【深度學習Deep Learning】資料大全

轉載：http://www.cnblogs.com/charlotte77/p/5485438.html

 

　　最近在學深度學習相關的東西，在網上搜集到了一些不錯的資料，如今彙總一下：

Free Online Books

1. Deep Learning66 by Yoshua Bengio, Ian Goodfellow and Aaron Courville
2. Neural Networks and Deep Learning42 by Michael Nielsen
3. Deep Learning27 by Microsoft Research
4. Deep Learning Tutorial23 by LISA lab, University of Montreal
5. Deep Learning:An MIT Press Book

Courses

1. Machine Learning10 by Andrew Ng in Coursera
2. Neural Networks for Machine Learning12 by Geoffrey Hinton in Coursera
3. Neural networks class2 by Hugo Larochelle from Université de Sherbrooke
4. Deep Learning Course14 by CILVR lab @ NYU

Video and Lectures

1. How To Create A Mind3 By Ray Kurzweil - Is a inspiring talk
2. Deep Learning, Self-Taught Learning and Unsupervised Feature Learning2 By Andrew Ng
3. Recent Developments in Deep Learning2 By Geoff Hinton
4. The Unreasonable Effectiveness of Deep Learning by Yann LeCun
5. Deep Learning of Representations by Yoshua bengio
6. Principles of Hierarchical Temporal Memory by Jeff Hawkins
7. Machine Learning Discussion Group - Deep Learning w/ Stanford AI Lab1 by Adam Coates
8. Making Sense of the World with Deep Learning1 By Adam Coates
9. Demystifying Unsupervised Feature Learning By Adam Coates
10. Visual Perception with Deep Learning3 By Yann LeCun
11. Oxford Deep Learning -Nando de Freitas ：在Oxford開設的深度學習課程，有全套視頻

Papers

1. ImageNet Classification with Deep Convolutional Neural Networks5
2. Using Very Deep Autoencoders for Content Based Image Retrieval2
3. Learning Deep Architectures for AI2
4. CMU’s list of papers7
5. The Learning Machines - 一個導論性質的文章，讓你大體瞭解深度學習是什麼，用來幹什麼的。
6. Deep Learning - (Review Article in Nature, May 2015) 三大神 Yann LeCun, Yoshua Bengio, and Geoffrey Hinton的文章，不解釋。
7. Growing Pains in Deep Learning
8. Deep Learning in Neural Networks - This technical report provides an overview of deep learning and related techniques with a special focus on developments in recent years. 主要看點是深度學習近兩年（2012-2014）的進展狀況。

Tutorials

1. UFLDL Tutorial 120
2. Deep Learning Tutorial from Stanford:斯坦福的官方Tutorial
3. Deep Learning for NLP (without Magic)8
4. A Deep Learning Tutorial: From Perceptrons to Deep Networks5

WebSites

1. deeplearning.net7
2. deeplearning.stanford.edu6
3. Forum2

Datasets

1. MNIST1 Handwritten digits
2. Google House Numbers from street view
3. CIFAR-10 and CIFAR-10034.  IMAGENET1
4. Tiny Images1 80 Million tiny images6.  Flickr Data 100 Million Yahoo dataset
5. Berkeley Segmentation Dataset 500

Frameworks

1. Caffe92.  Torch73
2. Theano3
3. cuda-convnet25.  Ccv1
4. NuPIC3
5. DeepLearning4J：Java和Scala寫的，能在Hadoop和Spark上應用，功能很是強大

Miscellaneous

1. Google Plus - Deep Learning Community
2. Caffe Webinar4
3. 100 Best Github Resources in Github for DL5
4. Word2Vec3
5. Caffe DockerFile2
6. TorontoDeepLEarning convnet
7. Vision data sets1
8. Fantastic Torch Tutorial4 My personal favourite. Also check out gfx.js1

Github

1. DeepLearn Toolbox
2. Caffe Webinar4
3. 100 Best Github Resources in Github for DL5
4. Word2Vec3
5. GitHub - Eniac-Xie/PyConvNet: Convolutional Neural Network for python users  ：一個簡單的CNN實現（Python）

幾個常見應用領域

• Video Recognition - finding and/or identifying specific items in videos or images
• Self-Driving Cars - just like it says, cars that drive without humans
• Natural Language Processing - getting computers to understand human vocal languages
• And others - A free book chapter on many applications of deep learning

幾個經常使用的深度學習代碼庫

• H2O - 一個開源的可擴展的庫，支持Java, Python, Scala, and R

• Deeplearning4j - Java庫，整合了Hadoop和Spark

• Caffe - Yangqing Jia讀研究生的時候開發的，如今仍是由Berkeley維護。

• Theano - 最流行的Python庫

News

• Deep Learning News - 緊跟深度學習的新聞、研究進展和相關的創業項目。

 

CV和NLP方面的應用（左邊的連接是論文，右邊的是代碼）

• Page on Toronto, Home Page of Geoffrey Hinton
• Page on Toronto, Home Page of Ruslan R Salakhutdinov
• Page on Wustl, ynd/cae.py · GitHub
• Page on Icml, https://github.com/lisa-lab/pyle...
• Page on Jmlr, pylearn2)
• On the difficulty of training recurrent neural networks, trainingRNNs
• ImageNet Classification with Deep Convolutional Neural Networks, cuda-convnet - High-performance C++/CUDA implementation of convolutional neural networks - Google Project Hosting
• Linguistic Regularities in Continuous Space Word Representations, word2vec - Tool for computing continuous distributed representations of words. - Google Project Hosting

 

最後必定得推薦這個Github：

 

機器學習(Machine Learning)&深度學習(Deep Learning)資料(Chapter 2)（篇目一是機器學習的資料彙總，篇目二是深度學習的彙總，而且在不斷更新中）

 

• 《Image Scaling using Deep Convolutional Neural Networks》

介紹:使用卷積神經網絡的圖像縮放.

• 《Proceedings of The 32nd International Conference on Machine Learning》

介紹:ICML2015 論文集,優化4個+稀疏優化1個；強化學習4個，深度學習3個+深度學習計算1個；貝葉斯非參、高斯過程和學習理論3個；還有計算廣告和社會選擇.ICML2015 Sessions.

• 《Image Scaling using Deep Convolutional Neural Networks》

介紹:使用卷積神經網絡的圖像縮放.

• 《Microsoft researchers accelerate computer vision accuracy and improve 3D scanning models》

介紹:，第28屆IEEE計算機視覺與模式識別(CVPR)大會在美國波士頓舉行。微軟研究員們在大會上展現了比以往更快更準的計算機視覺圖像分類新模型，並介紹瞭如何使用Kinect等傳感器實如今動態或低光環境的快速大規模3D掃描技術.

• 《Machine Learning for Humans》

介紹:(文本)機器學習可視化分析工具.

• 《A Plethora of Tools for Machine Learning》

介紹:機器學習工具包/庫的綜述/比較.

• 《The art of visualizing visualizations: a best practice guide》

介紹:數據可視化最佳實踐指南.

