• 《Brief History of Machine Learning》

介紹:這是一篇介紹機器學(xué)習(xí)歷史的文章，介紹很全面，從感知機、神經(jīng)網(wǎng)絡(luò)、決策樹、SVM、Adaboost 到隨機森林、Deep Learning.

• 《Deep Learning in Neural Networks: An Overview》

介紹:這是瑞士人工智能實驗室 Jurgen Schmidhuber 寫的***版本《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)綜述》本綜述的特點是以時間排序，從 1940 年開始講起，到 60-80 年代，80-90 年代，一直講到 2000 年后及最近幾年的進展。涵蓋了 deep learning 里各種 tricks，引用非常全面.

• 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》

介紹:這是一份 python 機器學(xué)習(xí)庫，如果您是一位 python 工程師而且想深入機器學(xué)習(xí).那么這篇文章或許能夠幫助到你.

• 《How to Layout and Manage Your Machine Learning Project》

介紹:這一篇介紹如果設(shè)計和管理屬于你自己的機器學(xué)習(xí)項目的文章，里面提供了管理模版、數(shù)據(jù)管理與實踐方法.

• 《Machine Learning is Fun!》

介紹:如果你還不知道什么是機器學(xué)習(xí)，或則是剛剛學(xué)習(xí)感覺到很枯燥乏味。那么推薦一讀。這篇文章已經(jīng)被翻譯成中文，如果有興趣可以移步 http://blog.jobbole.com/67616/

• 《R語言參考卡片》

介紹:R語言是機器學(xué)習(xí)的主要語言，有很多的朋友想學(xué)習(xí)R語言，但是總是忘記一些函數(shù)與關(guān)鍵字的含義。那么這篇文章或許能夠幫助到你

• 《Choosing a Machine Learning Classifier》

介紹:我該如何選擇機器學(xué)習(xí)算法，這篇文章比較直觀的比較了 Naive Bayes，Logistic Regression，SVM，決策樹等方法的優(yōu)劣，另外討論了樣本大小、Feature 與 Model 權(quán)衡等問題。此外還有已經(jīng)翻譯了的版本:http://www.52ml.net/15063.html

• 《An Introduction to Deep Learning: From Perceptrons to Deep Networks》

介紹：深度學(xué)習(xí)概述：從感知機到深度網(wǎng)絡(luò)，作者對于例子的選擇、理論的介紹都很到位，由淺入深。翻譯版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html

• 《The LION Way: Machine Learning plus Intelligent Optimization》

介紹:<機器學(xué)習(xí)與優(yōu)化>這是一本機器學(xué)習(xí)的小冊子， 短短 300 多頁道盡機器學(xué)習(xí)的方方面面. 圖文并茂， 生動易懂， 沒有一坨坨公式的煩惱. 適合新手入門打基礎(chǔ)， 也適合老手溫故而知新. 比起 MLAPP/PRML 等大部頭， 也許這本你更需要!具體內(nèi)容推薦閱讀:http://intelligent-optimization.org/LIONbook/

• 《深度學(xué)習(xí)與統(tǒng)計學(xué)習(xí)理論》

介紹:作者是來自百度，不過他本人已經(jīng)在 2014 年 4 月份申請離職了。但是這篇文章很不錯如果你不知道深度學(xué)習(xí)與支持向量機/統(tǒng)計學(xué)習(xí)理論有什么聯(lián)系？那么應(yīng)該立即看看這篇文章.

• 《計算機科學(xué)中的數(shù)學(xué)》

介紹:這本書是由谷歌公司和 MIT 共同出品的計算機科學(xué)中的數(shù)學(xué)：Mathematics for Computer Science，Eric Lehman et al 2013 。分為 5 大部分：1）證明，歸納。2）結(jié)構(gòu)，數(shù)論，圖。3）計數(shù)，求和，生成函數(shù)。4）概率，隨機行走。5）遞歸。等等

• 《數(shù)據(jù)科學(xué)入門》

介紹:這是一本由雪城大學(xué)新編的第二版《數(shù)據(jù)科學(xué)入門》教材：偏實用型，淺顯易懂，適合想學(xué)習(xí)R語言的同學(xué)選讀。

