项目中偶然的些许交集，使我怀着兴奋而好奇的心情开始懵懵懂懂的探索。
瑞士人工智能实验室Jurgen Schmidhuber编写的最新版本《神经网络与深度学习综述》；本综述的特点是以时间排序，从1940年开始讲起，到60-80年代，80-90年代，一直讲到2000年后及最近几年的进展。涵盖了deep learning里各种tricks，引用非常全面。
如果你不知道什么是机器学习，或者是刚刚学习感到枯燥乏味。那么十分推荐阅读本文。翻译版本：http://blog.jobbole.com/67616/
本文直观的比较了Naive Bayes，Logistic Regression， SVM，决策树等方法的优劣，另外讨论了样本大小、Feature与Model权衡等问题。此外还有已经翻译了的版本：http://www.52ml.net/15063.html
深度学习概述：从感知机到深度网络，作者对于例子的选择、理论的介绍都很到位，由浅入深。翻译版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html
《机器学习与优化》是一本机器学习的小册子，短短300多页道尽机器学习的方方面面，图文并茂，生动易懂，没有一坨坨公式的烦恼。适合新手入门，亦适合老手温故而知新。比起MLAPP/PRML等大部头, 也许这本你更需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/
本书是由谷歌公司和MIT共同出品的计算机科学中的数学：Mathematics for Computer Science, Eric Lehman et al 2013。分为5大部分：1）证明、归纳；2）结构、数论、图；3）计数、求和、生成函数；4）概率、随机行走；5）递归、等等
不会统计怎么办？不知道如何选择合适的统计模型怎么办？那这篇文章值得一读，由MIT Joshua B. Tenenbaum和剑桥Zoubin Ghahramani合作，写的关于automatic statistician的文章。可以自动选择回归模型类别，还能自动写报告。
这是一本信息检索相关的书籍，由斯坦福Manning与谷歌副总裁Raghavan等合著的Introduction to Information Retrieval，一直是北美最受欢迎的信息检索教程之一。最近作者增加了该课程的幻灯片和作业。IR相关资源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html
机器学习最佳入门学习资料汇总是专为机器学习初学者推荐的优质学习资源，帮助初学者快速入门。而且这篇文章的介绍已经被翻译成中文版。如果你不怎么熟悉，那么我建议你先看一看中文的介绍。
- 探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探
- 探索推荐引擎内部的秘密，第 2 部分: 深度推荐引擎相关算法 – 协同过滤
- 探索推荐引擎内部的秘密，第 3 部分: 深度推荐引擎相关算法 – 聚类
这是一本关于分布式并行处理的数据《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》,作者是斯坦福的James L. McClelland。着重介绍了各种神级网络算法的分布式实现,做Distributed Deep Learning 的童鞋可以参考下
“机器学习”是什么？John Platt是微软研究院杰出科学家，17年来他一直在机器学习领域耕耘。近年来机器学习变得炙手可热，Platt和同事们遂决定开设博客，向公众介绍机器学习的研究进展。机器学习是什么，被应用在哪里？来看Platt的这篇博文
这篇文章主要是以Learning to Rank为例说明企业界机器学习的具体应用，RankNet对NDCG之类不敏感，加入NDCG因素后变成了LambdaRank，同样的思想从神经网络改为应用到Boosted Tree模型就成就了LambdaMART。Chirs Burges，微软的机器学习大神，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最为突出，代表论文为： From RankNet to LambdaRank to LambdaMART: An Overview 此外，Burges还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
本教程将阐述无监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果你不熟悉这些想法，我们建议你去这里机器学习课程，并先完成第II，III，IV章（到逻辑回归）。此外这关于这套教程的源代码在github上面已经有python版本了 UFLDL Tutorial Code
