summer School 2014》

介紹:2014年七月CMU舉辦的機器學習夏季課剛剛結束 有近50小時的視頻、十多個PDF版幻燈片，覆蓋 深度學習，貝葉斯，分布式機器學習，伸縮性 等熱點話題。所有13名講師都是牛人：包括大牛Tom Mitchell （他的［機器學習］是名校的常用教材），還有CMU李沐 .（1080P高清喲）

• 《Sibyl: 來自Google的大規模機器學習系統》

介紹:在今年的IEEE/IFIP可靠系統和網絡（DSN）國際會議上，Google軟件工程師Tushar Chandra做了一個關于Sibyl系統的主題演講。 Sibyl是一個監督式機器學習系統，用來解決預測方面的問題，比如YouTube的視頻推薦。詳情請閱讀google sibyl

• 《Building a deeper understanding of images》

介紹:谷歌研究院的Christian Szegedy在谷歌研究院的博客上簡要地介紹了他們今年參加ImageNet取得好成績的GoogLeNet系統.是關于圖像處理的。

• 《Bayesian network 與python概率編程實戰入門》

介紹:貝葉斯學習。如果不是很清可看看概率編程語言與貝葉斯方法實踐

• 《AMA: Michael I Jordan》

介紹:網友問伯克利機器學習大牛、美國雙料院士Michael I. Jordan："如果你有10億美金，你怎么花？Jordan: "我會用這10億美金建造一個NASA級別的自然語言處理研究項目。"

• 《機器學習&數據挖掘筆記_16（常見面試之機器學習算法思想簡單梳理）》

介紹:常見面試之機器學習算法思想簡單梳理

• 《文本與數據挖掘視頻匯總》

介紹：Videolectures上最受歡迎的25個文本與數據挖掘視頻匯總

• 《怎么選擇深度學習的GPUs》

介紹:在Kaggle上經常取得不錯成績的Tim Dettmers介紹了他自己是怎么選擇深度學習的GPUs, 以及個人如何構建深度學習的GPU集群:?http://t.cn/RhpuD1G

• 《對話機器學習大神Michael Jordan：深度模型》

介紹:對話機器學習大神Michael Jordan

• 《Deep Learning 和 Knowledge Graph 引爆大數據革命》

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

• 《Deep Learning 教程翻譯》

介紹:是Stanford 教授 Andrew Ng 的 Deep Learning 教程，國內的機器學習愛好者很熱心的把這個教程翻譯成了中文。如果你英語不好，可以看看這個

• 《Deep Learning 101》

介紹:因為近兩年來，深度學習在媒體界被炒作很厲害（就像大數據）。其實很多人都還不知道什么是深度學習。這篇文章由淺入深。告訴你深度學究竟是什么！

• 《UFLDL Tutorial》

介紹:這是斯坦福大學做的一免費課程（很勉強），這個可以給你在深度學習的路上給你一個學習的思路。里面提到了一些基本的算法。而且告訴你如何去應用到實際環境中。中文版

• 《Toronto Deep Learning Demos》

介紹:這是多倫多大學做的一個深度學習用來識別圖片標簽／圖轉文字的demo。是一個實際應用案例。有源碼

• 《Deep learning from the bottom up》

介紹:機器學習模型，閱讀這個內容需要有一定的基礎。

• 《R工具包的分類匯總》

介紹: (CRAN Task Views, 34種常見任務,每個任務又各自分類列舉若干常用相關工具包) 例如: 機器學習，自然語言處理，時間序列分析，空間信息分析，多重變量分析，計量經濟學，心理統計學，社會學統計，化學計量學，環境科學，藥物代謝動力學 等

• 《機器學習常見算法分類匯總》

介紹: 機器學習無疑是當前數據分析領域的一個熱點內容。很多人在平時的工作中都或多或少會用到機器學習的算法。本文為您總結一下常見的機器學習算法，以供您在工作和學習中參考.