• 《Twenty Questions for Donald Knuth》

介紹:這并不是一篇文檔或書籍。這是篇向圖靈獎得主 Donald Knuth 提問記錄稿： 近日， Charles Leiserson, Al Aho, Jon Bentley 等大神向 Knuth 提出了 20 個問題，內(nèi)容包括 TAOCP，P/NP 問題，圖靈機，邏輯，以及為什么大神不用電郵等等。

• 《Automatic Construction and Natural-Language Description of Nonparametric Regression Models》

介紹：不會統(tǒng)計怎么辦？不知道如何選擇合適的統(tǒng)計模型怎么辦？那這篇文章你的好好讀一讀了麻省理工 Joshua B. Tenenbaum 和劍橋 Zoubin Ghahramani 合作，寫了一篇關(guān)于 automatic statistician 的文章。可以自動選擇回歸模型類別，還能自動寫報告...

• 《ICLR 2014 論文集》

介紹:對深度學(xué)習(xí)和 representation learning ***進展有興趣的同學(xué)可以了解一下

• 《Introduction to Information Retrieval》

介紹：這是一本信息檢索相關(guān)的書籍，是由斯坦福 Manning 與谷歌副總裁 Raghavan 等合著的 Introduction to Information Retrieval 一直是北美***的信息檢索教材之一。最近作者增加了該課程的幻燈片和作業(yè)。IR 相關(guān)資源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html

• 《Machine learning in 10 pictures》

介紹:Deniz Yuret 用 10 張漂亮的圖來解釋機器學(xué)習(xí)重要概念：1. Bias/Variance Tradeoff 2. Overfitting 3. Bayesian / Occam's razor 4. Feature combination 5. Irrelevant feature 6. Basis function 7. Discriminative / Generative 8. Loss function 9. Least squares 10. Sparsity. 很清晰

• 《雅虎研究院的數(shù)據(jù)集匯總》

介紹：雅虎研究院的數(shù)據(jù)集匯總： 包括語言類數(shù)據(jù)，圖與社交類數(shù)據(jù)，評分與分類數(shù)據(jù)，計算廣告學(xué)數(shù)據(jù)，圖像數(shù)據(jù)，競賽數(shù)據(jù)，以及系統(tǒng)類的數(shù)據(jù)。

• 《An Introduction to Statistical Learning with Applications in R》

介紹：這是一本斯坦福統(tǒng)計學(xué)著名教授 Trevor Hastie 和 Robert Tibshirani 的新書，并且在 2014 年一月已經(jīng)開課：https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

• Best Machine Learning Resources for Getting Started

介紹：機器學(xué)習(xí)***入門學(xué)習(xí)資料匯總是專為機器學(xué)習(xí)初學(xué)者推薦的優(yōu)質(zhì)學(xué)習(xí)資源，幫助初學(xué)者快速入門。而且這篇文章的介紹已經(jīng)被翻譯成中文版。如果你不怎么熟悉，那么我建議你先看一看中文的介紹。

• My deep learning reading list

介紹:主要是順著 Bengio 的 PAMI review 的文章找出來的。包括幾本綜述文章，將近 100 篇論文，各位山頭們的 Presentation。全部都可以在 google 上找到。

• Cross-Language Information Retrieval

介紹：這是一本書籍，主要介紹的是跨語言信息檢索方面的知識。理論很多

• 探索推薦引擎內(nèi)部的秘密，第 1 部分: 推薦引擎初探

介紹:本文共有三個系列，作者是來自 IBM 的工程師。它主要介紹了推薦引擎相關(guān)算法，并幫助讀者高效的實現(xiàn)這些算法。探索推薦引擎內(nèi)部的秘密，第 2 部分: 深入推薦引擎相關(guān)算法 - 協(xié)同過濾,探索推薦引擎內(nèi)部的秘密，第 3 部分: 深入推薦引擎相關(guān)算法 - 聚類

• 《Advice for students of machine learning》

介紹：康奈爾大學(xué)信息科學(xué)系助理教授 David Mimno 寫的《對機器學(xué)習(xí)初學(xué)者的一點建議》， 寫的挺實際，強調(diào)實踐與理論結(jié)合，***還引用了馮 · 諾依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."