• 《MIT Machine Learning for Big Data and Text Processing Class Notes - Day 1》

介紹:Day 1、Day 2、Day 3、Day 4、Day 5.

• 《Getting 「deep」 about 「deep learning」》

介紹:深度學習之「深」——DNN的隱喻分析.

• 《Mixture Density Networks》

介紹:混合密度網絡.

• 《Interview Questions for Data Scientist Positions》

介紹:數據科學家職位面試題.

• 《Accurately Measuring Model Prediction Error》

介紹:準確評估模型預測偏差.

• 《Continually updated Data Science Python Notebooks》

介紹:Continually updated Data Science Python Notebooks.

• 《How to share data with a statistician》

介紹:How to share data with a statistician.

• 《The Eyescream Project NeuralNets dreaming natural images》

介紹:來自Facebook的圖像自動生成.

• 《How to share data with a statistician》

介紹:How to share data with a statistician.

• 《A Neural Conversational Model》

介紹:(Google)神經(感知)會話模型.

• 《The 50 Best Masters in Data Science》

介紹:The 50 Best Masters in Data Science.

• 《NLP經常使用信息資源》

介紹:NLP經常使用信息資源.

• 《Conditional Random Fields as Recurrent Neural Networks》

介紹:語義圖像分割的實況演示,經過深度學習技術和機率圖模型的語義圖像分割.

• 《Fully Convolutional Networks for Semantic Segmentation》

介紹:Caffe模型/代碼:面向圖像語義分割的全卷積網絡,模型代碼.

• 《Growing Pains for Deep Learning》

介紹:深度學習——成長的煩惱.

• 《Clustering Text Data Streams – A Tree based Approach with Ternary Function and Ternary Feature Vector 》

介紹:基於三元樹方法的文本流聚類.

• 《Foundations and Advances in Data Mining》

介紹:Free Ebook:數據挖掘基礎及最新進展.

• 《The Deep Learning Revolution: Rethinking Machine Learning Pipelines》

介紹:深度學習革命.

• 《The Definitive Guide to Do Data Science for Good》

介紹:數據科學(實踐)權威指南.

• 《Microsoft Academic Graph》

介紹:37G的微軟學術圖譜數據集.

• 《Challenges and Opportunities Of Machine Learning In Production》

介紹:生產環境(產品級)機器學習的機遇與挑戰.

• 《Neural Nets for Newbies》

介紹:神經網絡入門.

• 《A Nearly-Linear Time Framework for Graph-Structured Sparsity》

介紹:來自麻省理工的結構化稀疏論文.

• 《Optimal and Adaptive Algorithms for Online Boosting》

介紹:來自雅虎的機器學習小組關於在線Boosting的論文 .

• 《Top 20 Python Machine Learning Open Source Projects》

介紹:20個最熱門的開源(Python)機器學習項目.

• 《The Parallel C++ Statistical Library for Bayesian Inference: QUESO》

介紹:C++並行貝葉斯推理統計庫QUESO,github code.

• 《《Deep learning》Yann LeCun, Yoshua Bengio, Geoffrey Hinton (2015) 》

介紹:Nature:LeCun/Bengio/Hinton的最新文章《深度學習》,Jürgen Schmidhuber的最新評論文章《Critique of Paper by "Deep Learning Conspiracy" (Nature 521 p 436)》.

• 《Palladium》

介紹:基於Scikit-Learn的預測分析服務框架Palladium.

• 《Advances in Structured Prediction》

介紹:John Langford和Hal Daume III在ICML2015上關於Learning to Search的教學講座幻燈片.

• 《100 open source Big Data architecture papers for data professionals》

介紹:讀完這100篇論文 就能成大數據高手,國內翻譯.

• 《Social Media & Text Analytics》

介紹:NLP課程《社交媒體與文本分析》精選閱讀列表.

• 《Machine Learning for Developers》

介紹:寫給開發者的機器學習指南.

• 《Hot news detection using Wikipedia》

介紹:基於維基百科的熱點新聞發現.

• 《Harvard Intelligent Probabilistic Systems Group》

介紹:(Harvard)HIPS將發佈可擴展/自動調參貝葉斯推理神經網絡.

• 《An Empirical Exploration of Recurrent Network Architectures》

介紹:面向上下文感知查詢建議的層次遞歸編解碼器.

• 《Efficient Training of LDA on a GPU by Mean-for-Mode Estimation》

介紹:GPU上基於Mean-for-Mode估計的高效LDA訓練.

• 《From the Lab to the Factory: Building a Production Machine Learning Infrastructure》

介紹:從實驗室到工廠——構建機器學習生產架構.

• 《6 Useful Databases to Dig for Data (and 100 more)》

介紹:適合作數據挖掘的6個經典數據集(及另外100個列表).

• 《Deep Networks for Computer Vision at Google – ILSVRC2014》

介紹:Google面向機器視覺的深度學習.

• 《How to choose a machine learning API to build predictive apps》

介紹:構建預測類應用時如何選擇機器學習API.

• 《Exploring the shapes of stories using Python and sentiment APIs》

介紹:Python+情感分析API實現故事情節(曲線)分析.

• 《Movie selection using R》

介紹:(R)基於Twitter/情感分析的口碑電影推薦,此外推薦分類算法的實證比較分析.

• 《A Tutorial on Graph-based Semi-Supervised Learning Algorithms for NLP》

介紹:CMU(ACL 2012)(500+頁)面向NLP基於圖的半監督學習算法.

• 《Arbitrariness of peer review: A Bayesian analysis of the NIPS experiment》

介紹:從貝葉斯分析NIPS，看同行評審的意義.

• 《Basics of Computational Reinforcement Learning》

介紹:(RLDM 2015)計算強化學習入門.

• 《Deep Reinforcement Learning》

介紹:David Silver的深度強化學習教程.

• 《On Explainability of Deep Neural Networks》

介紹:深度神經網絡的可解釋性.

• 《The Essential Spark Cheat Sheet》

介紹:Spark快速入門.

• 《Machine Learning for Sports and Real Time Predictions》

介紹:TalkingMachines:面向體育/政治和實時預測的機器學習.

• 《CS224W: Social and Information Network Analysis Autumn 2014》

介紹:Stanford社交網絡與信息網絡分析課程資料+課設+數據.

• 《RL Course by David Silver》

介紹:David Silver(DeeMind)的強化學習課程,slide.

• 《Faster deep learning with GPUs and Theano》

介紹:基於Theano/GPU的高效深度學習.

• 《Introduction to R Programming》

介紹:來自微軟的.

• 《Golang:Web Server For Performing Sentiment Analysis》

介紹:(Go)情感分析API服務Sentiment Server.

• 《A Beginner’s Guide to Restricted Boltzmann Machines》

介紹:受限波爾茲曼機初學者指南.

• 《KDD2015十年最佳論文》

介紹:Mining and Summarizing Customer Reviews ,Mining High-Speed Data Streams,Optimizing Search Engines using Clickthrough Data.