• 《Deep Learning（深度學習）學習筆記整理系列》

介紹: 很多干貨，而且作者還總結了好幾個系列。另外還作者還了一個文章導航.非常的感謝作者總結。

Deep Learning（深度學習）學習筆記整理系列之（二）

Deep Learning（深度學習）學習筆記整理系列之（三）

Deep Learning（深度學習）學習筆記整理系列之（四）

Deep Learning（深度學習）學習筆記整理系列之（五）

Deep Learning（深度學習）學習筆記整理系列之（六）

Deep Learning（深度學習）學習筆記整理系列之（七）

DeepLearning（深度學習）學習筆記整理系列之（八）

• 《Tutorials Session A - Deep Learning for Computer Vision》

介紹:傳送理由：Rob Fergus的用深度學習做計算機是覺的NIPS 2013教程。有mp4, mp3, pdf各種下載?他是紐約大學教授，目前也在Facebook工作，他2014年的8篇論文

• 《FudanNLP》

介紹:FudanNLP，這是一個復旦大學計算機學院開發的開源中文自然語言處理（NLP）工具包 Fudan NLP里包含中文分詞、關鍵詞抽取、命名實體識別、詞性標注、時間詞抽取、語法分析等功能，對搜索引擎 文本分析等極為有價值。

• 《Open Sourcing ml-ease》

介紹:LinkedIn 開源的機器學習工具包,支持單機, Hadoop cluster，和 Spark cluster 重點是 logistic regression 算法

• 《機器學習周刊》

介紹:對于英語不好，但又很想學習機器學習的朋友。是一個大的福利。機器學習周刊目前主要提供中文版，還是面向廣大國內愛好者，內容涉及機器學習、數據挖掘、并行系統、圖像識別、人工智能、機器人等等。謝謝作者

• 《線性代數》

介紹：《線性代數》是《機器學習》的重要數學先導課程。其實《線代》這門課講得淺顯易懂特別不容易，如果一上來就講逆序數及羅列行列式性質，很容易讓學生失去學習的興趣。我個人推薦的最佳《線性代數》課程是麻省理工Gilbert Strang教授的課程。?課程主頁

• 《Big-data》

介紹:大數據數據處理資源、工具不完備列表，從框架、分布式編程、分布式文件系統、鍵值數據模型、圖數據模型、數據可視化、列存儲、機器學習等。很贊的資源匯總。

• 《machine learning for smart dummies》

介紹:雅虎邀請了一名來自本古里安大學的訪問學者，制作了一套關于機器學習的系列視頻課程。本課程共分為7期，詳細講解了有關SVM, boosting, nearest neighbors, decision trees 等常規機器學習算法的理論基礎知識。

• 《Entanglement-Based Quantum Machine Learning》

介紹:應對大數據時代，量子機器學習的第一個實驗?paper 下載

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

介紹:Wired雜志報道了UCLA數學博士Chris McKinlay （圖1）通過大數據手段+機器學習方法破解婚戀網站配對算法找到真愛的故事,通過Python腳本控制著12個賬號，下載了婚戀網站2萬女用戶的600萬問題答案，對他們進行了統計抽樣及聚類分析（圖2，3），最后終于收獲了真愛。科技改變命運！

• 《Underactuated Robotics》

介紹:MIT的Underactuated Robotics于 2014年10月1日開課，該課屬于MIT研究生級別的課程，對機器人和非線性動力系統感興趣的朋友不妨可以挑戰一下這門課程！

• 《mllib實踐經驗(1)》

介紹:mllib實踐經驗分享

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

介紹:Google用Deep Learning做的antispam(反垃圾郵件)

• 《NLP常用信息資源》

介紹:NLP常用信息資源*?《NLP常用信息資源》

• 《機器學習速查表》

介紹:機器學習速查表

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

介紹：從1996年開始在計算機科學的論文中被引用次數最多的論文

• 《InfiniTAM: 基于深度圖像的體數據集成框架》

介紹：把今年的一個ACM Trans. on Graphics (TOG)論文中的代碼整理為一個開源的算法框架，共享出來了。歡迎大家使用。可以實時的采集3D數據、重建出三維模型。Online learning，GPU Random forest，GPU CRF也會后續公開。