• 分布式并行處理的數(shù)據(jù)

介紹：這是一本關(guān)于分布式并行處理的數(shù)據(jù)《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》，作者是斯坦福的 James L. McClelland。著重介紹了各種神級網(wǎng)絡(luò)算法的分布式實現(xiàn)，做 Distributed Deep Learning 的童鞋可以參考下

• 《“機器學(xué)習(xí)”是什么？》

介紹:【“機器學(xué)習(xí)”是什么？】John Platt 是微軟研究院杰出科學(xué)家，17 年來他一直在機器學(xué)習(xí)領(lǐng)域耕耘。近年來機器學(xué)習(xí)變得炙手可熱，Platt 和同事們遂決定開設(shè)博客，向公眾介紹機器學(xué)習(xí)的研究進展。機器學(xué)習(xí)是什么，被應(yīng)用在哪里？來看 Platt 的這篇博文

• 《2014 年國際機器學(xué)習(xí)大會 ICML 2014 論文》

介紹：2014 年國際機器學(xué)習(xí)大會（ICML）已經(jīng)于 6 月 21-26 日在國家會議中心隆重舉辦。本次大會由微軟亞洲研究院和清華大學(xué)聯(lián)手主辦，是這個有著 30 多年歷史并享譽世界的機器學(xué)習(xí)領(lǐng)域的盛會***來到中國，已成功吸引海內(nèi)外 1200 多位學(xué)者的報名參與。干貨很多，值得深入學(xué)習(xí)下

• 《Machine Learning for Industry: A Case Study》

介紹：這篇文章主要是以 Learning to Rank 為例說明企業(yè)界機器學(xué)習(xí)的具體應(yīng)用，RankNet 對 NDCG 之類不敏感，加入 NDCG 因素后變成了 LambdaRank，同樣的思想從神經(jīng)網(wǎng)絡(luò)改為應(yīng)用到 Boosted Tree 模型就成就了 LambdaMART。Chirs Burges，微軟的機器學(xué)習(xí)大神，Yahoo 2010 Learning to Rank Challenge ***名得主，排序模型方面有 RankNet，LambdaRank，LambdaMART，尤其以 LambdaMART 最為突出，代表論文為： From RankNet to LambdaRank to LambdaMART: An Overview 此外，Burges 還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

介紹:100 Best GitHub: Deep Learning

• 《UFLDL-斯坦福大學(xué) Andrew Ng 教授“Deep Learning”教程》

介紹:本教程將闡述無監(jiān)督特征學(xué)習(xí)和深度學(xué)習(xí)的主要觀點。通過學(xué)習(xí)，你也將實現(xiàn)多個功能學(xué)習(xí)/深度學(xué)習(xí)算法，能看到它們?yōu)槟愎ぷ?，并學(xué)習(xí)如何應(yīng)用/適應(yīng)這些想法到新問題上。本教程假定機器學(xué)習(xí)的基本知識（特別是熟悉的監(jiān)督學(xué)習(xí)，邏輯回歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這里機器學(xué)習(xí)課程，并先完成第 II，III，IV 章（到邏輯回歸）。此外這關(guān)于這套教程的源代碼在 github 上面已經(jīng)有 python 版本了 UFLDL Tutorial Code

*《Deep Learning for Natural Language Processing and Related Applications》

介紹:這份文檔來自微軟研究院，精髓很多。如果需要完全理解，需要一定的機器學(xué)習(xí)基礎(chǔ)。不過有些地方會讓人眼前一亮，毛塞頓開。

• Understanding Convolutions

介紹:這是一篇介紹圖像卷積運算的文章，講的已經(jīng)算比較詳細的了

• 《Machine Learning Summer School》

介紹：每天請一個大牛來講座，主要涉及機器學(xué)習(xí)，大數(shù)據(jù)分析，并行計算以及人腦研究。https://www.youtube.com/user/smolix 

• 《Awesome Machine Learning》

介紹：一個超級完整的機器學(xué)習(xí)開源庫總結(jié)，如果你認為這個碉堡了，那后面這個列表會更讓你驚訝：【Awesome Awesomeness】，國內(nèi)已經(jīng)有熱心的朋友進行了翻譯中文介紹

• 斯坦福《自然語言處理》課程視頻

介紹:ACL 候任主席、斯坦福大學(xué)計算機系 Chris Manning 教授的《自然語言處理》課程所有視頻已經(jīng)可以在斯坦福公開課網(wǎng)站上觀看了（如 Chrome 不行，可用 IE 觀看） 作業(yè)與測驗也可以下載。

