最全的機器學習資源整理（持續更新）

最全的機器學習資源整理（持續更新）

文章首發：http://www.cnblogs.com/deeplabs
歡迎留言評論，轉載請註明出處。

視頻資源

吳恩達創立的深度學習學院

連接：http://deeplearning.ai/
介紹：須要付費的，在線學習，講解較爲基礎的機器學習及神經網絡知識。學完後經過考試還能拿個證書。不過要注意，當前coursera是要收費的，可是新用戶註冊7天內是免費的，因此註冊後趕忙學完考試拿證，超期後須要支付320元左右才能繼續學習。

人工智能入門麻省理工學院公開課：人工智能

連接：http://open.163.com/movie/2017/9/Q/S/MCTMNN3UI_MCTMNR8QS.html
介紹：本課程學習人工智能，以授課形式講述什麼人工智能，人工智能的重要性和其將來，包括如何進行博弈、圖像識別、以及機器學習方面的內容

吳恩達的《深度學習》課程

連接：http://open.163.com/movie/2017/8/N/G/MCS5AQH7J_MCS5BJFNG.html
介紹：吳恩達博士是Google Brain項目的發起人和領導者，斯坦福大學的計算機科學教授，Coursera的聯合創始人和聯合主席。他還曾任百度的副總裁和首席科學家，在這裏，他領導了約1300人的人工智能團隊，並負責百度的國際人工智能戰略和基礎建設。由 deeplearning.ai 出品，網易引進的正版受權中文版深度學習工程師微專業課程，讓你在瞭解豐富的人工智能應用案例的同時，學會在實踐中搭建出最早進的神經網絡模型，訓練出屬於你本身的 AI。

李飛飛：如何教計算機理解圖片

連接：http://open.163.com/movie/2015/3/Q/R/MAKN9A24M_MAKN9QAQR.html
介紹：小孩看到圖時，能馬上識別出圖上的簡單元素，例如貓、書、椅子。現現在，計算機也擁有足夠智慧作到這一點了。接下來呢？斯坦福大學的計算機視覺專家李飛飛將描繪當今人工智能科技的前沿領域。她和她的團隊創建起了一個含有1500萬張照片的數據庫，並經過該數據庫來教計算機理解圖片。

斯坦福大學公開課 ：機器學習課程

連接：http://open.163.com/special/opencourse/machinelearning.html
介紹：人工智能的發展到已經進入了一個瓶頸期。近年來各個研究方向都沒有太大的突破。真正意義上人工智能的實現目前尚未任何曙光。可是，機器學習無疑是最有但願實現這個目標的方向之一。斯坦福大學的「Stanford Engineering Everywhere 」免費提供學校裏最受歡迎的工科課程，給全世界的學生和教育工做者。得益於這個項目，咱們有機會和全世界站在同一個數量級的知識起跑線上。

西安電子科技大學人工智能視頻

連接：http://www.openke.net/show-2832.html
介紹：《人工智能原理與方法》較全面地介紹了人工智能的基本理論、方法及其應用技術。全書共12章，可分爲三大部分：第一部分包括第1章至第6章，論述了人工智能的三大技術，即知識表示、推理及搜索，重點討論了不肯定性的表示及處理技術；第二部分包括第7章至第10章，着重討論了專家系統、機器學習、模式識別及智能決策支持系統等研究領域的有關概念及系統構成技術；第三部分包括第11章和第12章，分別討論了神經網絡和智能計算機的概念、模型、研究現狀及展望等。

吉林大學人工智能表視頻

連接：http://www.openke.net/show-3935.html
介紹：吉林大學人工智能主要闡述人工智能問題求解方法的通常性原理和基本思想。主要內容有：通常的搜索問題，括盲目搜索和啓發式搜索等；與或圖搜索，括AO*算法和博弈樹搜索等；謂詞邏輯以及基於歸結的定理證實方法；知識表示，括產生式方法、語義網絡、框架等；不肯定性推理方法，括貝葉斯方法、證據理論和肯定性方法等；機器學習，括實例學習、解釋學習、決策樹學習和神經網絡等；高級搜索，括局部搜索方法、模擬退火方法和遺傳算法等。

吳恩達「機器學習」公開課

連接：https://www.coursera.org/learn/machine-learning
介紹：這門課最大的特色，是它側重於概念理解而不是數學。數學推導過程基本被略過，重點放在讓初學者理解這背後的思路。另外，它還十分重視聯繫實際和經驗總結：1. 課程中吳恩達老師列舉了許多算法實際應用的例子 2. 他提到當年他們入門 AI 時面臨的許多問題，以及處理這些難題的經驗。這門課對數學、統計、IT 基礎薄弱的童鞋十分友好。

