本文包含了迄今為止大家公認(rèn)的優(yōu)秀教程內(nèi)容。它絕不是網(wǎng)上每個(gè)ML相關(guān)教程的詳盡列表，而是經(jīng)過(guò)精挑細(xì)選而成的，畢竟網(wǎng)上的東西并不全是好的。我作者匯總的目標(biāo)是為了補(bǔ)充我即將出版的新書(shū)，為它尋找在機(jī)器學(xué)習(xí)和NLP領(lǐng)域中找到的最佳教程。

通過(guò)這些最佳教程的匯總，我可以快速的找到我想要得到的教程。從而避免了閱讀更廣泛覆蓋范圍的書(shū)籍章節(jié)和苦惱的研究論文，你也許知道，當(dāng)你的數(shù)學(xué)功底不是很好的時(shí)候這些論文你通常是拿不下的。為什么不買書(shū)呢？沒(méi)有哪一個(gè)作者是一個(gè)全能先生。當(dāng)你嘗試學(xué)習(xí)特定的主題或想要獲得不同的觀點(diǎn)時(shí)，教程可能是非常有幫助的。

[[243905]]

我將這篇文章分為四個(gè)部分：機(jī)器學(xué)習(xí)，NLP，Python和數(shù)學(xué)。我在每個(gè)部分都包含了一些主題，但由于機(jī)器學(xué)習(xí)是一個(gè)非常復(fù)雜的學(xué)科，我不可能包含所有可能的主題。

如果有很好的教程你知道我錯(cuò)過(guò)了，請(qǐng)告訴我！我將繼續(xù)完善這個(gè)學(xué)習(xí)教程。我在挑選這些鏈接的時(shí)候，都試圖保證每個(gè)鏈接應(yīng)該具有與其他鏈接不同的材料或以不同的方式呈現(xiàn)信息（例如，代碼與幻燈片）或從不同的角度。

機(jī)器學(xué)習(xí)

從機(jī)器學(xué)習(xí)入手（machinelearningmastery.com）

機(jī)器學(xué)習(xí)很有趣！（medium.com/@ageitgey）

機(jī)器學(xué)習(xí)規(guī)則：ML工程的最佳實(shí)踐（martin.zinkevich.org）

機(jī)器學(xué)習(xí)速成課程：第一部分，第二部分，第三部分（伯克利機(jī)器學(xué)習(xí)）

機(jī)器學(xué)習(xí)理論及其應(yīng)用簡(jiǎn)介：用一個(gè)小例子進(jìn)行視覺(jué)教程（toptal.com）
機(jī)器學(xué)習(xí)的簡(jiǎn)單指南（monkeylearn.com）

我應(yīng)該使用哪種機(jī)器學(xué)習(xí)算法？（sas.com）

機(jī)器學(xué)習(xí)入門（sas.com）

初學(xué)者機(jī)器學(xué)習(xí)教程（kaggle.com/kanncaa1）

激活函數(shù)和Dropout函數(shù)

Sigmoid神經(jīng)??元（neuralnetworksanddeeplearning.com）

激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中的作用是什么？（quora.com）

神經(jīng)網(wǎng)絡(luò)中常見(jiàn)的激活函數(shù)的優(yōu)缺點(diǎn)比較列表（stats.stackexchange.com）