• 《Deep Learning and Shallow Learning》

介紹:對比 Deep Learning 和 Shallow Learning 的好文，來著浙大畢業(yè)、MIT 讀博的 Chiyuan Zhang 的博客。

• 《Recommending music on Spotify with deep learning》

介紹:利用卷積神經(jīng)網(wǎng)絡(luò)做音樂推薦。

• 《Neural Networks and Deep Learning》

介紹：神經(jīng)網(wǎng)絡(luò)的免費在線書，已經(jīng)寫了三章了，還有對應(yīng)的開源代碼：https://github.com/mnielsen/neural-networks-and-deep-learning 愛好者的福音。

• 《Java Machine Learning》

介紹：Java 機器學(xué)習(xí)相關(guān)平臺和開源的機器學(xué)習(xí)庫，按照大數(shù)據(jù)、NLP、計算機視覺和 Deep Learning 分類進行了整理?？雌饋硗θ?，Java 愛好者值得收藏。

• 《Machine Learning Theory: An Introductory Primer》

介紹：機器學(xué)習(xí)最基本的入門文章，適合零基礎(chǔ)者

• 《機器學(xué)習(xí)常見算法分類匯總》

介紹：機器學(xué)習(xí)的算法很多。很多時候困惑人們都是，很多算法是一類算法，而有些算法又是從其他算法中延伸出來的。這里，我們從兩個方面來給大家介紹，***個方面是學(xué)習(xí)的方式，第二個方面是算法的類似性。

• 《機器學(xué)習(xí)經(jīng)典論文/survey 合集》

介紹：看題目你已經(jīng)知道了是什么內(nèi)容，沒錯。里面有很多經(jīng)典的機器學(xué)習(xí)論文值得仔細與反復(fù)的閱讀。

• 《機器學(xué)習(xí)視頻庫》

介紹：視頻由加州理工學(xué)院（Caltech）出品。需要英語底子。

• 《機器學(xué)習(xí)經(jīng)典書籍》

介紹：總結(jié)了機器學(xué)習(xí)的經(jīng)典書籍，包括數(shù)學(xué)基礎(chǔ)和算法理論的書籍，可做為入門參考書單。

• 《16 Free eBooks On Machine Learning》

介紹:16 本機器學(xué)習(xí)的電子書，可以下載下來在 pad，手機上面任意時刻去閱讀。不多我建議你看完一本再下載一本。

• 《A Large set of Machine Learning Resources for Beginners to Mavens》

介紹:標(biāo)題很大，從新手到專家。不過看完上面所有資料?？隙ㄊ菍＜伊?/p>

• 《機器學(xué)習(xí)***入門學(xué)習(xí)資料匯總》

介紹：入門的書真的很多，而且我已經(jīng)幫你找齊了。

• 《Sibyl》

介紹：Sibyl 是一個監(jiān)督式機器學(xué)習(xí)系統(tǒng)，用來解決預(yù)測方面的問題，比如 YouTube 的視頻推薦。

• 《Deep Learning》

介紹：Yoshua Bengio, Ian Goodfellow， Aaron Courville 著

• 《Neural Network & Text Mining》

介紹:關(guān)于(Deep) Neural Networks 在 NLP 和 Text Mining 方面一些 paper 的總結(jié)

• 《前景目標(biāo)檢測1（總結(jié)）》

介紹:計算機視覺入門之前景目標(biāo)檢測1（總結(jié)）

• 《行人檢測》

介紹:計算機視覺入門之行人檢測

• 《Deep Learning – important resources for learning and understanding》

介紹:Important resources for learning and understanding . Is awesome

• 《Machine Learning Theory: An Introductory Primer》

介紹:這又是一篇機器學(xué)習(xí)初學(xué)者的入門文章。值得一讀

• 《Neural Networks and Deep Learning》

介紹:在線 Neural Networks and Deep Learning 電子書

• 《Python 網(wǎng)頁爬蟲 & 文本處理 & 科學(xué)計算 & 機器學(xué)習(xí) & 數(shù)據(jù)挖掘兵器譜》

介紹:python 的 17 個關(guān)于機器學(xué)習(xí)的工具

• 《神奇的伽瑪函數(shù)(上)》

介紹:下集在這里神奇的伽瑪函數(shù)(下)