• 《Hacker's guide to Neural Networks》

介紹：【神經網絡黑客指南】現在，最火莫過于深度學習（Deep Learning），怎樣更好學習它？可以讓你在瀏覽器中，跑起深度學習效果的超酷開源項目convnetjs作者karpathy告訴你，最佳技巧是，當你開始寫代碼，一切將變得清晰。他剛發布了一本圖書，不斷在線更新

• 《Building a Production Machine Learning Infrastructure》

介紹：前Google廣告系統工程師Josh Wills 講述工業界和學術界機器學習的異同,大實話

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

介紹：使用Neo4j?做電影評論的情感分析。

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

介紹：不僅是資料，而且還對有些資料做了注釋。

• 《A primer on deeping learning》

介紹：深度學習入門的初級讀本

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

介紹：機器學習教會了我們什么？

• 《scikit-learn：用于機器學習的Python模塊》

介紹：scikit-learn是在SciPy基礎上構建的用于機器學習的Python模塊。

• 《對話機器學習大神Michael Jordan：解析領域中各類模型》

介紹：喬丹教授（Michael I. Jordan）教授是機器學習領域神經網絡的大牛，他對深度學習、神經網絡有著很濃厚的興趣。因此，很多提問的問題中包含了機器學習領域的各類模型，喬丹教授對此一一做了解釋和展望。

• 《A*搜索算法的可視化短教程》

介紹：A*搜索是人工智能基本算法，用于高效地搜索圖中兩點的最佳路徑, 核心是 g(n)+h(n): g(n)是從起點到頂點n的實際代價，h(n)是頂點n到目標頂點的估算代價。合集

• 《基于云的自然語言處理開源項目FudanNLP》

介紹：本項目利用了Microsoft Azure，可以在幾分種內完成NLP on Azure Website的部署，立即開始對FNLP各種特性的試用，或者以REST API的形式調用FNLP的語言分析功能

• 《吳立德《概率主題模型&數據科學基礎》》

介紹：現任復旦大學首席教授、計算機軟件博士生導師。計算機科學研究所副所長.內部課程

• 《機器學習入門資源不完全匯總》》

介紹：好東西的干貨真的很多

• 《收集從2014年開始深度學習文獻》

介紹：從硬件、圖像到健康、生物、大數據、生物信息再到量子計算等，Amund Tveit等維護了一個DeepLearning.University小項目：收集從2014年開始深度學習文獻，相信可以作為深度學習的起點,github

• 《EMNLP上兩篇關于股票趨勢的應用論文 》

介紹：EMNLP上兩篇關于stock trend?用到了deep model組織特征；?Exploiting Social Relations and Sentiment for Stock Prediction用到了stock network。

• 《Bengio組（蒙特利爾大學LISA組）深度學習教程 》

介紹：作者是深度學習一線大牛Bengio組寫的教程，算法深入顯出，還有實現代碼，一步步展開。

• 《學習算法的Neural Turing Machine 》

介紹：許多傳統的機器學習任務都是在學習function，不過谷歌目前有開始學習算法的趨勢。谷歌另外的這篇學習Python程序的Learning to Execute也有相似之處

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

介紹：作者是華為技術有限公司，諾亞方舟實驗室，首席科學家的李航博士寫的關于信息檢索與自然語言處理的文章

• 《Rumor has it: Identifying Misinformation in Microblogs》

介紹：利用機用器學習在謠言的判別上的應用,此外還有兩個。一個是識別垃圾與虛假信息的paper.還有一個是網絡輿情及其分析技術

• 《R機器學習實踐》

介紹：該課程是網易公開課的收費課程，不貴，超級便宜。主要適合于對利用R語言進行機器學習，數據挖掘感興趣的人。

• 《大數據分析：機器學習算法實現的演化》

介紹：本章中作者總結了三代機器學習算法實現的演化：第一代非分布式的， 第二代工具如Mahout和Rapidminer實現基于Hadoop的擴展，第三代如Spark和Storm實現了實時和迭代數據處理。BIG DATA ANALYTICS BEYOND HADOOP

