Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.
Awesome Lists | Featured Topics | Projects
https://github.com/Yangxulei/ML-DL-Tutorial

Machine Learning /DL Tutorial
https://github.com/Yangxulei/ML-DL-Tutorial
Last synced: 3 months ago
JSON representation
Machine Learning /DL Tutorial
Host: GitHub
URL: https://github.com/Yangxulei/ML-DL-Tutorial
Owner: Yangxulei
License: mit
Created: 2017-03-23T03:04:31.000Z (almost 8 years ago)
Default Branch: master
Last Pushed: 2017-12-27T06:11:39.000Z (about 7 years ago)
Last Synced: 2024-08-01T15:11:52.023Z (6 months ago)
Homepage: http://uqlai.cn
Size: 22.5 KB
Stars: 96
Watchers: 10
Forks: 23
Open Issues: 0
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project

awesome - ML-DL-Tutorial - Machine Learning /DL Tutorial (Others)
README

        [![MIT licensed](https://img.shields.io/badge/license-MIT-blue.svg)](https://github.com/Yangxulei/ML-DL-Tutorial/blob/master/LICENSE)

机器学习/人工智能/自然语言处理资料教程集合

前面基本是我看过的书籍和教程推荐，在最后面有我的学习路线，避免多走弯路，实现高效系统学习。

目录：

- [基础概念和认知](#1)

- [入门](#2)

- [教程](#3)

- [书籍](#4)

- [博客论坛期刊](#5)

- [文章-论文](#6)

- [其它](#7)

- 我的学习路线和计划

# 基础概念和认知：

[机器学习](http://zh.wikipedia.org/zh/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0) 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。下面是ML比较完备的知识技能图

![ML知识技能图](http://upload-images.jianshu.io/upload_images/744392-ff8a7eb9953e7f95.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

 - [机器学习与数据挖掘的区别](https://en.wikipedia.org/wiki/Machine_learning#Machine_learning_and_data_mining)

   -  机器学习关注从训练数据中学到已知属性进行预测是方法

   -  数据挖掘侧重从数据中发现未知属性是个概念

- [深度学习与机器学习区别](https://zh.wikipedia.org/wiki/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0)

- [人工智能只是定义](https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD)

- [机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别之间的关系是什么？](https://www.zhihu.com/question/20747381)

- [机器学习应该准备哪些数学预备知识？](https://www.zhihu.com/question/36324957/answer/254938339)

# 入门

#### 心路历程，别人的经验让我们少走弯路：

 [机器学习入门者学习指南-研究生型入门者的亲身经历](http://www.guokr.com/post/512037/)

# 书籍

### 数学

- [《数学之美》](https://book.douban.com/subject/10750155/)作者：吴军  讲述数学在NLP语音等方面应用

- [《程序员的数学系列》](https://book.douban.com/subject_search?search_text=程序员的数学&cat=1001)这套共三本含高数，线代，统计。写的很好

- [《线性代数应该这样学》](https://book.douban.com/subject/26886299/) 从本质来讲，让你耳目一新，我就感觉线代白学了  

- [《The Elements of Statistical Learning》](https://book.douban.com/subject/1761179/)后期精进可以可以读读，挺难的

- [《统计学习方法》](https://book.douban.com/subject/10590856/)作者：李航 讲解统计的一些方法。是机器学习的数学基础，另外需要线性代数，概率论，统计学等数学知识 **后面阶段少不了推算公式的**

### ML&&NLP

- [《机器学习》](https://book.douban.com/subject/26708119/)西瓜书 作者：周志华。 本人读过入门级拿西瓜做案例很清晰，没有数学基础还是不要看，特别是程序员，因为周老师层次太高偏学术。

- [《DeepLearning》](https://github.com/exacity/deeplearningbook-chinese)花书，最近中文版要出版了,称为圣书，这个可以慢慢啃，绝对要看的。