• 《分布式機器學(xué)習(xí)的故事》

介紹:作者王益目前是騰訊廣告算法總監(jiān)，王益博士畢業(yè)后在 google 任研究。這篇文章王益博士 7 年來從谷歌到騰訊對于分布機器學(xué)習(xí)的所見所聞。值得細讀

• 《機器學(xué)習(xí)提升之道（Level-Up Your Machine Learning）》

介紹:把機器學(xué)習(xí)提升的級別分為0~4 級，每級需要學(xué)習(xí)的教材和掌握的知識。這樣，給機器學(xué)習(xí)者提供一個上進的路線圖，以免走彎路。另外，整個網(wǎng)站都是關(guān)于機器學(xué)習(xí)的，資源很豐富。

• 《Machine Learning Surveys》

介紹:機器學(xué)習(xí)各個方向綜述的網(wǎng)站

• 《Deep Learning Reading list》

介紹:深入學(xué)習(xí)閱資源列表

• 《Deep Learning: Methods and Applications》

介紹：這是一本來自微的研究員 li Peng 和 Dong Yu 所著的關(guān)于深入學(xué)習(xí)的方法和應(yīng)用的電子書

• 《Machine Learning Summer School 2014》

介紹:2014 年七月 CMU 舉辦的機器學(xué)習(xí)夏季課剛剛結(jié)束有近 50 小時的視頻、十多個 PDF 版幻燈片，覆蓋深度學(xué)習(xí)，貝葉斯，分布式機器學(xué)習(xí)，伸縮性等熱點話題。所有 13 名講師都是牛人：包括大牛 Tom Mitchell （他的［機器學(xué)習(xí)］是名校的常用教材），還有 CMU 李沐 .（1080P 高清喲）

• 《Sibyl: 來自 Google 的大規(guī)模機器學(xué)習(xí)系統(tǒng)》

介紹:在今年的 IEEE/IFIP 可靠系統(tǒng)和網(wǎng)絡(luò)（DSN）國際會議上，Google 軟件工程師 Tushar Chandra 做了一個關(guān)于 Sibyl 系統(tǒng)的主題演講。 Sibyl 是一個監(jiān)督式機器學(xué)習(xí)系統(tǒng)，用來解決預(yù)測方面的問題，比如 YouTube 的視頻推薦。詳情請閱讀 google sibyl

• 《Building a deeper understanding of images》

介紹:谷歌研究院的 Christian Szegedy 在谷歌研究院的博客上簡要地介紹了他們今年參加 ImageNet 取得好成績的 GoogLeNet 系統(tǒng).是關(guān)于圖像處理的。

• 《Bayesian network 與 python 概率編程實戰(zhàn)入門》

介紹:貝葉斯學(xué)習(xí)。如果不是很清可看看概率編程語言與貝葉斯方法實踐

• 《AMA: Michael I Jordan》

介紹:網(wǎng)友問伯克利機器學(xué)習(xí)大牛、美國雙料院士 Michael I. Jordan："如果你有 10 億美金，你怎么花？Jordan: "我會用這 10 億美金建造一個 NASA 級別的自然語言處理研究項目。"

• 《機器學(xué)習(xí)&數(shù)據(jù)挖掘筆記_16（常見面試之機器學(xué)習(xí)算法思想簡單梳理）》

介紹:常見面試之機器學(xué)習(xí)算法思想簡單梳理

• 《文本與數(shù)據(jù)挖掘視頻匯總》

介紹：Videolectures 上***的 25 個文本與數(shù)據(jù)挖掘視頻匯總

• 《怎么選擇深度學(xué)習(xí)的 GPUs》

介紹:在 Kaggle 上經(jīng)常取得不錯成績的 Tim Dettmers 介紹了他自己是怎么選擇深度學(xué)習(xí)的 GPUs, 以及個人如何構(gòu)建深度學(xué)習(xí)的 GPU 集群: http://t.cn/RhpuD1G

• 《對話機器學(xué)習(xí)大神 Michael Jordan：深度模型》

介紹:對話機器學(xué)習(xí)大神 Michael Jordan