- 《Deep Learning for Natural Language Processing and Related Applications》
介绍:这份文档来自微软研究院,精髓很多。如果需要完全理解，需要一定的机器学习基础。不过有些地方会让人眼前一亮,毛塞顿开。
这是一篇介绍图像卷积运算的文章，讲的已经算比较详细的了
每天请一个大牛来讲座，主要涉及机器学习，大数据分析，并行计算以及人脑研究。https://www.youtube.com/user/smolix （需翻墙）
介绍：一个超级完整的机器学习开源库总结，如果你认为这个碉堡了，那后面这个列表会更让你惊讶：【Awesome Awesomeness】,国内已经有热心的朋友进行了翻译中文介绍，机器学习数据挖掘免费电子书
ACL候任主席、斯坦福大学计算机系Chris Manning教授的《自然语言处理》课程所有视频已经可以在斯坦福公开课网站上观看了（如Chrome不行，可用IE观看） 作业与测验也可以下载。
对比 Deep Learning 和 Shallow Learning 的好文，来自
浙大毕业、MIT 读博的 Chiyuan Zhang 的博客。
利用卷积神经网络做音乐推荐
Java机器学习相关平台和开源的机器学习库，按照大数据、NLP、计算机视觉和Deep Learning分类进行了整理。看起来挺全的，Java爱好者值得收藏
机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性
看题目你已经知道了是什么内容,没错。里面有很多经典的机器学习论文值得仔细与反复的阅读
视频由加州理工学院（Caltech）出品。需要英语底子
总结了机器学习的经典书籍，包括数学基础和算法理论的书籍，可做为入门参考书单
16本机器学习的电子书，可以下载下来在pad，手机上面任意时刻去阅读。不多我建议你看完一本再下载一本。
标题很大，从新手到专家。不过看完上面所有资料。肯定是专家了
入门的书真的很多，而且我已经帮你找齐了。
Sibyl 是一个监督式机器学习系统，用来解决预测方面的问题，比如 YouTube 的视频推荐。
Important resources for learning and understanding . Is awesome
又是一篇机器学习初学者的入门文章。值得一读
python的17个关于机器学习的工具
作者王益目前是腾讯广告算法总监，王益博士毕业后在google任研究。这篇文章王益博士7年来从谷歌到腾讯对于分布机器学习的所见所闻。值得细读
把机器学习提升的级别分为0~4级，每级需要学习的教材和掌握的知识。这样，给机器学习者提供一个上进的路线图，以免走弯路。另外，整个网站都是关于机器学习的，资源很丰富
机器学习各个方向综述的网站
深度学习阅资源列表
2014年七月CMU举办的机器学习夏季课刚刚结束 有近50小时的视频、十多个PDF版幻灯片，覆盖 深度学习，贝叶斯，分布式机器学习，伸缩性 等热点话题。所有13名讲师都是牛人：包括大牛Tom Mitchell （他的［机器学习］是名校的常用教材），还有CMU李沐 .（1080P高清哟）
Videolectures上最受欢迎的25个文本与数据挖掘视频汇总
贝叶斯学习。如果不是很清可看看概率编程语言与贝叶斯方法实践
在Kaggle上经常取得不错成绩的Tim Dettmers介绍了他自己是怎么选择深度学习的GPUs, 以及个人如何构建深度学习的GPU集群: http://t.cn/RhpuD1G
对话机器学习大神Michael Jordan
因为近两年来，深度学习在媒体界被炒作很厉害（就像大数据）。其实很多人都还不知道什么是深度学习。这篇文章由浅入深。告诉你深度学究竟是什么！
很多干货，而且作者还总结了好几个系列。另外还作者还了一个文章导航.非常的感谢作者总结。
Deep Learning（深度学习）学习笔记整理系列之（二）
Deep Learning（深度学习）学习笔记整理系列之（三）
Deep Learning（深度学习）学习笔记整理系列之（四）
Deep Learning（深度学习）学习笔记整理系列之（五）
Deep Learning（深度学习）学习笔记整理系列之（六）
Deep Learning（深度学习）学习笔记整理系列之（七）
DeepLearning（深度学习）学习笔记整理系列之（八）
对于英语不好，但又很想学习机器学习的朋友。是一个大的福利。机器学习周刊目前主要提供中文版，还是面向广大国内爱好者，内容涉及机器学习、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者
《线性代数》是《机器学习》的重要数学先导课程。其实《线代》这门课讲得浅显易懂特别不容易，如果一上来就讲逆序数及罗列行列式性质，很容易让学生失去学习的兴趣。我个人推荐的最佳《线性代数》课程是麻省理工Gilbert Strang教授的课程。 课程主页