• 《Nvidia Deep Learning Courses》

介紹:Nvidia深度學習課程.

• 《Deep Learning Summer School 2015》

介紹:2015年深度學習暑期課程，推薦講師主頁.

• 《百度深度學習的圖像識別進展》

介紹:這是一篇關於百度文章《基於深度學習的圖像識別進展：百度的若干實踐》的摘要,建議兩篇文章結合起來閱讀.

• 《Machine Learning Methods in Video Annotation》

介紹:視頻標註中的機器學習技術.

• 《Training Recurrent Neural Networks》

介紹:博士論文:(Ilya Sutskever)RNN訓練.

• 《On Explainability of Deep Neural Networks》

介紹:深度神經網絡的灰色區域：可解釋性問題，中文版.

• 《Machine Learning Libraries in GoLang by Category》

介紹:Golang 實現的機器學習庫資源彙總.

• 《A Statistical View of Deep Learning》

介紹:深度學習的統計分析.

• 《Deep Learning For NLP - Tips And Techniques》

介紹:面向NLP的深度學習技術與技巧.

• 《CrowdFlower Competition Scripts: Approaching NLP》

介紹:Kaggle's CrowdFlower競賽NLP代碼集錦.

• 《CS224U: Natural Language Understanding》

介紹:斯坦福的天然語言理解課程.

• 《Deep Learning and Shallow Learning》

介紹:Deep Learning與Shallow Learning 介紹

• 《A First Encounter with Machine Learning》

介紹:這是一本機器學習的電子書,做者Max Welling先生在機器學習教學上面有着豐富的經驗,這本書小但精緻.

• 《Click Models for Web Search》

介紹:由荷蘭阿姆斯特丹大學 & 谷歌瑞士著.

• 《Hinton CSC321課程/Deep Learning/Notes on CNN/Python/Theano/CUDA/OpenCV/...》

介紹:介紹個樂於總結和翻譯機器學習和計算機視覺類資料的博客,包含的內容：Hinton的CSC321課程的總結；Deep Learning綜述；Notes on CNN的總結；python的原理總結；Theano基礎知識和練習總結；CUDA原理和編程；OpenCV一些總結.

• 《Which Algorithm Family Can Answer My Question?》

介紹:針對具體問題(應用場景)如何選擇機器學習算法(系列).

• 《Free Data Science Books》

介紹:數據科學免費書分類集合

• 《Tutorial 4: Deep Learning for Speech Generation and Synthesis》

介紹:深度學習在語音合成最新進展有哪些？推薦MSRA的Frank Soong老師關於語音合成的深度學習方法的錄像和幻燈片與以及谷歌的LSTM-RNN合成介紹,論文

• 《The Art of Data Science》

介紹:新書(可免費下載):數據科學的藝術

• 《Pattern Recognition and Machine Learning》

介紹:模式識別與機器學習書籍推薦,本書是微軟劍橋研究院大神Bishop所寫，算是最爲廣爲認知的機器學習教材之一，內容覆蓋全面，難度中上，適合研究生中文版 or 備份

• 《an introduction to visualizing DATA》

介紹:數據可視化介紹(23頁袖珍小冊子)

• 《That’s So Annoying!!!: A Lexical and Frame-Semantic Embedding Based Data Augmentation Approach to Automatic Categorization of Annoying Behaviors using #petpeeve Tweets ∗》

介紹:這篇論文榮獲EMNLP2015的最佳數據/資源獎優秀獎,標註的推特數據集

• 《26 Things I Learned in the Deep Learning Summer School》

介紹:做者在深度學習的思考.

• 《Data-Visualization Tools & Books》

介紹:數據可視化經常使用工具軟件資源彙總

• 《Machine Learning and Probabilistic Graphical Models Course》

介紹:Buffalo大學教授Sargur Srihari的「機器學習和機率圖模型」的視頻課程

• 《Understanding Machine Learning: From Theory to Algorithms》

介紹:耶路撒冷希伯來大學教授Shai Shalev-Shwartz和滑鐵盧大學教授Shai Ben-David的新書Understanding Machine Learning: From Theory to Algorithms,此書寫的比較偏理論，適合對機器學習理論有興趣的同窗選讀

• 《Machine Learning Checklist》

介紹:機器學習學習清單

• 《NLP界有哪些神級人物？》

介紹:知乎上面的一篇關於NLP界有哪些神級人物？提問。首推Michael Collins 

• 《機器學習溫和指南》

介紹:機器學習與NLP專家、MonkeyLearn聯合創始人&CEO Raúl Garreta面向初學者大致歸納使用機器學習過程當中的重要概念，應用程序和挑戰，旨在讓讀者可以繼續探尋機器學習知識。

• 《Gradient Boosted Regression Trees》

介紹:(IPN)基於Scikit-Learn的GBRT(Gradient Boost Regression Tree)教程，slide

• 《Apache SINGA : Distributed Deep Learning System》

介紹: 無需作深度學習就能用的分佈式深度學習軟件.

• 《E-commerce Recommendation with Personalized Promotion》

介紹: 在亞馬遜數據和衆包Mechanical Turk上，實現了來自彩票和拍賣的機制，以收集用戶對產品的樂意購買價格（WTP，willingness-to-pay）訓練集。 E-commerce Recommendation with Personalized Promotion [Zhao,RecSys15] 迴歸模型預測未知WTP，提高賣家利潤和消費者滿意度

• 《Scalable Machine Learning》

介紹:來自伯克利分校的大規模機器學習.

• 《機器學習資料大彙總》

介紹:來自52ml的機器學習資料大彙總.

• 《Automatic Summarization》

介紹:這本書的做者McKeown是2013年世界首個數據科學院（位於哥倫比亞大學）主任，她亦是ACL、AAAI和ACM Fellow .

• 《Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing》

介紹:EMNLP-15文本摘要若干.

• 《Recommender Systems (Machine Learning Summer School 2014 @ CMU)》

介紹:來自Netflix的Xavier Amatriain在Summer School 2014 @ CMU上長達4小時的報告，共248頁，是對推薦系統發展的一次全面綜述，其中還包括Netflix在個性化推薦方面的一些經驗介紹.

• 《BigData Stream Mining》

介紹:(ECML PKDD 2015)大數據流挖掘教程,此外推薦ECML PKDD 2015 Tutorial列表.

• 《Deep learning on Spark with Keras》

介紹:Spark上的Keras深度學習框架Elephas.

• 《Prof. Surya Ganguli - The statistical physics of deep learning》

介紹:Surya Ganguli深度學習統計物理學.

• 《(系統/算法/機器學習/深度學習/圖模型/優化/...)在線視頻課程列表》

介紹:(系統/算法/機器學習/深度學習/圖模型/優化/...)在線視頻課程列表.

• 《Introduction to Topic Modeling in Python》

介紹:(PyTexas 2015)Python主題建模.

• 《Large Scale Distributed Deep Learning on Hadoop Clusters》

介紹:Hadoop集羣上的大規模分佈式機器學習.