激活函數(shù)及其類型對(duì)比（medium.com）

理解對(duì)數(shù)損失（exegetic.biz）

損失函數(shù)（斯坦福CS231n）

L1與L2損失函數(shù)（rishy.github.io）

交叉熵成本函數(shù)（neuralnetworksanddeeplearning.com）

偏差（bias）

偏差在神經(jīng)網(wǎng)絡(luò)中的作用（stackoverflow.com）

神經(jīng)網(wǎng)絡(luò)中的偏差節(jié)點(diǎn)（makeyourownneuralnetwork.blogspot.com）

什么是人工神經(jīng)網(wǎng)絡(luò)的偏差？（quora.com）

感知器

感知器（neuralnetworksanddeeplearning.com）

感知器（natureofcode.com）

單層神經(jīng)網(wǎng)絡(luò)（感知器）（dcu.ie）

從Perceptrons到Deep Networks（toptal.com）

回歸

線性回歸分析介紹（duke.edu）

線性回歸（ufldl.stanford.edu）

線性回歸（readthedocs.io）

Logistic回歸（readthedocs.io）

機(jī)器學(xué)習(xí)的簡(jiǎn)單線性回歸教程（machinelearningmastery.com）

機(jī)器學(xué)習(xí)的Logistic回歸教程（machinelearningmastery.com）

Softmax回歸（ufldl.stanford.edu）

梯度下降

在梯度下降中學(xué)習(xí)（neuralnetworksanddeeplearning.com）

梯度下降（iamtrask.github.io）

如何理解梯度下降算法（kdnuggets.com）

梯度下降優(yōu)化算法概述（sebastianruder.com）

優(yōu)化：隨機(jī)梯度下降（斯坦福CS231n）

生成學(xué)習(xí)（Generative Learning）

生成學(xué)習(xí)算法（斯坦福CS229）

樸素貝葉斯分類器的實(shí)用解釋（monkeylearn.com）

支持向量機(jī)

支持向量機(jī)（SVM）簡(jiǎn)介（monkeylearn.com）

支持向量機(jī)（斯坦福CS229）

線性分類：支持向量機(jī)，Softmax（Stanford 231n）

反向傳播

你應(yīng)該了解的backprop（medium.com/@karpathy）

你能給出神經(jīng)網(wǎng)絡(luò)反向傳播算法的直觀解釋嗎？（github.com/rasbt）

反向傳播算法的工作原理（neuralnetworksanddeeplearning.com）

通過(guò)時(shí)間反向傳播和消失的漸變（wildml.com）

時(shí)間反向傳播的簡(jiǎn)單介紹（machinelearningmastery.com）

反向傳播，直覺(jué)（斯坦福CS231n）

深度學(xué)習(xí)

YN2深度學(xué)習(xí)指南（yerevann.com）

深度學(xué)習(xí)論文閱讀路線圖（github.com/floodsung）

Nutshell中的深度學(xué)習(xí)（nikhilbuduma.com）

深度學(xué)習(xí)教程（Quoc V.Le）

什么是深度學(xué)習(xí)？（machinelearningmastery.com）

人工智能，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間有什么區(qū)別？（nvidia.com）

深度學(xué)習(xí)–簡(jiǎn)單介紹 （gluon.mxnet.io）

最優(yōu)化和降維

數(shù)據(jù)降維減少的七種技術(shù)（knime.org）

主成分分析（斯坦福CS229）

Dropout：一種改善神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單方法（Hinton @ NIPS 2012）

如何訓(xùn)練你的深度神經(jīng)網(wǎng)絡(luò)?（rishy.github.io）

長(zhǎng)短期記憶（LSTM）

長(zhǎng)短期記憶網(wǎng)絡(luò)的通俗介紹（machinelearningmastery.com）

了解LSTM 神經(jīng)網(wǎng)絡(luò)Networks（colah.github.io）

探索LSTM（echen.me）

任何人都可以學(xué)習(xí)用Python編寫(xiě)LSTM-RNN（iamtrask.github.io）

卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積網(wǎng)絡(luò)介紹（neuralnetworksanddeeplearning.com）

深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)（medium.com/@ageitgey）

Conv Nets：模塊化視角（colah.github.io）

了解卷積（colah.github.io）

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

遞歸神經(jīng)網(wǎng)絡(luò)教程（wildml.com）

注意和增強(qiáng)的遞歸神經(jīng)網(wǎng)絡(luò)（distill.pub）

遞歸神經(jīng)網(wǎng)絡(luò)的不合理有效性（karpathy.github.io）

深入了解遞歸神經(jīng)網(wǎng)絡(luò)（nikhilbuduma.com）

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)初學(xué)者入門及其實(shí)施指南（analyticsvidhya.com）