• 《圖像處理，分析與機器視覺》

介紹：講計算機視覺的四部奇書（應該叫經典吧）之一，另外三本是Hartley的《多圖幾何》、Gonzalez的《數字圖像處理》、Rafael C.Gonzalez / Richard E.Woods 的《數字圖像處理》

• 《LinkedIn最新的推薦系統文章Browsemaps》

介紹：里面基本沒涉及到具體算法，但作者介紹了CF在LinkedIn的很多應用，以及他們在做推薦過程中獲得的一些經驗。最后一條經驗是應該監控log數據的質量，因為推薦的質量很依賴數據的質量！

• 《初學者如何查閱自然語言處理（NLP）領域學術資料》

介紹：初學者如何查閱自然語言處理（NLP）領域學術資料

• 《樹莓派的人臉識別教程》

介紹：用樹莓派和相機模塊進行人臉識別

• 《利用深度學習與大數據構建對話系統 》

介紹：如何利用深度學習與大數據構建對話系統

• 《經典論文Leo Breiman：Statistical Modeling: The Two Cultures 》

介紹：Francis Bach合作的有關稀疏建模的新綜述(書)：Sparse Modeling for Image and Vision Processing，內容涉及Sparsity, Dictionary Learning, PCA, Matrix Factorization等理論，以及在圖像和視覺上的應用，而且第一部分關于Why does the l1-norm induce sparsity的解釋也很不錯。

• 《Reproducing Kernel Hilbert Space》

介紹：RKHS是機器學習中重要的概念，其在large margin分類器上的應用也是廣為熟知的。如果沒有較好的數學基礎，直接理解RKHS可能會不易。本文從基本運算空間講到Banach和Hilbert空間，深入淺出，一共才12頁。

• 《Hacker's guide to Neural Networks》

介紹：許多同學對于機器學習及深度學習的困惑在于，數學方面已經大致理解了，但是動起手來卻不知道如何下手寫代碼。斯坦福深度學習博士Andrej Karpathy寫了一篇實戰版本的深度學習及機器學習教程，手把手教你用Javascript寫神經網絡和SVM.

• 《【語料庫】語料庫資源匯總》

介紹：【語料庫】語料庫資源匯總

• 《機器學習算法之旅》

介紹：本文會過一遍最流行的機器學習算法，大致了解哪些方法可用，很有幫助。

• 《Reproducible Research in Computational Science》

介紹：這個里面有很多關于機器學習、信號處理、計算機視覺、深入學習、神經網絡等領域的大量源代碼（或可執行代碼）及相關論文。科研寫論文的好資源

• 《NYU 2014年的深度學習課程資料》

介紹：NYU 2014年的深度學習課程資料，有視頻

• 《計算機視覺數據集不完全匯總》

介紹：計算機視覺數據集不完全匯總

• 《Machine Learning Open Source Software》

介紹：機器學習開源軟件

• 《LIBSVM》

介紹：A Library for Support Vector Machines

• 《Support Vector Machines》

介紹：數據挖掘十大經典算法之一

• 《100 Best GitHub: Deep Learning》

介紹：github上面100個非常棒的項目

• 《加州大學歐文分校(UCI)機器學習數據集倉庫》

介紹：當前加州大學歐文分校為機器學習社區維護著306個數據集。查詢數據集

• 《Andrej Karpathy個人主頁》

介紹：Andrej Karpathy 是斯坦福大學Li Fei-Fei的博士生，使用機器學習在圖像、視頻語義分析領域取得了科研和工程上的突破，發的文章不多，但每個都很扎實，在每一個問題上都做到了state-of-art.