• 《Top Deep Learning Employers Based On LinkedIn Data》

介紹:基於LinkedIn數據得出的深度學習熱門"東家"排行.

• 《Neural Net in C++ Tutorial》

介紹:(c++)神經網絡手把手實現教程.

• 《Large-scale CelebFaces Attributes (CelebA) Dataset》

介紹:香港中文大學湯曉鷗教授實驗室公佈的大型人臉識別數據集： Large-scale CelebFaces Attributes (CelebA) Dataset 10K 名人，202K 臉部圖像，每一個圖像40餘標註屬性.

• 《Unsupervised Feature Learning in Computer Vision》

介紹:面向機器視覺的無監督特徵學習,Ross Goroshin's webpage.

• 《Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks》

介紹:谷歌研究院Samy Bengio等人最近寫的RNN的Scheduled Sampling訓練方法論文.

• 《Essential Machine Learning Algorithms in a nutshell》

介紹:機器學習基本算法簡要入門.

• 《A Huge List of Machine Learning And Statistics Repositories》

介紹:Github機器學習/數學/統計/可視化/深度學習相關項目大列表.

• 《Information Processing and Learning》

介紹:CMU的信息論課程.

• 《Scheduled sampling for sequence prediction with recurrent neural networks》

介紹:谷歌研究院Samy Bengio等人最近寫的RNN的Scheduled Sampling訓練方法論文.

• 《基於Hadoop集羣的大規模分佈式深度學習》

介紹:基於Hadoop集羣的大規模分佈式深度學習.

• 《Learning both Weights and Connections for Efficient Neural Networks習》

介紹:來自斯坦福大學及NVIDIA的工做，很實在很實用。採用裁剪網絡鏈接及重訓練方法，可大幅度減小CNN模型參數。針對AlexNet、VGG等模型及ImageNet數據，不損失識別精度狀況下，模型參數可大幅度減小9-13倍.

• 《Apache Singa --A General Distributed Deep Learning Platform》

介紹:無需作深度學習就能用的分佈式深度學習軟件,github.

• 《24 Ultimate Data Scientists To Follow in the World Today》

介紹:當今世界最NB的25位大數據科學家,經過他們的名字而後放在google中搜索確定能找到不少很棒的資源譯文.

• 《Deep Learning for NLP - Lecture October 2015》

介紹:Nils Reimers面向NLP的深度學習(Theano/Lasagne)系列教程.

• 《Connection between probability theory and real analysis》

介紹:主講人是陶哲軒,資料Probability: Theory and Examples,筆記.

• 《Data Science Learning Resources》

介紹:數據科學(學習)資源列表.

• 《8 Tactics to Combat Imbalanced Classes in Your Machine Learning Dataset》

介紹:應對非均衡數據集分類問題的八大策略.

• 《Top 20 Data Science MOOCs》

介紹:重點推薦的20個數據科學相關課程.

• 《Recurrent Neural Networks》

介紹:遞歸神經網絡.

• 《Histograms of Oriented Gradients》

介紹:(HOG)學習筆記.

• 《Computational modelling courses》

介紹:計算建模/計算神經學課程彙總.

• 《How We Use Deep Learning to Classify Business Photos at Yelp》

介紹:(Yelp)基於深度學習的商業圖片分類.

• 《Neural Networks and Deep Learning》

介紹:免費在線書《Neural Networks and Deep Learning》神經網絡與深度學習。目前提供了前四章的草稿，第一章經過手寫數字識別的例子介紹NN，第二章講反向傳播算法，第三章講反向傳播算法的優化，第四章講NN爲何能擬合任意函數。大量python代碼例子和交互動畫，生動有趣.中文版

• 《Books to Read if You Might Be Interested in Data Science》

介紹:數據科學大咖薦書(入門).

• 《Deep Learning for NLP resources》

介紹:NLP 深度學習資源列表.

• 《GitXiv》

介紹:不少arXiv上面知名論文能夠在這個網站找到github的項目連接.

• 《Learning Multi-Domain Convolutional Neural Networks for Visual Tracking》

介紹:深度學習在視覺跟蹤的探索.

• 《Beginners Guide: Apache Spark Machine Learning Scenario With A Large Input Dataset》

介紹:Spark機器學習入門實例——大數據集(30+g)二分類.

• 《Semantic Scholar》

介紹:保羅艾倫人工智能實驗室表示，Google Scholar是十年前的產物，他們如今想要作進一步的提升。因而推出了全新的，專門針對科學家設計的學術搜索引擎Semantic Scholar.

• 《Semi-Supervised Learning》

介紹:半監督學習,Chapelle.篇篇都是經典,做者包括Vapnik,Bengio,Lafferty,Jordan.此外推薦Xiaojin (Jerry) Zhu編寫的Introduction to Semi-Supervised Learning.

介紹:Spark機器學習入門實例——大數據集(30+g)二分類.

• 《Free Resources for Beginners on Deep Learning and Neural Network》

介紹:爲入門者準備的深度學習與神經網絡免費資源.

• 《TensorFlow is an Open Source Software Library for Machine Intelligence》

介紹:Google 開源最新機器學習系統 TensorFlow,此外提供TensorFlow白皮書white paper of tensorflow 2015.hacker news,Google大牛解讀TensorFlow

• 《Veles:Distributed machine learning platform》

介紹:三星開源的快速深度學習應用程序開發分佈式平臺.

• 《DMTK:Microsoft Distributed Machine Learning Tookit 》

介紹:分佈式機器學習工具包.

• 《Semantics Approach to Big Data and Event Processing》

介紹:語義大數據——大數據/事件處理的語義方法.

• 《LSTM(Long Short Term Memory)和RNN(Recurrent)學習教程》

介紹:LSTM(Long Short Term Memory)和RNN(Recurrent)學習教程.

• 《Marvin：A minimalist GPU-only N-dimensional ConvNet framework》

介紹:Princeton Vision Group的深度學習庫開源.

• 《Ufora is a compiled, automatically parallel subset of python for data science and numerical computing》

介紹:基於AWS的自動分佈式科學計算庫Ufora,Why I Open Sourced Five Years of Work.

• 《Deep Learning and Deep Data Science - PyCon SE 2015》

介紹:(PyCon SE 2015)深度學習與深度數據科學.

• 《Zhi-Hua Zhou Papers》

介紹:推薦南京大學機器學習與數據挖掘研究所所長——周志華教授的Google學術主頁.

• 《Advanced Linear Models for Data Science》

介紹:免費書:面向數據科學的高級線性模型.

• 《Net2Net: Accelerating Learning via Knowledge Transfer》

介紹:基於知識遷移的神經網絡高效訓練Net2Net.

• 《徐亦達機器學習課程 Variational Inference》

介紹:徐亦達機器學習課程 Variational Inference.

• 《Learning the Architecture of Deep Neural Networks》

介紹:深度神經網絡結構學習.