大数据数据处理资源、工具不完备列表，从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器学习等。很赞的资源汇总。
应对大数据时代，量子机器学习的第一个实验 paper 下载
Wired杂志报道了UCLA数学博士Chris McKinlay （图1）通过大数据手段+机器学习方法破解婚恋网站配对算法找到真爱的故事,通过Python脚本控制着12个账号，下载了婚恋网站2万女用户的600万问题答案，对他们进行了统计抽样及聚类分析（图2，3），最后终于收获了真爱。科技改变命运！
MIT的Underactuated Robotics于 2014年10月1日开课，该课属于MIT研究生级别的课程，对机器人和非线性动力系统感兴趣的朋友不妨可以挑战一下这门课程！
NLP常用信息资源* 《NLP常用信息资源》
从1996年开始在计算机科学的论文中被引用次数最多的论文
现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所副所长.内部课程
好东西的干货真的很多
从硬件、图像到健康、生物、大数据、生物信息再到量子计算等，Amund Tveit等维护了一个DeepLearning.University小项目：收集从2014年开始深度学习文献，相信可以作为深度学习的起点,github
讲计算机视觉的四部奇书（应该叫经典吧）之一，另外三本是Hartley的《多图几何》、Gonzalez的《数字图像处理》、Rafael C.Gonzalez / Richard E.Woods 的《数字图像处理》
本章中作者总结了三代机器学习算法实现的演化：第一代非分布式的， 第二代工具如Mahout和Rapidminer实现基于Hadoop的扩展，第三代如Spark和Storm实现了实时和迭代数据处理。BIG DATA ANALYTICS BEYOND HADOOP
里面基本没涉及到具体算法，但作者介绍了CF在LinkedIn的很多应用，以及他们在做推荐过程中获得的一些经验。最后一条经验是应该监控log数据的质量，因为推荐的质量很依赖数据的质量！
许多同学对于机器学习及深度学习的困惑在于，数学方面已经大致理解了，但是动起手来却不知道如何下手写代码。斯坦福深度学习博士Andrej Karpathy写了一篇实战版本的深度学习及机器学习教程，手把手教你用Javascript写神经网络和SVM.
RKHS是机器学习中重要的概念，其在large margin分类器上的应用也是广为熟知的。如果没有较好的数学基础，直接理解RKHS可能会不易。本文从基本运算空间讲到Banach和Hilbert空间，深入浅出，一共才12页。
杰弗里·埃弗里斯特·辛顿 FRS是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一，也是深度学习的积极推动者.
机器学习公开课汇总,虽然里面的有些课程已经归档过了，但是还有个别的信息没有。感谢课程图谱的小编
成G上T的学术数据，HN近期热议话题,主题涉及机器学习、NLP、SNA等。下载最简单的方法，通过BT软件，RSS订阅各集合即可
15年春季学期CMU的机器学习课程，由Alex Smola主讲，提供讲义及授课视频，很不错.国内镜像.
ggplot2速查小册子,另外一个,此外还推荐《A new data processing workflow for R: dplyr, magrittr, tidyr, ggplot2》.
作者是NLP方向的硕士，短短几年内研究成果颇丰,推荐新入门的朋友阅读.
UCLA的Jens Palsberg根据Google Scholar建立了一个计算机领域的H-index牛人列表,我们熟悉的各个领域的大牛绝大多数都在榜上，包括1位诺贝尔奖得主，35位图灵奖得主，近百位美国工程院/科学院院士，300多位ACM Fellow,在这里推荐的原因是大家可以在google通过搜索牛人的名字来获取更多的资源,这份资料很宝贵.
麻省理工Gilbert Strang线性代数课程笔记,Gilbert Strang《Linear Algebra》课程主页视频+讲义.
一个深度学习资源页,资料很丰富.
Andrew Ng经典机器学习课程笔记.
Andrew Ng关于深度学习/自学习/无监督特征学习的报告,国内云.
“必看”的Python视频集锦.
前人栽树后人乘凉，感谢www.datagold.com对各类资源所做的汇总
I have read so many posts about the blogger lovers however this post is really a good piece of writing, keep it up
I have read so many posts about the blogger lovers however this post is really a good piece of writing, keep it up