- [《机器学习》](https://book.douban.com/subject/1102235/)作者Mitchell。Mitchell是机器学习的鼻祖，第一个提出机器学习概念的人。这本书很薄，很简单。内容很陈旧，但是都是机器学习的经典问题。而且，这本书概念清晰正确(很可贵啊，又简单又正确的书，说明作者功力很强)。

- 《神经网络与机器学习》作者：Simon Haykin。 事实上，现在常见的很多机器学习算法都发端于神经网络，像SVM，深度学习，CNN等等。这本书详细的介绍了神经网络及其相关算法的所有细节。如果想深入了解的话，可以看一下。只想运用的话，也可以随便翻翻算法的介绍。

- 《模式识别与机器学习》马春鹏 有数学基础再搞，不然很难受

- 《集体编程智慧》代码丰富，结合理论搞

- 《机器学习算法原理与编程实战》有理论有代码

- 《机器学习实战》推荐

- 《数据挖掘导论》我学习过程中必不可少

-----------------------

-  NLP[自然语言处理怎么最快入门](https://www.zhihu.com/question/19895141/answer/20084186?utm_medium=social&utm_source=weibo)

- [统计自然语言处理](https://book.douban.com/subject/3076996/)

- [信息检索导论](https://book.douban.com/subject/5252170/)

- 资料已经完全够了，没有必要再贪多了，有积累看论文才是王道

# 视频教程

### 一、基本功

数学基础机器学习必要的数学基础主要包括：

- 线性代数

    [英文无障碍的话推荐MIT的Gilbert Strang](https://www.youtube.com/watch?v=ZK3O402wf1c&list=PL49CF3715CB9EF31D)

    [李宏毅也教过线性代数哦](http://speech.ee.ntu.edu.tw/~tlkagk/courses_LA16.html)

    实现不行看看张宇的考研视频也行，再者还是看看程序员的数学

- 统计基础

    - [Introduction to Statistics: Descriptive Statistics](https://www.edx.org/course/introduction-statistics-descriptive-uc-berkeleyx-stat2-1x)

    - [Probabilistic Systems Analysis and Applied Probability](https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-041-probabilistic-systems-analysis-and-applied-probability-fall-2010/) | [概率](http://open.163.com/special/Khan/probability.html) ( 可选)

    - [Introduction to Statistics: Inference](https://www.edx.org/course/introduction-statistics-inference-uc-berkeleyx-stat2-3x#.U3nU2vmSxhQ)

    - *以上是国外课程，自己拿大学相关课本看看或者到网易公开课找,推荐《程序员的数学之线性代数》*

- 编程基础

    - Python，R这些从廖雪峰，菜鸟教程还有等等看看文档就行 ，numpy，sk，pandas这些库也要会

    - [Programming for Everybody (Python)](https://www.coursera.org/learn/python)

    - [DataCamp: Learn R with R tutorials and coding challenges(R)](https://www.datacamp.com/)

    - [Introduction to Computer Science:Build a Search Engine & a Social Network](https://https://cn.udacity.com/course/intro-to-computer-science--cs101)

 ### 二、修行(推荐李宏毅然后后吴恩达深度学习课程，然后决定走CV OR NLP 再看CS231N 或者 CS224N)

- [台湾国立大学李宏毅中文教学](https://www.youtube.com/channel/UC2ggjtuuWvxrHHHiaDH1dlQ/playlists)讲课幽默易懂，很多不清楚的看了就懂了，它还有个PPT合集，堪称一天学完深度学习，浅显易懂可以搜搜

- [吴恩达深度学习新课](https://www.coursera.org/specializations/deep-learning)可以搜单个课程这样可以旁听不要钱

  【网易云课堂现在和吴恩达合作了，免费的中文字幕体验更好，作业还在courseras上写吧】

- [2014 Andrew Ng (Stanford)机器学习](https://www.coursera.org/course/ml):英文原版视频 这就是针对自学而设计的，免费还有修课认证。“老师讲的是深入浅出，不用太担心数学方面的东西。而且作业也非常适合入门者，都是设计好的程序框架，有作业指南，根据作业指南填写该完成的部分就行。”(和林轩田课程二选一)