• 《Andrej Karpathy的深度強化學習演示》

介紹：Andrej Karpathy的深度強化學習演示，論文在這里

• 《CIKM數據挖掘競賽奪冠算法-陳運文》

介紹：CIKM Cup(或者稱為CIKM Competition)是ACM CIKM舉辦的國際數據挖掘競賽的名稱。

• 《Geoffrey E. Hinton》

介紹：杰弗里·埃弗里斯特·辛頓 FRS是一位英國出生的計算機學家和心理學家，以其在神經網絡方面的貢獻聞名。辛頓是反向傳播算法和對比散度算法的發明人之一，也是深度學習的積極推動者.

• 《自然語言處理的深度學習理論與實際》

介紹：微軟研究院深度學習技術中心在CIKM2014 上關于《自然語言處理的深度學習理論與實際》教學講座的幻燈片

• 《用大數據和機器學習做股票價格預測》

介紹： 本文基于<支持向量機的高頻限價訂單的動態建模>采用了 Apache Spark和Spark MLLib從紐約股票交易所的訂單日志數據構建價格運動預測模型。(股票有風險，投資謹慎)GitHub源代碼托管地址.

• 《關于機器學習的若干理論問題》

介紹：徐宗本 院士將于熱愛機器學習的小伙伴一起探討有關于機器學習的幾個理論性問題，并給出一些有意義的結論。最后通過一些實例來說明這些理論問題的物理意義和實際應用價值。

• 《深度學習在自然語言處理的應用》

介紹：作者還著有《這就是搜索引擎：核心技術詳解》一書，主要是介紹應用層的東西

• 《Undergraduate machine learning at UBC》

介紹：機器學習課程

• 《人臉識別必讀的N篇文章》

介紹：人臉識別必讀文章推薦

• 《推薦系統經典論文文獻及業界應用》

介紹：推薦系統經典論文文獻

• 《人臉識別必讀的N篇文章》

介紹：人臉識別必讀文章推薦

• 《第十二屆中國"機器學習及其應用"研討會PPT》

介紹：第十二屆中國"機器學習及其應用"研討會PPT

• 《統計機器學習》

介紹：統計學習是關于計算機基于數據構建的概率統計模型并運用模型對數據進行預測和分析的一門科學，統計學習也成為統計機器學習。課程來自上海交通大學

• 《機器學習導論》

介紹：機器學習的目標是對計算機編程，以便使用樣本數據或以往的經驗來解決給定的問題.

• 《CIKM 2014主題報告的幻燈片》

介紹：CIKM 2014 Jeff Dean、Qi Lu、Gerhard Weikum的主題報告的幻燈片， Alex Smola、Limsoon Wong、Tong Zhang、Chih-Jen Lin的Industry Track報告的幻燈片

• 《人工智能和機器學習領域有趣的開源項目》

介紹：部分中文列表

• 《機器學習經典算法詳解及Python實現--基于SMO的SVM分類器》

介紹:此外作者還有一篇元算法、AdaBoost　python實現文章

• 《Numerical Optimization: Understanding L-BFGS》

介紹:加州伯克利大學博士Aria Haghighi寫了一篇超贊的數值優化博文，從牛頓法講到擬牛頓法，再講到BFGS以及L-BFGS, 圖文并茂，還有偽代碼。強烈推薦。

• 《簡明深度學習方法概述（一）》

介紹:還有續集簡明深度學習方法概述（二）

• 《R language for programmers》

介紹:Ｒ語言程序員私人定制版

• 《谷歌地圖解密：大數據與機器學習的結合》

介紹:谷歌地圖解密

• 《空間數據挖掘常用方法》

介紹:空間數據挖掘常用方法

• 《Use Google's Word2Vec for movie reviews》

介紹:Kaggle新比賽 ”When bag of words meets bags of popcorn“ aka ”邊學邊用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，并在實際比賽里面比調參數和清數據。 如果已裝過gensim不要忘升級

• 《PyNLPIR》

介紹:PyNLPIR提供了NLPIR/ICTCLAS漢語分詞的Python接口,此外Zhon提供了常用漢字常量，如CJK字符和偏旁，中文標點，拼音，和漢字正則表達式（如找到文本中的繁體字）