加州理工 「從數據中學習」

連接：http://open.163.com/special/opencourse/learningfromdata.html
介紹：這一樣是一門機器學習的入門課，但並不簡單。該課程強調數據，是由於機器學習與各領域的大數據處理應用（好比金融、醫療）聯繫十分緊密。這門課內容涵蓋基礎理論、算法和應用，平衡了理論與實踐，既覆蓋數學統計，也包含啓發式的概念理解。

Tom Mitchell 機器學習課程

連接：http://www.cs.cmu.edu/~tom/10701_sp11/
介紹：門課是學界人士的最愛，是入門課程之中較全面、高階的一門。課時爲 15 周，遠超大多數機器學習慕課。其覆蓋的話題很是廣，按前後次序包括：代數和機率論，機器學習的基礎工具，機率圖模型，AI，神經網絡，主動學習，加強學習。課程內容和練習十分簡潔明白，概念解釋清楚到位。

谷歌人工智能入門

https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271
介紹：兩位主講者，Peter Norvig 和 Sebastian Thrun，一個是谷歌研究總監，一個是斯坦福著名機器學習教授，均是與吳恩達、Yann Lecun 同級別的頂級 AI 專家。須要強調的是，該課程傾向於介紹 AI 的實際應用。課程練習廣受好評。

UBC本科生的機器學習課程

連接：https://www.youtube.com/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf
介紹：這門課很適合做爲吳恩達老師「機器學習」的進階課程，由於：1. 「機器學習」省略掉的一些概念，能夠在這門課中找到。2. 「機器學習」課 不重視數學，而數學是這門課的重點內
容。Nando de Freitas 對諸如機率論、log likelihood 等基礎數學原理作了很好的講解，並以此爲基礎介紹更高級的數學、統計概念。對於機器學習新手，徹底略過數學細節是很危險的，這門課會幫助你打下基礎。

Yann Lecun深度學習公開課

連接：https://www.college-de-france.fr/site/en-yann-lecun/course-2016-04-15-11h00.htm
介紹：做爲人工智能領域大牛和 Facebook AI 實驗室（FAIR）的負責人，Yann Lecun 身處業內機器學習研究的最前沿。他曾經公開表示，現有的一些機器學習公開課內容已經有些過期。經過 Yann Lecun 的課程能瞭解到近幾年深度學習研究的最新進展。該系列可做爲探索深度學習的進階課程。

Geoffrey Hinton深度學習課程

連接：http://c.open.163.com/coursera/courseIntro.htm?cid=77
介紹：（你會在這門課）學習人工神經網絡以及它們如何應用於機器學習，比方說語音、物體識別，圖像分割（image segmentation），建模語言、人體運動等等。咱們同時強調基礎算法，以及對它們成功應用所需的實用技巧 。」

哥倫比亞大學的機器學習公開課

連接：https://www.edx.org/course/machine-learning-columbiax-csmm-102x
介紹：這門課中，學習者會了解到機器學習的算法、模型和方法，以及它們在現實生活中的應用。

MIT機器學習進階課程

連接：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm
介紹：這是一門研究生水平的機器學習課程，難度較高。惋惜的是，MIT 並無提供課程視頻，而是以參考書目和課堂筆記的形式，讓咱們得以一窺該課程的內容。小編認爲，這些學習資源的價值仍舊不可估量。由於如此，相比常規公開課，它不會耗費過多時間，很是適合有必定基礎的學習者印證本身所學。

深度學習簡化版

連接：https://www.youtube.com/watch?list=PLjJh1vlSEYgvGod9wWiydumYl8hOXixNu&v=b99UVkWzYTQ
介紹：若是複雜的專業術語讓你在學習深度學習時感到困難重重，那麼這個教程就是給你的福利。這是深度學習及其基本概念的一個簡化版教程。在這個教程裏你將會了解到神經網絡、深度網絡、深度信念網絡（DBN）和卷積神經網絡。H2O.ai和這個教程將會讓你對深度學習有基本的理解。同時你也會了解到不一樣的模型，以及在不一樣狀況下該選擇何種模型和選擇這種模型的理由。以後你將會學到深度學習在不一樣使用情形下的實際操做經驗，包括支持構建你本身深度網絡的平臺、深度學習能夠調用的庫。這個簡化教程裏沒有任何數學計算或者編程相關的內容，是爲初學者瞭解深度學習基本思想而製做的。

2016斯坦福灣區深度學習學校Day 1

連接：https://www.youtube.com/watch?v=eyovmAtoUx0
介紹：正如吳恩達（Andrew Ng）無比精確的描述，深度學習正在改變業界的發展佈局，同時大量有意思的深度學習應用正涌現出來。這個視頻是2016灣區深度學習學校第一天的內容展現。
視頻覆蓋到的內容有：