強(qiáng)化學(xué)習(xí)教程（mst.edu）

學(xué)習(xí)強(qiáng)化學(xué)習(xí)（wildml.com）

深度強(qiáng)化學(xué)習(xí)：來(lái)自像素的乒乓球（karpathy.github.io）

生成對(duì)抗網(wǎng)絡(luò)（GAN）

對(duì)抗機(jī)器學(xué)習(xí)簡(jiǎn)介（aaai18adversarial.github.io）

什么是生成性對(duì)抗網(wǎng)絡(luò)？（nvidia.com）

濫用生成對(duì)抗網(wǎng)絡(luò)制作8位像素藝術(shù)（medium.com/@ageitgey）

Generative Adversarial Networks簡(jiǎn)介（TensorFlow中的代碼）（aylien.com）

初學(xué)者的生成對(duì)抗網(wǎng)絡(luò)（oreilly.com）

多任務(wù)學(xué)習(xí)

深度神經(jīng)網(wǎng)絡(luò)中多任務(wù)學(xué)習(xí)概述（sebastianruder.com）

NLP

自然語(yǔ)言處理很有趣?。╩edium.com/@ageitgey）

自然語(yǔ)言處理神經(jīng)網(wǎng)絡(luò)模型入門（Yoav Goldberg）

自然語(yǔ)言處理權(quán)威指南（monkeylearn.com）

自然語(yǔ)言處理簡(jiǎn)介（algorithmia.com）

自然語(yǔ)言處理教程（vikparuchuri.com）

自然語(yǔ)言處理（NLP）來(lái)自Scratch（arxiv.org）

深度學(xué)習(xí)和NLP

深度學(xué)習(xí)適用于NLP（arxiv.org）

NLP的深度學(xué)習(xí)（沒(méi)有魔法）（Richard Socher）

了解NLP的卷積神經(jīng)網(wǎng)絡(luò)（wildml.com）

深度學(xué)習(xí)、NLP、表示（colah.github.io）

最先進(jìn)的NLP模型的新深度學(xué)習(xí)公式：嵌入、編碼、參與、預(yù)測(cè)（explosion.ai）

使用Torch深度神經(jīng)網(wǎng)絡(luò)進(jìn)行自然語(yǔ)言處理（nvidia.com）

使用Pytorch進(jìn)行深度學(xué)習(xí)NLP（pytorich.org）

詞向量

使用詞袋模型解決電影評(píng)論分類（kaggle.com）

詞嵌入介紹第一部分，第二部分，第三部分（sebastianruder.com）

詞向量的驚人力量（acolyer.org）

word2vec參數(shù)學(xué)習(xí)解釋（arxiv.org）

Word2Vec教程-?Skip-Gram模型，負(fù)抽樣（mccormickml.com）

編碼器-解碼器

深度學(xué)習(xí)和NLP中的注意力機(jī)制和記憶力模型（wildml.com）

序列模型（tensorflow.org）

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行序列學(xué)習(xí)（NIPS 2014）

機(jī)器學(xué)習(xí)很有趣第五部分：深度學(xué)習(xí)的語(yǔ)言翻譯和序列的魔力（medium.com/@ageitgey）

如何使用編碼器-解碼器LSTM來(lái)回顯隨機(jī)整數(shù)序列（machinelearningmastery.com）

tf-seq2seq（google.github.io）

Python

機(jī)器學(xué)習(xí)速成課程（google.com）

令人敬畏的機(jī)器學(xué)習(xí)（github.com/josephmisiti）

使用Python掌握機(jī)器學(xué)習(xí)的7個(gè)步驟（kdnuggets.com）

一個(gè)示例機(jī)器學(xué)習(xí)筆記（nbviewer.jupyter.org）

使用Python進(jìn)行機(jī)器學(xué)習(xí)（tutorialspoint.com）

實(shí)戰(zhàn)案例

如何在Python中從頭開(kāi)始實(shí)現(xiàn)感知器算法（machinelearningmastery.com）

在Python中使用Scratch實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)（wildml.com）