• 《深度卷積神經網絡下圍棋》

介紹:這文章說把最近模型識別上的突破應用到圍棋軟件上，打16萬張職業棋譜訓練模型識別功能。想法不錯。訓練后目前能做到不用計算，只看棋盤就給出下一步，大約10級棋力。但這篇文章太過樂觀，說什么人類的最后一塊堡壘馬上就要跨掉了。話說得太早。不過，如果與別的軟件結合應該還有潛力可挖。@萬精油墨綠

• 《NIPS審稿實驗》

介紹:UT Austin教授Eric Price關于今年NIPS審稿實驗的詳細分析,他表示，根據這次實驗的結果，如果今年NIPS重新審稿的話，會有一半的論文被拒。

• 《2014年最佳的大數據，數據科學文章》

介紹:KDNuggets分別總結了2014年14個閱讀最多以及分享最多的文章。我們從中可以看到多個主題——深度學習，數據科學家職業，教育和薪酬，學習數據科學的工具比如R和Python以及大眾投票的最受歡迎的數據科學和數據挖掘語言

• 《機器學習經典算法詳解及Python實現--線性回歸（Linear Regression）算法》

介紹:Python實現線性回歸,作者還有其他很棒的文章推薦可以看看

• 《2014中國大數據技術大會33位核心專家演講PDF》

介紹：2014中國大數據技術大會33位核心專家演講PDF下載

• 《使用RNN和Paragraph Vector做情感分析》

介紹：這是T. Mikolov & Y. Bengio最新論文Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews ，使用RNN和PV在情感分析效果不錯，［項目代碼］(https://github.com/mesnilgr/iclr15)公布在github(目前是空的)。這意味著Paragraph?Vector終于揭開面紗了嘛。

• 《NLPIR/ICTCLAS2015分詞系統大會上的技術演講 》

介紹:NLPIR/ICTCLAS2015分詞系統發布與用戶交流大會上的演講，請更多朋友檢閱新版分詞吧。 我們實驗室同學的演講包括：孫夢姝-基于評論觀點挖掘的商品搜索技術研究?李然-主題模型

• 《Machine Learning is Fun!》

介紹:Convex Neural Networks 解決維數災難

• 《CNN的反向求導及練習》

介紹:介紹CNN參數在使用bp算法時該怎么訓練，畢竟CNN中有卷積層和下采樣層，雖然和MLP的bp算法本質上相同，但形式上還是有些區別的，很顯然在完成CNN反向傳播前了解bp算法是必須的。此外作者也做了一個資源集:機器學習，深度學習，視覺，數學等

• 《正則表達式優化成Trie樹 》

介紹:如果要在一篇文章中匹配十萬個關鍵詞怎么辦？Aho-Corasick?算法利用添加了返回邊的Trie樹，能夠在線性時間內完成匹配。 但如果匹配十萬個正則表達式呢 ？ 這時候可以用到把多個正則優化成Trie樹的方法，如日本人寫的?Regexp::Trie

• 《Deep learning Reading List》

介紹:深度學習閱讀清單

• 《Caffe》

介紹:Caffe是一個開源的深度學習框架，作者目前在google工作，作者主頁Yangqing Jia (賈揚清)

• 《GoogLeNet深度學習模型的Caffe復現 》

介紹:2014 ImageNet冠軍GoogLeNet深度學習模型的Caffe復現模型,GoogleNet論文.

• 《LambdaNet，Haskell實現的開源人工神經網絡庫 》

介紹:LambdaNetLambdaNet是由Haskell實現的一個開源的人工神經網絡庫，它抽象了網絡創建、訓練并使用了高階函數。該庫還提供了一組預定義函數，用戶可以采取多種方式組合這些函數來操作現實世界數據。

• 《百度余凱&張潼機器學習視頻》

介紹:如果你從事互聯網搜索，在線廣告，用戶行為分析，圖像識別，自然語言理解，或者生物信息學，智能機器人，金融預測，那么這門核心課程你必須深入了解。

• 《楊強在TEDxNanjing談智能的起源》

介紹:"人工智能研究分許多流派。其中之一以IBM為代表，認為只要有高性能計算就可得到智能，他們的‘深藍’擊敗了世界象棋冠軍；另一流派認為智能來自動物本能；還有個很強的流派認為只要找來專家，把他們的思維用邏輯一條條寫下，放到計算機里就行……" 楊強在TEDxNanjing談智能的起源