1. Hugo Larochelle講授前饋神經網絡介紹（Introduction on Feedforward Neural Network）；
2. Andrej Karpathy講授用於計算機視覺的深度學習（Deep Learning for Computer Vision）；
3. Richard Socher講授用於天然語言處理（NLP）的深度學習（Deep Learning for NLP）；
4. Sherry Moore講授TensorFlow 教程（TensorFlow Tutorial）；
5. Ruslan Salakhutdinov 講授深度無監督學習基礎（Foundations of Deep Unsupervised Learning）；
6. 吳恩達講授深度學習應用基本要點（Nuts and Bolts of Applying Deep Learning）
   。這些深度學習方面的專家都會以一個易於理解的方式講解深度學習潛在的概念原理，讓你對深度學習有基礎理解。同時他們也會分享各自講授主題相關的應用實例。

2016斯坦福灣區深度學習學校Day 2

連接：https://www.youtube.com/watch?v=9dXiAecyJrY
介紹：這是灣區深度學習學校的次日講授內容視頻。
視頻覆蓋到的內容有：

1. John Schulman 講授深度強化學習基礎（Foundation of Deep Reinforcement Learning）；
2. Pascal Lamblin 講授Theano 介紹：一個供模型構建和訓練使用的極速 Python 庫（Introduction to Theano: A Fast Python library for Modelling & Training）；
3. Adam Coates 和 Vinay Rao 講授語音識別和深度學習（Speech Recognition and Deep Learning）；
4. Alex Wiltschko 講授 Torch 和 Autograd 下的機器學習（Machine Learning with Torch & Autograd）；
5. Quoc Le 講授深度學習實現 Seq2Seq（Sequence to Sequence by Deep Learning）；
6. Yoshua Bengio 講授深度學習的基礎和挑戰（Foundation and Challenges of Deep Learning）。

這些深度學習的應用者都是常常被檢索到的深度學習應用專家，他們同時也爲大型公司服務，如：谷歌大腦、Twitter 等。

教程：深度學習

連接：https://www.youtube.com/watch?v=CLSy5WlaWKc
介紹：在這個深度學習的視頻教程裏，Yoshua Bengio 和 Yann LeCun 講解了近年來深度學習所取得的重大突破。在這個領域深耕30 年以後，Yoshua 和 Yann 帶來深度學習如何掀起機器學 習和人工智能領域變革浪潮的深度解讀。在本視頻教程裏，你將會學到深度學習是如何實現多層計算模型對數據表徵的學習。這些方法大幅提高了語音識別、視覺對象識別、目標檢測以及基因學等領域的相關研究。這個教程將會覆蓋到深度學習基礎，並討論深度學習的不一樣應用和目前遇到的挑戰。

機器學習神經網絡

連接：https://www.youtube.com/watch?v=cbeTc-Urqak&list=PLoRl3Ht4JOcdU872GhiYWf6jwrk_SNhz9
介紹：研究人工神經網絡的主要思想是理解神經元的並行計算方式及其自適應鏈接。本課程將由多倫多大學教授 Geoffrey Hinton 講授，你將學習到神經網絡和機器學習將如何帶來技術革命。本課程包括感知器、反向傳播、卷積神經網絡、循環神經網絡、梯度降低和超參數貝葉斯優化等主題。這是深度學習最好的課程之一，若是你是深度學習愛好者，那就必定不能錯過它。

深度學習簡介

連接：https://www.youtube.com/watch?v=l42lr8AlrHk
介紹：這個視頻對深度學習進行了數學解釋。它將帶你瞭解機器是如何找到不一樣變量的分組並作出具體決策的。若是你是一個數學愛好者，你將會學到如何調整模型參數。視頻簡單地解釋了神經網絡對不一樣輸入內容的反應。

深度學習教程——高級

連接：https://www.youtube.com/watch?v=DlNR1MrK4qE
介紹：在過去幾年中，圖像分類、分割、物體檢測的技術因深度學習有了極大的進展。該教程會帶你瞭解深度學習的進展，主要集中於使用 Theano 和 Lasagne 的計算機視覺與圖像處理。此外，演講者也討論了一些重要的技巧，好比用更少的訓練數據進行審覈等。爲了理解視頻中的概念，須要必定的代數、微積分與機器學習基礎。

深度學習實踐-語音識別與其餘

連接：https://www.youtube.com/watch?v=LFDU2GX4AqM
介紹：吳恩達的地位無需再多作介紹了，你們都知道他對深度學習的貢獻。他是世界上首先認識到深度學習潛力的幾我的之一。在這個與吳恩達的一對一對話中，他分享了在深度學習上研究的經驗、深度學習所到來的科技進展。他提到大數據的進展正在顛覆現在的產業。觀看此視頻能夠了解更多關於深度學習與數據科學的將來。