使用11行代碼在Python中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)（iamtrask.github.io）

使用Python實(shí)現(xiàn)你自己的k-Nearest Neighbor算法（kdnuggets.com）

來(lái)自Scatch的ML（github.com/eriklindernoren）

Python機(jī)器學(xué)習(xí)（第2版）代碼庫(kù)（github.com/rasbt）

Scipy和numpy

Scipy講義（scipy-lectures.org）

Python Numpy教程（斯坦福CS231n）

Numpy和Scipy簡(jiǎn)介（UCSB CHE210D）

Python中的科學(xué)家速成課程（nbviewer.jupyter.org）

scikit學(xué)習(xí)

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

scikit-learn分類算法（github.com/mmmayo13）

scikit-learn教程（scikit-learn.org）

簡(jiǎn)短的scikit-learn教程（github.com/mmmayo13）

Tensorflow

Tensorflow教程（tensorflow.org）

TensorFlow簡(jiǎn)介 - CPU與GPU（medium.com/@erikhallstrm）

TensorFlow（metaflow.fr）

Tensorflow中的RNN（wildml.com）

在TensorFlow中實(shí)現(xiàn)CNN進(jìn)行文本分類（wildml.com）

如何使用TensorFlow運(yùn)行文本摘要（surmenok.com）

PyTorch

PyTorch教程（pytorch.org）

PyTorch的簡(jiǎn)單介紹（gaurav.im）

教程：PyTorch中的深度學(xué)習(xí)（iamtrask.github.io）

PyTorch示例（github.com/jcjohnson）

PyTorch教程（github.com/MorvanZhou）

深度學(xué)習(xí)研究人員的PyTorch教程（github.com/yunjey）

數(shù)學(xué)

機(jī)器學(xué)習(xí)數(shù)學(xué)（ucsc.edu）

機(jī)器學(xué)習(xí)數(shù)學(xué)（UMIACS CMSC422）

線性代數(shù)

線性代數(shù)直觀指南（betterexplained.com）

程序員對(duì)矩陣乘法的直覺(jué)（betterexplained.com）

了解Cross產(chǎn)品（betterexplained.com）

了解Dot產(chǎn)品（betterexplained.com）

用于機(jī)器學(xué)習(xí)的線性代數(shù)（布法羅大學(xué)CSE574）

用于深度學(xué)習(xí)的線性代數(shù)備忘單（medium.com）

線性代數(shù)評(píng)論與參考（斯坦福CS229）

概率論

用比率理解貝葉斯定理（betterexplained.com）

概率論入門（斯坦福CS229）

機(jī)器學(xué)習(xí)的概率論教程（斯坦福CS229）

概率論（布法羅大學(xué)CSE574）

機(jī)器學(xué)習(xí)的概率論（多倫多大學(xué)CSC411）

微積分

如何理解導(dǎo)數(shù)：商數(shù)規(guī)則，指數(shù)和對(duì)數(shù)（betterexplained.com）

如何理解導(dǎo)數(shù)：產(chǎn)品，動(dòng)力和鏈條規(guī)則（betterexplained.com）

矢量微積分：了解漸變（betterexplained.com）

微分學(xué)（斯坦福CS224n）

微積分概述（readthedocs.io）

本文由阿里云云棲社區(qū)組織翻譯。

文章原標(biāo)題《over-200-of-the-best-machine-learning-nlp-and-python-tutorials-2018-edition》

作者：Robbie Allen

譯者：虎說(shuō)八道，審校：。