• 《深度RNN/LSTM用于結構化學習 0)序列標注Connectionist Temporal ClassificationICML06》

介紹:1)機器翻譯Sequence to Sequence NIPS14?2)成分句法GRAMMAR AS FOREIGN LANGUAGE

• 《Deep Learning實戰之word2vec》

介紹:網易有道的三位工程師寫的word2vec的解析文檔，從基本的詞向量/統計語言模型->NNLM->Log-Linear/Log-Bilinear->層次化Log-Bilinear，到CBOW和Skip-gram模型，再到word2vec的各種tricks，公式推導與代碼，基本上是網上關于word2vec資料的大合集，對word2vec感興趣的朋友可以看看

• 《Machine learning open source software》

介紹:機器學習開源軟件,收錄了各種機器學習的各種編程語言學術與商業的開源軟件．與此類似的還有很多例如: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

• 《機器學習入門者學習指南》

介紹:作者是計算機研二(寫文章的時候，現在是2015年了應該快要畢業了)，專業方向自然語言處理．這是一點他的經驗之談．對于入門的朋友或許會有幫助

• 《A Tour of Machine Learning Algorithms》

介紹:這是一篇關于機器學習算法分類的文章，非常好

• 《2014年的《機器學習日報》大合集》

介紹:機器學習日報里面推薦很多內容，在這里有一部分的優秀內容就是來自機器學習日報．

• 《 Image classification with deep learning常用模型》

介紹:這是一篇關于圖像分類在深度學習中的文章

• 《自動語音識別：深度學習方法》

介紹:作者與Bengio的兄弟Samy 09年合編《自動語音識別：核方法》 3）李開復1989年《自動語音識別》專著，其博導、94年圖靈獎得主Raj Reddy作序

• 《NLP中的中文分詞技術》

介紹: 作者是360電商技術組成員,這是一篇NLP在中文分詞中的應用

• 《Using convolutional neural nets to detect facial keypoints tutorial》

介紹: 使用deep learning的人臉關鍵點檢測，此外還有一篇AWS部署教程

• 《書籍推薦:Advanced Structured Prediction》

介紹: 由Sebastian Nowozin等人編纂MIT出版的新書《Advanced Structured Prediction》http://t.cn/RZxipKG?，匯集了結構化預測領域諸多牛文，涉及CV、NLP等領域，值得一讀。網上公開的幾章草稿:一,二,三,四,五

• 《An Introduction to Matrix Concentration Inequalities》

介紹: Tropp把數學家用高深裝逼的數學語言寫的矩陣概率不等式用初等的方法寫出來，是非常好的手冊，領域內的paper各種證明都在用里面的結果。雖說是初等的，但還是非常的難

• 《The free big data sources you should know》

介紹: 不容錯過的免費大數據集，有些已經是耳熟能詳，有些可能還是第一次聽說，內容跨越文本、數據、多媒體等，讓他們伴你開始數據科學之旅吧，具體包括：Data.gov、US Census Bureau、European Union Open Data Portal、Data.gov.uk等

• 《A Brief Overview of Deep Learning》

介紹: 谷歌科學家、Hinton親傳弟子Ilya Sutskever的深度學習綜述及實際建議

• 《A Deep Dive into Recurrent Neural Nets》

介紹: 非常好的討論遞歸神經網絡的文章，覆蓋了RNN的概念、原理、訓練及優化等各個方面內容，強烈推薦！本文作者Nikhil Buduma還有一篇Deep Learning in a Nutshell值得推薦