• 《Multimodal Deep Learning》

介紹:來自斯坦福大學的Multimodal Deep Learning papers.

• 《深度學習簡析,TensorFlow,Torch,Theano,Mxnet》

介紹:深度學習簡析,TensorFlow,Torch,Theano,Mxnet.

• 《"Notes Essays —CS183C: Technology-enabled Blitzscaling — Stanford University》

介紹:這個專欄是一個stanford學生作的CS183c課程的一個note，該課程是由Reid Hoffman等互聯網boss級人物開設的，每節課請一位巨頭公司的相關負責人來作訪談，講述該公司是怎麼scale的。最新兩期分別請到了雅虎的梅姐和airbnb創始人Brian Chesky。.

• 《Natural Language Understanding with Distributed Representation》

介紹:基於分佈式表示的天然語言理解(100+頁),論文.

• 《Recommender Systems Handbook》

介紹:推薦系統手冊.

• 《Understanding LSTM Networks》

介紹:理解LSTM網絡翻譯.

• 《Machine Learning at Quora》

介紹:機器學習在quora中的應用.

• 《On Learning to Think: Algorithmic Information Theory for Novel Combinations of Reinforcement Learning Controllers and Recurrent Neural World Models》

介紹:思惟學習——RL+RNN算法信息論.

• 《The 5 Ways Data Scientists Keep Learning After College》

介紹:數據科學家畢業後繼續學習的5種方式.

• 《Deep Learning in Neural Networks: An Overview》

介紹:深度學習在神經網絡的應用.

• 《Contextual Learning》

介紹:上下文學習,代碼.

• 《Machine Learning For Complete Beginners》

介紹:機器學習零基礎入門,代碼.

• 《2015年中國計算機學會（CCF）優秀博士學位論文》

介紹:2015年度CCF優秀博士學位論文獎論文列表.

• 《Learning to Hash Paper, Code and Dataset》

介紹:Learning to Hash Paper, Code and Dataset.

• 《Neural networks with Theano and Lasagne》

介紹:(PyData2015)基於Theano/Lasagne的CNN/RNN教程,github.

• 《神經網絡與深度學習講義》

介紹:復旦大學邱錫鵬老師編寫的神經網絡與深度學習講義,ppt.

• 《Microsoft Open Sources Distributed Machine Learning Toolkit》

介紹:微軟亞洲研究院開源分佈式機器學習工具包.

• 《語音識別的技術原理是什麼？》

介紹:語音識別的技術原理淺析

• 《Michael I. Jordan》

介紹:邁克爾·I.喬丹的主頁.根據主頁能夠找到不少資源。邁克爾·I.喬丹是知名的計算機科學和統計學學者，主要研究機器學習和人工智能。他的重要貢獻包括指出了機器學習與統計學之間的聯繫，並推進機器學習界普遍認識到貝葉斯網絡的重要性。

• 《Geoff Hinton》

介紹:傑弗裏·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進者.經過他的主頁能夠發掘到不少Paper以及優秀學生的paper,此外推薦他的學生Yann Lecun主頁

• 《Yoshua Bengio》

介紹:Yoshua Bengio是機器學習方向的牛人,若是你不知道能夠閱讀對話機器學習大神Yoshua Bengio（上）,對話機器學習大神Yoshua Bengio（下）

• 《Large Scale Deep Learning within google》

介紹:google大規模深度學習應用演進

• 《Deep Learning: An MIT Press Book in Preparation》

介紹:MIT出版的深度學習電子書,公開電子書

• 《A Mathematical Theory of Deep Convolutional Neural Networks for Feature Extraction》

介紹:深度卷積神經網絡(CNN)提取特徵的數學理論

• 《Microsoft Research Asia：Kaiming He》

介紹:推薦微軟亞洲研究院何愷明主頁

• 《Speech and Language Processing (3rd ed. draft)》

介紹:《語音與語言處理》第三版(草稿)

• 《LSA 311: Computational Lexical Semantics - Summer 2015》

介紹:Stanford新課"計算詞彙語義學"

• 《上海交大張志華老師的統計機器學習與機器學習導論視頻》

介紹:上海交大張志華老師的統計機器學習與機器學習導論視頻連接:密碼: r9ak .機率基礎

• 《Computational Linguistics and Deep Learning》

介紹:computational linguistics and deep learning視頻,推薦Deep Learning: An Introduction from the NLP Perspective

• 《Black Hat USA 2015 - Deep Learning On Disassembly》

介紹:(BlackHat2015)深度學習應用之流量鑑別(協議鑑別/異常檢測),[slide])(https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification.pdf),[material](https://www.blackhat.com/docs/us-15/materials/us-15-Wang-The-Applications-Of-Deep-Learning-On-Traffic-Identification-wp.pdf)

• 《LibRec：A Java Library for Recommender Systems》

介紹:一個推薦系統的Java庫

• 《Multi-centrality Graph Spectral Decompositions and their Application to Cyber Intrusion Detection》

介紹:多中心圖的譜分解及其在網絡入侵檢測中的應用(MC-GPCA&MC-GDL)

• 《Computational Statistics in Python》

介紹:用Python學計算統計學

• 《New open-source Machine Learning Framework written in Java》

介紹:datumbox-framework——Java的開源機器學習框架，該框架重點是提供大量的機器學習算法和統計檢驗，並可以處理中小規模的數據集

• 《Awesome Recurrent Neural Networks》

介紹:遞歸神經網絡awesome系列,涵蓋了書籍,項目,paper等

• 《Pedro Domingos》

介紹:Pedro Domingos是華盛頓大學的教授,主要研究方向是機器學習與數據挖掘.在2015年的ACM webinar會議,曾發表了關於盤點機器學習領域的五大流派主題演講.他的我的主頁擁有不少相關研究的paper以及他的教授課程.

• 《Video resources for machine learning》

介紹:機器學習視頻集錦

• 《Deep Machine Learning libraries and frameworks》

介紹:深度機器學習庫與框架

• 《大數據/數據挖掘/推薦系統/機器學習相關資源》

介紹:這篇文章內的推薦系統資源很豐富,做者頗有心,摘錄了《推薦系統實戰》內引用的論文.

• 《Bayesian Methods in Astronomy: Hands-on Statistics》

介紹:(天文學)貝葉斯方法/MCMC教程——統計實戰

• 《Statistical Learning with Sparsity: The Lasso and Generalizations》

介紹:免費書:統計稀疏學習,做者Trevor Hastie與Rob Tibshirani都是斯坦福大學的教授,Trevor Hastie更是在統計學學習上建樹不少

• 《The Evolution of Distributed Programming in R》

介紹:R分佈式計算的進化,此外推薦(R)氣候變化可視化,(R)馬爾可夫鏈入門

• 《neon workshop at Startup.ML: Sentiment Analysis and Deep Reinforcement Learning》

介紹:Nervana Systems在Startup.ML的主題研討會——情感分析與深度強化學習

• 《Understanding Convolution in Deep Learning》

介紹:深度學習卷積概念詳解.

