尽管机器学习的历史可以追溯到1959年年，但目前，这个领域正以前所未有的速度发展。最近，我一直在网上寻找关于机器学习和自然语言处理各方面的好资源，为了帮助到和我有相同需求的人，我整理了一份迄今为止我发现的最好的教程内容列表。

通过教程中的简介内容讲述一个概念。避免了包括书籍章节涵盖范围广，以及研究论文在教学理念上做的不好的特点。

我把这篇文章分成四个部分：机器学习，自然语言处理，巨蟒和数学。

每个部分中都包含了一些主题文章，但是由于材料巨大，每个部分不可能包含所有可能的主题，我将每个主题限制在5到6个教程中。（由于微信不能插入外链，请点击“阅读原文”查看原文）

机器学习

• 机器学习很有趣！（medium.com/@ageitgey）

• 机器学习速成课程：第一部分，第二部分，第三部分（柏克莱机器学习）

• 机器学习理论及其应用介绍：带示例的可视化教程（toptal.com）

• 机器学习的温柔指南（monkeylearn.com）

• 我应该使用哪种机器学习算法？（sas.com）

激活和损失函数

• 乙状神经元（neuralnetworksanddeeplearning.com）

• 激活函数在神经网络中的作用是什么？（quora.com）

• 神经网络中激活函数的综合列表（stats.stackexchange.com）

• 激活功能和它的类型 - 哪个更好？（medium.com）

• 让对数损失感（exegetic.biz）

• 损失函数（斯坦福CS231n）

• L1与L2损失函数（rishy.github.io）

• 交叉熵代价函数（neuralnetworksanddeeplearning.com）

偏压

• 偏差在神经网络中的作用（*.com）

• 神经网络中的偏置节点（makeyourownneuralnetwork.blogspot.com）

• 什么是人工神经网络的偏见？（quora.com）

感知器

• 感知器（neuralnetworksanddeeplearning.com）

• 感知（natureofcode.com）

• 单层神经网络（感知器）（dcu.ie）

• 从感知器到深度网络（toptal.com）

回归

• 线性回归分析介绍（duke.edu）

• 线性回归（ufldl.stanford.edu）

• 线性回归（readthedocs.io）

• Logistic回归（readthedocs.io）

• 简单的线性回归教程机器学习（machinelearningmastery.com）

• 机器学习的Logistic回归教程（machinelearningmastery.com）

• Softmax回归（ufldl.stanford.edu）

梯度下降算法

• 学习梯度下降（neuralnetworksanddeeplearning.com）

• 渐变下降（iamtrask.github.io）

• 如何理解渐变下降算法（kdnuggets.com）

• 梯度下降优化算法概述（sebastianruder.com）

• 优化：随机梯度下降（斯坦福CS231n）

生成式学习

• 生成式学习算法（Stanford CS229）

• 朴素贝叶斯分类器（monkeylearn.com）的实际解释

支持向量机

• 支持向量机（SVM）简介（monkeylearn.com）

• 支持向量机（Stanford CS229）

• 线性分类：支持向量机，Softmax（斯坦福231n）

反向传播

• 是的，你应该了解backprop（medium.com/@karpathy）

• 你能否给出神经网络的反向传播算法的视觉解释？（github.com/rasbt）

• 反向传播算法如何工作（neuralnetworksanddeeplearning.com）

• 反向传播通过时间和消失的渐变（wildml.com）

• 一个简单的介绍时间反向传播（machinelearningmastery.com）

• 反向传播，直觉（斯坦福CS231n）

深度学习

• 深入学习（nikhilbuduma.com）

• 深度学习教程（Quoc V. Le）

• 什么是深度学习？（machinelearningmastery.com）

• 人工智能，机器学习和深度学习有什么区别？（nvidia.com）

优化和降维

• 数据维度降低的七种技术（knime.org）

• 主成分分析（斯坦福CS229）

• 辍学：改善神经网络的简单方法（Hinton @ NIPS 2012）

• 如何训练你的深度神经网络（rishy.github.io）

长短期记忆网络

• 专家长期短期记忆网络介绍（machinelearningmastery.com）

• 了解LSTM网络（colah.github.io）

• 探索LSTMs（echen.me）

• 任何人都可以学习用Python编写LSTM-RNN（iamtrask.github.io）

卷积神经网络

• 介绍卷积网络（neuralnetworksanddeeplearning.com）

• 深度学习和卷积神经网络（medium.com/@ageitgey）

• Conv Nets：模块化视角（colah.github.io）

• 了解卷积（colah.github.io）

递归神经网络

• 复发神经网络教程（wildml.com）

• 注意和增广循环神经网络（distill.pub）

• 复发神经网络的不合理有效性（karpathy.github.io）

• 深入研究复发神经网络（nikhilbuduma.com）

强化学习

• 简单的初学者指南强化学习及其实施（analyticsvidhya.com）

• 强化学习教程（mst.edu）

• 学习强化学习（wildml.com）

• 深度强化学习：从像素中傍（karpathy.github.io）

生成对抗网络

• What’s a Generative Adversarial Network? (nvidia.com)

• Abusing Generative Adversarial Networks to Make 8-bit Pixel Art(medium.com/@ageitgey)