• 《機器學習：學習資源》

介紹:里面融合了很多的資源，例如競賽，在線課程，demo，數據整合等。有分類

• 《Statistical foundations of machine learning》

介紹:《機器學習的統計基礎》在線版，該手冊希望在理論與實踐之間找到平衡點，各主要內容都伴有實際例子及數據，書中的例子程序都是用R語言編寫的。

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

介紹:IVAN VASILEV寫的深度學習導引：從淺層感知機到深度網絡。高可讀

• 《Research priorities for robust and beneficial artificial intelligence》

介紹:魯棒及有益的人工智能優先研究計劃：一封公開信,目前已經有Stuart Russell, Tom Dietterich, Eric Horvitz, Yann LeCun, Peter Norvig, Tom Mitchell, Geoffrey Hinton, Elon Musk等人簽署The Future of Life Institute (FLI).這封信的背景是最近霍金和Elon Musk提醒人們注意AI的潛在威脅。公開信的內容是AI科學家們站在造福社會的角度，展望人工智能的未來發展方向，提出開發AI系統的Verification，Validity, Security, Control四點要求，以及需要注意的社會問題。畢竟當前AI在經濟領域，法律，以及道德領域相關研究較少。其實還有一部美劇《疑犯追蹤》,介紹了AI的演進從一開始的自我學習，過濾，圖像識別，語音識別等判斷危險，到第四季的時候出現了機器通過學習成長之后想控制世界的狀態。說到這里推薦收看。

• 《metacademy》

介紹:里面根據詞條提供了許多資源，還有相關知識結構，路線圖，用時長短等。號稱是”機器學習“搜索引擎

• 《FAIR open sources deep-learning modules for Torch》

介紹:Facebook人工智能研究院（FAIR）開源了一系列軟件庫，以幫助開發者建立更大、更快的深度學習模型。開放的軟件庫在 Facebook 被稱作模塊。用它們替代機器學習領域常用的開發環境 Torch 中的默認模塊，可以在更短的時間內訓練更大規模的神經網絡模型。

• 《淺析人臉檢測之Haar分類器方法》

介紹:本文雖然是寫于2012年，但是這篇文章完全是作者的經驗之作。

• 《如何成為一位數據科學家》

介紹:本文是對《機器學習實戰》作者Peter Harrington做的一個訪談。包含了書中部分的疑問解答和一點個人學習建議

• 《Deep learning from the bottom up》

介紹:非常好的深度學習概述，對幾種流行的深度學習模型都進行了介紹和討論

• 《Hands-On Data Science with R Text Mining》

介紹:主要是講述了利用R語言進行數據挖掘

• 《Understanding Convolutions》

介紹:幫你理解卷積神經網絡，講解很清晰，此外還有兩篇Conv Nets: A Modular Perspective，Groups & Group Convolutions. 作者的其他的關于神經網絡文章也很棒

• 《Introduction to Deep Learning Algorithms》

介紹:Deep Learning算法介紹，里面介紹了06年3篇讓deep learning崛起的論文

• 《Learning Deep Architectures for AI》

介紹:一本學習人工智能的書籍，作者是Yoshua Bengio，相關國內報道

• 《Geoffrey E. Hinton個人主頁》

介紹:Geoffrey Hinton是Deep Learning的大牛，他的主頁放了一些介紹性文章和課件值得學習

• 《PROBABILITY THEORY: THE LOGIC OF SCIENCE》

介紹:概率論：數理邏輯書籍

• 《H2O》

介紹:一個用來快速的統計，機器學習并且對于數據量大的數學庫

• 《ICLR 2015會議的arXiv稿件合集》

介紹:在這里你可以看到最近深度學習有什么新動向。

• 《Introduction to Information Retrieval》

介紹:此書在信息檢索領域家喻戶曉， 除提供該書的免費電子版外，還提供一個IR資源列表?，收錄了信息檢索、網絡信息檢索、搜索引擎實現等方面相關的圖書、研究中心、相關課程、子領域、會議、期刊等等，堪稱全集，值得收藏

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

版權聲明：本文為博主原創文章，未經博主允許不得轉載

總結

以上是生活随笔為你收集整理的机器学习资料推荐 URL的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。