• 《Python libraries for building recommender systems》

介紹:Python推薦系統開發庫彙總.

• 《Neural networks class - Université de Sherbrooke》

介紹:超棒的神經網絡課程，深刻淺出介紹深度學習，由Hugo Larochelle（Yoshua Bengio的博士生，Geoffrey Hinton以前的博士後）主講，強烈推薦.

• 《CS231n: Convolutional Neural Networks for Visual Recognition》

介紹:斯坦福新課程,面向視覺識別的卷積神經網絡(Fei-Fei Li & Andrej Karpathy),slides+video,homework.

• 《NIPS 2015 Deep Learning Symposium Part I》

介紹:NIPS 2015會議總結第一部分,第二部分.

• 《python機器學習入門資料梳理》

介紹:python機器學習入門資料梳理.

• 《Reading Text in the Wild with Convolutional Neural Networks》

介紹:牛津大學著名視覺幾何組VGG在IJCV16年首卷首期: Reading Text in the Wild with Convolutional Neural Networks,Jaderberg。這篇期刊文章融合了以前兩篇會議(ECCV14,NIPS14ws)，定位和識別圖片中的文本(叫text spotting)。 端到端系統: 檢測Region + 識別CNN。論文、數據和代碼.

• 《Yet Another Computer Vision Index To Datasets (YACVID)》

介紹:計算機視覺的一個較大的數據集索引, 包含387個標籤，共收錄了314個數據集合，點擊標籤雲就能夠找到本身須要的庫了.

• 《Why SLAM Matters, The Future of Real-Time SLAM, and Deep Learning vs SLAM》

介紹:Tombone 對 ICCV SLAM workshop 的總結： the future of SLAM, SLAM vs deep learning 重點介紹了 monoSLAM 和 LSD-SLAM，並且討論了 feature-based 和 feature-free method 的長短。在全民deep learning作visual perception的時候，再來讀讀CV中的 geometry.

• 《Python based Deep Learning Framework by Nervana™》

介紹:Nervana Systems的開源深度學習框架neon發佈.

• 《mageNet and MS COCO Visual Recognition Challenges video and slider》

介紹:ICCV 2015的ImageNet比賽以及MS COCO競賽聯合研討會的幻燈片和視頻.

• 《An Introduction to Machine Learning with Python》

介紹:Python機器學習入門.

• 《Neural Enquirer: Learning to Query Tables with Natural Language》

介紹:Neural Enquirer 第二版.

• 《Deep Learning - Taking machine learning to the next level》

介紹:[Google]基於TensorFlow的深度學習/機器學習課程.

• 《100 「must read」 R-bloggers’ posts for 2015》

介紹:R-bloggers網站2015"必讀"的100篇文章,R語言學習的福音.

• 《Machine Learning: a Probabilistic Perspective》

介紹:推薦書籍:<機器學習：機率視角>,樣章Undirected graphical models Markov random fields.

• 《Deep learning Book》

介紹:這是一本在線的深度學習書籍,合著者有Ian Goodfellow, Yoshua Bengio 和 Aaron Courville.若是你是一位新入門的學員能夠先看這本書籍Yoshua Bengio: How can one get started with machine learning?

• 《UFLDL Recommended Readings》

介紹:UFLDL推薦的深度學習閱讀列表.

• 《CSE 705: Deep Learning (Spring 2015)》

介紹:紐約州立大學布法羅分校2015年春季機器學習課程主頁.

• 《Theano is a Deep learning Python library 》

介紹: Theano是主流的深度學習Python庫之一，亦支持GPU,入門比較難.推薦Theano tutorial,Document

• 《Statistical Language Models Based On Neural Networks》

介紹:博士論文:神經網絡統計語言模型.

• 《文本數據的機器學習自動分類方法(上)》

介紹:文本數據的機器學習自動分類方法(下).

• 《Pixel Recurrent Neural Networks》

介紹:用RNN預測像素，能夠把被遮擋的圖片補充完整.

• 《Computational Network Toolkit (CNTK)》

介紹:微軟研究院把其深度學習工具包CNTK,想進一步瞭解和學習CNTK的同窗能夠看前幾天公佈的《CNTK白皮書》An Introduction to Computational Networks and the Computational Network Toolkit.

• 《Kalman and Bayesian Filters in Python》

介紹: 卡爾曼濾波器教材，用盡可能少的數學和推導，傳授直覺和經驗，所有Python示例，內容覆蓋卡爾曼濾波器、擴展卡爾曼濾波，無跡卡爾曼濾波等，包括練習和參考答案

• 《Statistical inference for data science》

介紹:在線免費書:面向數據科學的統計推斷，R示例代碼，很不錯GitHub.

• 《Learning Deep Architectures for AI》

介紹:這本書是由Yoshua Bengio撰寫的教程,其內容包含了學習人工智能所使用的深度學習架構的學習資源,書中的項目已中止更新DeepLearnToolbox.

• 《Machine Learning Tutorials》

介紹:這是一份機器學習和深度學習教程，文章和資源的清單。這張清單根據各個主題進行撰寫，包括了許多與深度學習有關的類別、計算機視覺、增強學習以及各類架構.

• 《Data science ipython notebooks》

介紹:這是由Donne Martin策劃收集的IPython筆記本。話題涵蓋大數據、Hadoop、scikit-learn和科學Python堆棧以及不少其餘方面的內容。至於深度學習，像是TensorFlow、Theano和Caffe之類的框架也均被涵蓋其中，固然還有相關的特定構架和概念等.

• 《Open Source Deep Learning Server》

介紹:開源的深度學習服務,DeepDetect是C++實現的基於外部機器學習/深度學習庫（目前是Caffe）的API。給出了圖片訓練（ILSVRC）和文本訓練（基於字的情感分析，NIPS15）的樣例，以及根據圖片標籤索引到ElasticSearch中github.

• 《Data Mining, Analytics, Big Data, and Data Science》

介紹:這是國外的一個科技頻道,涵蓋了數據挖掘,分析以及數據科學類的文章.偶爾還有機器學習精選.

• 《Data Mining And Statistics: What's The Connection?》

介紹:經典論文:數據挖掘與統計學.

• 《(NIPS’2015 Tutorial)Yoshua Bengio深度學習》

介紹:NIPS’2015 Tutorial by Yoshua Bengio.

• 《(NENO:Python based Deep Learning Framework》

介紹:Nervana Systems的開源深度學習框架neon發佈.

• 《(Matt Might:Reading for graduate students》

介紹:猶他州大學Matt Might教授推薦的研究生閱讀清單.

• 《Awesome Public Datasets》

介紹:開放數據集.

• 《Introduction to Probability - The Science of Uncertainty》

介紹:(edX)不肯定性的科學——機率論導論(MITx).

• 《R software and tools for everyday use》

介紹:R語言開發經常使用軟件/工具推薦.

• 《Implementing Dynamic memory networks》

介紹:動態記憶網絡實現.