簡介強化學習函數逼近-教程

連接：https://www.youtube.com/watch?v=ggqnxyjaKe4
介紹：強化學習是由機器學習研究社區開發出的用來作最佳序列決策的技術。該教程提供了對底層形式問題（馬爾科夫決策過程）及其核心解決方法的透徹理解，後者包括動態編程、蒙特卡 洛方法和時序差分學習。該視頻注重這些方法如何與參數逼近（parametric approximation）結合從而找到因過大而難以解決問題的好的逼近解決方案。演講者也會帶你瞭解函數逼近、 eligibility traces 和 off-policy 學習的最新進展。

書籍及電子書

神經網絡與深度學習在線免費電子書，最詳細的指導，沒有之一
連接：http://neuralnetworksanddeeplearning.com/

斯坦福大學Andrew Ng教授「Deep Learning」教程
連接：https://www.52ml.net/12019.html

卷積網絡的官方介紹，英文版的東西，但講很細質量很高
連接：http://cs231n.github.io/convolutional-networks/#layers

神經網絡與深度學習在線免費電子書，講基礎神經網絡知識
連接：http://neuralnetworksanddeeplearning.com/chap1.html

深度學習教程網站，採用Python代碼爲主的教學
連接：http://deeplearning.net

機器學習的知識庫，涉及神經網絡的內容較少
連接：http://www.erogol.com/large-set-machine-learning-resources-beginners-mavens/

統計學習方法-李航華爲前諾亞方舟實驗室老大
連接：http://download.csdn.net/download/c03424/6614995

Caffe相關資源

Caffe官方網址
連接：http://caffe.berkeleyvision.org/

Caffe Linux官方github網址
連接：https://github.com/BVLC/caffe

Caffe Windows官方github網址
連接：https://github.com/Microsoft/caffe

prototxt網絡結構可視化工具網址
連接：http://ethereon.github.io/netscope/#/editor

見過最詳細的Alexnet學習介紹
連接：http://www.jianshu.com/p/58168fec534d

見過最詳細的Resnet學習介紹
連接：http://www.jianshu.com/p/46d76bd56766

見過最詳細的LeNet學習介紹
連接：http://www.jianshu.com/p/cd73bc979ba9

Tensorflow相關資源

英文官方網站
連接：http://tensorflow.org/

官方GitHub倉庫
連接：https://github.com/tensorflow/tensorflow

中文版 GitHub 倉庫
連接：https://github.com/jikexueyuanwiki/tensorflow-zh

demo教學視頻，絕對贊！！！幫助初學者迅速理解大致過程
連接：http://playground.tensorflow.org/

中文官方社區
連接：http://www.tensorfly.cn/

使用神經網絡的深度學習及 TensorFlow 介紹

連接：https://www.youtube.com/watch?v=oYbVFhK_olY
介紹：若是你一直在想知道神經網絡是如何工做的，爲何最近它有這麼多的關注。本教程將介紹神經網絡，你將瞭解神經網絡如何可以建立具備巨大數據集的強大模型。並理解神經網絡的結構以及每一個輸入層如何組合在一塊兒以生成輸出。這只是完整教程中的第一個視頻，第二部分是 TensorFlow 基礎。若是須要了解怎樣創建神經網絡模型，請繼續學習第三部分。

TensorFlow 廣度&深度學習——機器學習

連接：https://www.youtube.com/watch?v=Xmw9SWJ0L50
介紹：廣度和深度學習（wide and deep learning）結合了用於訓練廣度線性模型和深度神經網絡的記憶（memorization）和概括（generalization）。在這個視頻中，你能夠了解到在
TensorFlow 當中對這種簡單易用的 API 的應用。它們在大規模的迴歸分析和分類中所涉及到的稀疏輸入問題當中很是實用，例如推薦系統、搜索和排名問題。經過這個 視頻來探索廣度和深度學習的可能性吧。

TensorFlow 入門

連接：https://www.youtube.com/watch?v=QfNvhPx5Px8&index=5&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV
介紹：現現在最流行的機器學習框架之一就是 TensorFlow，雖然它主要用於進行機器學習和深度神經網絡研究，但因爲其多功能性，TensorFlow 也可用於各類應用。在這個有趣的
TensorFlow 教程中，您將學習在 Python 中用不到40 行代碼進行構建手寫數字圖像的分類器。您還將學習如何在 TensorFlow 中生成音樂，什麼是 Tensorboard，怎樣構建一個神經網絡還 有使用 TensorFlow 相比其餘深度學習庫的利弊。這個關於 TensorFlow 的簡短教程是深度學習新手必需要了解的。

部份內容參考了文獻
http://www.leiphone.com/news/201701/0milWCyQO4ZbBvuW.html
http://blog.csdn.net/liuhongyue/article/details/65443606

後續發現新的資源，會持續更新，如感興趣，請添加關注！