• An introduction to Generative Adversarial Networks (with code in - TensorFlow) (aylien.com)

• Generative Adversarial Networks for Beginners (oreilly.com)

多任务学习

• An Overview of Multi-Task Learning in Deep Neural Networks(sebastianruder.com)

自然语言处理

• A Primer on Neural Network Models for Natural Language Processing (Yoav Goldberg)

• The Definitive Guide to Natural Language Processing (monkeylearn.com)

• Introduction to Natural Language Processing (algorithmia.com)

• Natural Language Processing Tutorial (vikparuchuri.com)

• Natural Language Processing (almost) from Scratch (arxiv.org)

深入学习和NLP

• Deep Learning applied to NLP (arxiv.org)

• Deep Learning for NLP (without Magic) (Richard Socher)

• Understanding Convolutional Neural Networks for NLP (wildml.com)

• Deep Learning, NLP, and Representations (colah.github.io)

• Embed, encode, attend, predict: The new deep learning formula for state-of-the-art NLP models (explosion.ai)

• Understanding Natural Language with Deep Neural Networks Using Torch(nvidia.com)

• Deep Learning for NLP with Pytorch (pytorich.org)

词向量

• Bag of Words Meets Bags of Popcorn (kaggle.com)

• On word embeddings Part I, Part II, Part III (sebastianruder.com)

• The amazing power of word vectors (acolyer.org)

• word2vec Parameter Learning Explained (arxiv.org)

• Word2Vec Tutorial — The Skip-Gram Model, Negative Sampling(mccormickml.com)

Encoder-Decoder

• Attention and Memory in Deep Learning and NLP (wildml.com)

• Sequence to Sequence Models (tensorflow.org)

• Sequence to Sequence Learning with Neural Networks (NIPS 2014)

• 机器学习很有趣第5部分：深度学习的语言翻译和序列的魔力（medium.com/@ageitgey）

• 如何使用编码器 - 解码器LSTM来回显随机整数序列（machinelearningmastery.com）

• tf-seq2seq（google.github.io）

蟒蛇

• 使用Python掌握机器学习的7个步骤（kdnuggets.com）

• 一个机器学习笔记本的例子（nbviewer.jupyter.org）

例子

• 如何在Python中从头开始实现感知器算法（machinelearningmastery.com）

• 在Python中从头开始实现神经网络（wildml.com）

• 一个11行Python中的神经网络（iamtrask.github.io）

• 使用Python实现自己的k-最近邻算法（kdnuggets.com）
  在Python中使用长的短期内存网络演示内存（machinelearningmastery.com ）

• 如何学习回应随机整数长期短期记忆递归神经网络（machinelearningmastery.com）

• 如何学习使用seq2seq递归神经网络添加数字（machinelearningmastery.com）

SciPy的和numpy的

• Scipy讲义（scipy-lectures.org）

• Python Numpy教程（斯坦福CS231n）

• Numpy和Scipy（UCSB CHE210D）介绍

• Python科学家的速成课程（nbviewer.jupyter.org）

scikit学习

• PyCon scikit-learn教程索引（nbviewer.jupyter.org）

• scikit-learn分类算法（github.com/mmmayo13）

• scikit-learn教程（scikit-learn.org）

• 简洁的scikit-learn教程（github.com/mmmayo13）

Tensorflow

• Tensorflow教程（tensorflow.org）

• TensorFlow介绍 - CPU vs GPU（medium.com/@erikhallstrm）

• TensorFlow：引物（metaflow.fr）

• Tensorflow中的RNN（wildml.com）

• 在TensorFlow中实现CNN进行文本分类（wildml.com）

• 如何使用TensorFlow运行文本摘要（surmenok.com）

PyTorch

• PyTorch教程（pytorch.org）

• PyTorch的简介（gaurav.im）

• 教程：PyTorch的深度学习（iamtrask.github.io）

• PyTorch示例（github.com/jcjohnson）

• PyTorch教程（github.com/MorvanZhou）

• PyTorch深度学习研究者教程（github.com/yunjey）

数学

• 数学机器学习（ucsc.edu）

• 数学机器学习（UMIACS CMSC422）

线性代数

• 线性代数的直观指南（betterexplained.com）

• 程序员矩阵乘法的直觉（betterexplained.com）

• 了解交叉产品（betterexplained.com）

• 了解点积（betterexplained.com）

• 线性代数机器学习（美国布法罗CSE574）

• 线性代数作弊表（深度学习）（medium.com）

• 线性代数回顾与参考（斯坦福大学CS229）

概率

• 理解贝叶斯定理与比率（betterexplained.com）

• 概率论概论（斯坦福大学CS229）

• 机器学习的概率论回顾（斯坦福大学CS229）

• 概率论（美国布法罗CSE574）

• 机器学习概率论（多伦多CSC411）

微积分

• 如何理解衍生物：商数规则，指数和对数（betterexplained.com）

• 如何理解衍生品：产品，权力和连锁规则（betterexplained.com）

• 矢量微积分：了解渐变（betterexplained.com）

• 微分学（Stanford CS224n）

• 微积分概述（readthedocs.io）