• 《Deeplearning4j 中文主頁》

介紹:英文主頁

• 《Big Data Analysis Learning Resources: 50 Courses, Blogs, Tutorials, And More For Mastering Big Data Analytics》

介紹:50個大數據分析最佳學習資源(課程、博客、教程等)

• 《A Full Hardware Guide to Deep Learning》

介紹:深度學習的全面硬件指南，從GPU到RAM、CPU、SSD、PCIe,譯文

• 《Deep Residual Networks》

介紹:kaiming開源做品

• 《The Definitive Guide to Natural Language Processing》

介紹:天然語言處理(NLP)權威指南

• 《Evaluating language identification performance》

介紹:如何在社會媒體上作語言檢測？沒有數據怎麼辦？推特官方公佈了一個十分可貴的數據集：12萬標註過的Tweets，有70種語言

• 《ICLR 2016 Accepted Papers》

介紹:深度學習和機器學習重要會議ICLR 2016錄取文章

• 《Machine Learning: An In-Depth, Non-Technical Guide - Part 1》

介紹:機器學習——深度非技術指南

• 《Data Storytelling 101: Helpful Tools for Gathering Ideas, Designing Content & More》

介紹:數據敘事入門指南——創意生成/數據採集/內容設計相關資源推薦

• 《WikiTableQuestions: a Complex Real-World Question Understanding Dataset》

介紹:WikiTableQuestions——複雜真實問答數據集

• 《Big Data: 35 Brilliant And Free Data Sources For 2016》

介紹:(2016版)35個超棒的免費大數據源

• 《SPARKNET: training deep networks in spark》

介紹:Ion Stoica和 Michael I. Jordan兩位你們首次聯手發文，CAFFE和SPARK完美結合，分佈式深度學習混搭模式！github

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

介紹:深度學習(分類)文獻集

• 《Learning Deep Learning》

介紹:深度學習閱讀列表

• 《Awesome42 The easiest way to find R packages》

介紹:探索R包的好網站Awesome 42

• 《MLbase:Distributed Machine Learning Made Easy》

介紹:MLbase是Prof. Dr. Tim Kraska的一個研究項目，MLbase是一個分佈式機器學習管理系統

• 《Deep Learning At Scale and At Ease》

介紹:分佈式深度學習平臺SINGA介紹

• 《Learn All About Apache Spark (100x Faster than Hadoop MapReduce)》

介紹:Spark視頻集錦

• 《R For Deep Learning (I): Build Fully Connected Neural Network From Scratch》

介紹:R語言深度學習第一節:從零開始

• 《A Visual Introduction to Machine Learning》

介紹:圖解機器學習

• 《Citation Network Dataset》

介紹:AMiner論文引用數據集(v7:2,244,021 papers and 4,354,534 citation relationships)

• 《Best Free Machine Learning Ebooks》

介紹:10本最佳機器學習免費書

• 《International Conference on Computer Vision (ICCV) 2015, Santiago》

介紹:ICCV15視頻集

• 《CaffeOnSpark Open Sourced for Distributed Deep Learning on Big Data Clusters》

介紹::(Yahoo)基於Hadoop/Spark的分佈式Caffe實現CaffeOnSpark

• 《A Short Introduction to Learning to Rank》

介紹:Learning to Rank簡介

• 《Global Deep learning researcher》

介紹:全球深度學習專家列表,涵蓋研究者主頁

• 《Top Spark Ecosystem Projects》

介紹:Spark生態頂級項目彙總

• 《Proceedings of the 21st International Conference on Intelligent User Interfaces》

介紹:ACM IUI'16論文集Conference Navigator - Proceedings

• 《Machine Learning: An In-Depth, Non-Technical Guide - Part 1》

介紹:深刻機器學習,2,3,4

• 《Oxford Deep Learning》

介紹:Nando de Freitas在 Oxford 開設的深度學習課程,課程youtube地址,Google DeepMind的研究科學家,此外首頁:computervisiontalks的內容也很豐富,若是你是作機器視覺方面的研究,推薦也看看其餘內容.確定收穫也不小.還有,這位youtube主頁頂過的視頻也頗有分量

• 《Neural Networks for Machine Learning》

介紹:Geoffrey Hinton在Coursera開設的MOOC

• 《Deep Learning News》

介紹:深度學習領域的Hacker news.緊跟深度學習的新聞、研究進展和相關的創業項目。從事機器學習,深度學習領域的朋友建議天天看一看

• 《Maxout Networks》

介紹:Maxout網絡剖析

• 《Advances in Neural Information Processing Systems》

介紹:NIPS領域的會議paper集錦

• 《Machine learning applications in genetics and genomics》

介紹:機器學習在生物工程領域的應用,若是你從事生物工程領域,能夠先閱讀一篇文章詳細介紹

• 《Deep Learning in Bioinformatics》

介紹:深度學習在生物信息學領域的應用

• 《A Few Useful Things to Know about Machine Learning》

介紹:一些關於機器學習須要知道知識,對於剛剛入門機器學習的同窗應該讀一讀

• 《Cambridge Machine Learning Group》

介紹:劍橋大學機器學習用戶組主頁,網羅了劍橋大學一些機器學習領域專家與新聞

• 《Randy Olson's data analysis and machine learning projects》

介紹:Randy Olson's的一些數據分析與機器學習項目庫,是學習實踐的好材料

• 《GoLearn:Golang machine learning library》

介紹:Golang機器學習庫,簡單,易擴展

• 《Swift Ai》

介紹:用Swift開發蘋果應用的卻是不少，而用來作機器學習的就比較少了.Swift Ai在這方面作了不少彙集.能夠看看

• 《Please explain Support Vector Machines (SVM) like I am a 5 year old》

介紹:如何向一位5歲的小朋友解釋支持向量機(SVM)

• 《reddit Machine learning》

介紹: reddit的機器學習欄目

• 《ComputerVision resource》

介紹: 計算機視覺領域的一些牛人博客，超有實力的研究機構等的網站連接.作計算機視覺方向的朋友建議多關注裏面的資源

• 《Multimedia Laboratory Homepage》

介紹:香港中文大學深度學習研究主頁,此外研究小組對2013年deep learning 的最新進展和相關論文作了整理,其中useful links的內容很受益

• 《Search Engines that Learn from Their Users》

介紹: 這是一篇關於搜索引擎的博士論文,對如今廣泛使用的搜索引擎google，bing等作了分析.對於作搜索類產品的頗有技術參考價值

• 《Deep Learning Books》

介紹: 深度學習書籍推薦(畢竟這類書比較少).

• 《Deep Learning Books》

介紹: 深度學習書籍推薦(畢竟這類書比較少).

• 《Towards Bayesian Deep Learning: A Survey》

介紹: 貝葉斯定理在深度學習方面的研究論文.

• 《Revisiting Distributed Synchronous SGD》

介紹: 來自谷歌大腦的重溫分佈式梯度降低.同時推薦大規模分佈式深度網絡

• 《Research Issues in Social Computing》

介紹: 社交計算研究相關問題綜述.