- [2016年 林軒田(国立台湾大学) 機器學習基石 (Machine Learning Foundations) -- 華文的教學講解](https://www.youtube.com/user/hsuantien/playlists)

- [Neural Networks for Machine Learning](https://www.coursera.org/learn/neural-networks) Hinton的大牛课程，可想而知

- [没有公式，没有代码的深度学习入门视频，每集五分钟](https://www.youtube.com/playlist?list=PLjJh1vlSEYgvGod9wWiydumYl8hOXixNu)

- [CS231N Stanford winter 2017FeiFei](https://www.youtube.com/playlist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv) 计算机视觉大牛李飞飞的课程

- [CS224N NLP Winter 2017](https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6) 搞NLP的可以看看，最新前言课程  [slides](https://web.stanford.edu/class/cs224n/syllabus.html)

- [Udacity 的 ML & DL](https://cn.udacity.com/courses/all)  最近刚看的，DL两个人合作以对话形式，很幽默

- [tornadomeet机器学习笔记](http://www.cnblogs.com/tornadomeet/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/)

- 上面学好了，足够了

### 笔记

- [入门 | 吴恩达Deeplearning.ai 全部课程学习心得分享](https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650732373&idx=2&sn=a9e7e73cf7341e82ab8b803bbcc9a4b0&chksm=871b332bb06cba3d7568b77e5a9067d3e57ab066044cd2617958987805dd2b070feb0c4360a9#rd)

- [吴恩达机器学习学习笔记(中文版)](https://zhuanlan.zhihu.com/p/30826357)

- [吴恩达深度学习笔记(中文版)](https://zhuanlan.zhihu.com/p/31826031) 

### 博客等

WeChat公众号：机器之心，数盟，量子位，新智元，

- [我爱机器学习](http://www.52ml.net/) 

- [MITBBS－ 电脑网络 - 数据科学版](http://www.mitbbs.com/bbsdoc/DataSciences.html) 

- [机器之心](!)

- [果壳 > 机器学习小组](http://www.guokr.com/group/262/)

- [统计之都 » 统计学世界 » 数据挖掘和机器学习

](http://cos.name/cn/forum/22) 

- [北邮人论坛 >> 学术科技 >> 机器学习与数据挖掘

](http://bbs.byr.cn/#!board/ML_DM)

文章-论文

[The Discipline of Machine LearningTom Mitchell](http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf) 当年为在CMU建立机器学习系给校长写的东西。

[A Few Useful Things to Know about Machine Learning](http://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf) Pedro Domingos教授的大道理，也许入门时很多概念还不明白，上完公开课后一定要再读一遍。

# 其它  

[矩阵求导](https://zhuanlan.zhihu.com/p/24709748)

知乎找答案

---------------------------------------------------------------------------------------------------------------------------

# 我自己的学习计划

已经大致了解这个领域所用到的知识，根据网上的参考进行1.0阶段的学习，看了前面的知道我对PGM特别感兴趣啊，所以感谢夕小瑶(wx:xixiaoyaoQAQ)按照她的提供的知识结构给自己定个计划。  已经完成的都会带有我在学习过程中见到比较好的资料，或者我自己总的，这样减少大家在学习过程中找资料的成本

## 第一阶段(五月到六月)：基本模型

辅助用视频Ng的courses《machine learning》，台湾国立大学林老师《机器学习基石》、《数据挖掘导论》第4、5章

- [感知机(Perceptron)](http://www.jianshu.com/p/f5c3bce6b7ec)(已完成)

   - [如何理解感知机算法的对偶形式](https://www.zhihu.com/question/26526858)

   - [为什么随机梯度下降方法能够收敛？](https://www.zhihu.com/question/27012077/answer/122359602)

- [线性回归模型(Linear regression model) ](http://www.jianshu.com/p/631889a1d1e3) (已完成)

- [逻辑回归模型(Logistic regression model) ](http://www.jianshu.com/p/4db93e9f38af)（已完成）

- [浅层神经网络(Neural Network) ](http://www.cnblogs.com/subconscious/p/5058741.html)(已完成)