• 《What are some important areas of research in social computing right now?》

介紹: 社交計算應用領域概覽,裏面有些經典論文推薦

• 《Collaborative Filtering Recommender Systems》

介紹: 協同過濾在推薦系統應用.

• 《Content-Boosted Collaborative Filtering for Improved Recommendations》

介紹: 協同過濾在內容推薦的研究.

• 《Unifying User-based and Item-based Collaborative Filtering Approaches by Similarity Fusion》

介紹: 協同過濾經典論文.

• 《Item-based Collaborative Filtering Recommendation Algorithms》

介紹: 協同過濾算法.

• 《Amazon.com Recommendations Item-to-Item Collaborative Filtering》

介紹: 亞馬遜對於協同過濾算法應用.

• 《Collaborative Filtering for Implicit Feedback Datasets》

介紹: 協同過濾的隱式反饋數據集處理.

• 《Tutorials, papers and code for computer graphics, fractals and demoscene》

介紹: 計算機圖形，幾何等論文，教程，代碼.作計算機圖形的推薦收藏.

• 《ELEN 6886 Sparse Representation and High-Dimensional Geometry》

介紹: 推薦哥倫比亞大學課程，稀疏表示和高維幾何.12年由Elsevier、13年至今由PAMI(仍由Elsevier贊助)設立的青年研究者獎(Young Researcher Award)授予完成博士學位後七年內取得傑出貢獻的；由CV社區提名，在CVPR會議上宣佈。2015年得主是哥大助理教授John Wright，09年《健壯人臉識別的稀疏表示法》引用已超5K.

• 《Software engineer how to learning Machine learning》

介紹: CMU機器學習系著名教授Alex Smola在Quora對於《程序員如何學習Machine Learning》的建議：Alex推薦了很多關於線性代數、優化、系統、和統計領域的經典教材和資料.

• 《Book review: Fundamentals of Deep Learning》

介紹: 書籍推薦,深度學習基礎.源碼

• 《Learning from Big Code》

介紹: 軟件工程領域如今也對機器學習和天然語言處理很感興趣，有人推出了「大代碼」的概念，分享了很多代碼集合，而且以爲ML能夠用在預測代碼Bug，預測軟件行爲，自動寫新代碼等任務上。大代碼數據集下載

• 《Object Detection》

介紹: 深度學習進行目標識別的資源列表：包括RNN、MultiBox、SPP-Net、DeepID-Net、Fast R-CNN、DeepBox、MR-CNN、Faster R-CNN、YOLO、DenseBox、SSD、Inside-Outside Net、G-CNN

• 《Deep Learning: Course by Yann LeCun at Collège de France 2016(Slides in English)》

介紹: Yann LeCun 2016深度學習課程的幻燈片（Deep Learning Course by Yann LeCun at Collège de France 2016）百度雲密碼: cwsm 原地址

• 《Stanford HCI Group》

介紹: 斯坦福人機交互組五篇CHI16文章。1.衆包激勵機制的行爲經濟學研究：批量結算比單任務的完成率高。2.在衆包專家和新手間創建聯繫：微實習。3.詞嵌入結合衆包驗證的詞彙主題分類（如貓、狗屬於寵物）。4.詞嵌入結合目標識別的活動預測。5.鼓勵出錯以加快衆包速度。

• 《Learn Data Science》

介紹: 自學數據科學

• 《CS224D Lecture 7 - Introduction to TensorFlow》

介紹: 本課是CS224D一節介紹TensorFlow課程，ppt,DeepDreaming with TensorFlow

• 《Leaf - Machine Learning for Hackers》

介紹: Leaf是一款機器學習的開源框架，專爲黑客打造，而非爲科學家而做。它用Rust開發，傳統的機器學習，現今的深度學習通吃。Leaf

• 《MXnet:Flexible and Efficient library for deep learning》

介紹: GTC 2016視頻，MXnet的手把手深度學習tutorial,相關參考資料MXNet Tutorial for NVidia GTC 2016.

• 《OpenAI Gym: Toolkit for developing, comparing reinforcement learning algorithms》

介紹: OpenAI Gym：開發、比較強化學習算法工具箱

• 《conference-iclr-2016 Papers and Code》

介紹: 機器學習會議ICLR 2016 論文的代碼集合

• 《probabilistic graphical models principles and techniques》

介紹: 此書是斯坦福大學機率圖模型大牛Daphne Koller所寫，主要涉及的是貝葉斯網絡和馬爾科夫邏輯網絡的learning和inference問題，同時又對PGM有深入的理論解釋，是學習機率圖模型必看的書籍。難度中上，適合有一些ML基礎的研究生.備份地址

• 《Information Theory, Inference, and Learning Algorithms》

介紹: 此書是劍橋大學著名信息論專家David MacKay所寫，出發角度與不少機器學習的書籍都不同，inference和MCMC那章寫的最好，難度中。適合研究生和本科生。

• 《Convex Optimization – Boyd and Vandenberghe》

介紹: 很是好的Convex Optimization教材，覆蓋了各類constrained和unconstrained optimization方法，介紹了convex優化的基本概念和理論。難度中，適合對優化和機器學習有必定基礎的人羣

• 《Machine - Learning - Tom Mitchell》

介紹: 本書是CMU機器學習系主任Mitchell早年寫的機器學習教科書，年代有點久遠.難度不高。適合初學者，本科生，研究生

• 《Learning with Kernels Support Vector Machines, Regularization, Optimization, and Beyond》

介紹: 本書設計學習Kernel和SVM的各類理論基礎，須要較強的數學功底，適合對kernel和SVM感興趣的同窗選讀Learning with Kernels PPT，參考Learning with Kernels

• 《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》

介紹: 斯坦福統計系三位大神的統計學習教科書，偏統計和學習理論，須要對線性代數、統計和機率論有必定基礎、難度高、適合研究生

• 《Data Mining: Practical Machine Learning Tools and Techniques》

介紹: 本書是著名機器學習工具Weka做者撰寫的應用機器學習指導書、很是實用、難度低、適合文科和各類應用科學作參考

• 《Foundations of Statistical Natural Language Processing》

介紹: 本書也是一本比較受歡迎的NLP教科書，難度通常，主要覆蓋統計NLP方法，是斯坦福的另外一位大牛Chirs manning所寫

• 《Speech and Language Processing》

介紹: 在北美NLP最經常使用的教材，斯坦福Jurafsky所寫的天然語言處理入門教程，覆蓋面較爲全面，難度中低。適合本科生和研究生

• 《Natural Language Processing with Python - NLTK》

介紹: 實戰型教程，著名工具NLTK做者的著做，適合本科生和入門者邊動手邊學

 

 

參考文獻：

1.深度學習閱讀清單：http://suanfazu.com/t/topic/245

2.深度學習如何入門：https://www.zhihu.com/question/26006703/answer/63572833

 

 

 

做者：Charlotte77 

出處：http://www.cnblogs.com/charlotte77/