- [支持向量机(Support Vector Machine)](http://www.jianshu.com/p/8c5131f933b5)(已完成)

- [交叉验证(Cross Validation)[[1]]](https://zhuanlan.zhihu.com/p/23798202?refer=rdatamining) [[2]](https://zhuanlan.zhihu.com/p/24825503) [[3]](https://www.zhihu.com/question/39259296) [[4]](http://blog.sina.com.cn/s/blog_67f37e760100yes5.html)(已完成)

- [聚类[1]](https://zhuanlan.zhihu.com/p/21387568) (已完成)

  - [K-Means Model [1]](https://zhuanlan.zhihu.com/p/20432322) [[2]](https://zhuanlan.zhihu.com/p/20445085)

- [内积与映射，线性相关/无关，特征值/特征向量、特征向量、特征分解、矩阵的迹、奇异值分解(SVD)、谱定理](http://www.jianshu.com/p/dcaaf3b58c06)

## 第二阶段（七月~）：最优化(已完成，主要是靠知乎和《统计学习方法》，还得继续深入理解)

复习《概率论与数理统计》、理解《Deep Learning》中的4.3节和4.4节，《Numerical Optimazation》、《最优化理论与方法》袁亚湘，孙文瑜、《统计学习方法》、《数据 挖掘导论》、《机器学习实战》、《智能优化方法》

- 一阶无约束优化算法

  - 梯度下降法（步长的确定方法、线搜索法，信赖域法）

- 二阶无约束优化算法

  - 牛顿法

  - 共轭梯度法

  - 拟牛顿法

- 约束优化算法

  - 线性规划(概念与应用、单纯形法、内点法）

  - 二次规划(概念与应用、对偶法、积极集法）

  - 拉格朗日乘子法的简单认识

- 感知机模型

- K近邻模型

- 朴素贝叶斯模型

- 决策树模型

- 支持向量机模型

- 集成分类器

  - Bagging

  - Boosting

  - Random Forest

- 遗传算法

- 模拟退火

- 禁忌搜索算法

- 蚁群算法

- 粒子群优化算法

- [LDA/PCA](http://www.cnblogs.com/LeftNotEasy/archive/2011/01/08/lda-and-pca-machine-learning.html)

- [SVD](http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html)

## 第三阶段：模式识别与深度学习

- 贝叶斯决策（《模式分类》）

- 参数估计

- 非参数方法

- 线性判别函数

- 浅层神经网络

    - delta方法

    - BP算法及其优化

    - RBF网络

- 深度神经网络（DL中文版书籍）

   - Hopfield网络

   - 玻尔兹曼机

   - RBM

   - DBN

   - DBM

   - CNN

   - Autoencoder

   - RNN

   - LSTM

   (CNN~LSTM)李宏毅教授的课不要太好了。一听就懂

- 聚类

  - 高斯混合密度

  - K-means

  - 层次聚类

- 决策树与随机森林

- 特征提取与特征选择

## 第四阶段：

学习大数据框架Hadoop，Spark

- [Big data for Data Engineers Specialization](https://github.com/Yangxulei/Big-Date-Specialization)

## 贯穿始终：

编程是一定要的，推荐先用Python把常用算法实现一遍，然后把NG深度学习课程作业敲一遍，自己写神经网络，你就会明了，一定要code，code，code。后面用tf+keras等都可以。

知识点：(每一周深入学习一种网络)

《统计学习方法》、《Deep Learning》、《模式分类》

- 前馈神经网络

- 自编码器(Auto-Encoder)递归神经网络(Recursive NN) / 循环神经网络(RNN)/ 卷积神经网络(CNN) / 神经张量网络 (NTN)

- 长短时记忆网络(LSTM) / 卷积长短时神经网络(convLSTM) / 张量递归神经网络(MV-RNN)/递归神经张量网络(RNTN)

- 受限波尔兹曼机(RBM) / 玻尔兹曼机

- 概率图模型

 - 有向图模型->贝叶斯网络

 - 无向图模型->马尔科夫随机场->条件随机场