| kaggle比赛 |
|
| Advice for applying Machine Learning |
|
| 数据科学的完整学习路径（Python版） |
|
| 机器学习&数据挖掘笔记 (常见面试之机器学习算法思想简单梳理) |
|
| 技术向：一文读懂卷积神经网络 |
|
| 一个简单的拼写检查器 |
|
| A Programmer's Guide to Data Mining |
|
| 我爱计算机 |
|
| DMLC for Scalable and Reliable Machine Learning |
|
| 初学者如何查阅自然语言处理（NLP）领域学术资料 |
|
| WILDML AI, DEEP LEARNING, NLP |
|
| 【(Python)人人都能写LSTM-RNN(实例教程)】《Anyone Can Learn To Code an LSTM-RNN in Python》 |
|
| 模型选择的一些基本思想和方法 |
|
| Deep Learning Tutorial |
ufldl出了新的教程，感觉比之前的好很多。从基础讲起，系统清晰。链接是 Unsupervised Feature Learning and Deep Learning Tutorial我最近在学习，并做了一些笔记和编程作业。欢迎参考 http://blog.csdn.net/lingerlanlan感觉这个教程特别适合初学者。 |
| Modern Methods for Sentiment Analysis |
|
| End-to-End Deep Learning Tutorial (0.0392) |
|
| “分布式机器学习的故事”系列分享 |
|
| Implementing a Neural Network from Scratch in Python – An Introduction |
|
| 从算法到案例：推荐系统必读的10篇精选技术文章 |
|
| 牛津大学的机器学习课程 |
有video和slides |
| Guide to an in-depth understanding of logistic regression |
|
| Awesome XGBoost |
|
| 美团技术团队 |
|
| Logistic Regression 模型简介 |
|
| CSE 255: Dahta Mining and Predictive Analytics |
在推荐系统做出新颖工作的Julian McAuley研究生课程《数据挖掘和预测分析》，无需机器学习背景，但需要优化和线性代数基础，所有代码示例都是Python。第一部分是机器学习算法和数据挖掘方法：分类、回归和降维，第二部分是应用：推荐系统、在线广告、网络分析、文本挖掘、时序分析 |
| 【投稿】一位算法师工程师的Spark机器学习笔记：构建一个简单的推荐系统 |
|
| Monte Carlo Tree Search |
|
| Logistic Regression Vs Decision Trees Vs SVM: Part I |
|
| Logistic Regression vs Decision Trees vs SVM: Part II |
|
| A Step by Step Backpropagation Example |
|
| CS224d: Deep Learning for Natural Language Processing |
|
| Explained Visually |
【机器学习】这是一个通过动画、可视化方法形象介绍机器学习的网站：http://t.cn/R7FWWkk 包括最小二乘、主元分析、图像核函数、特征向量特征值、Pi、Sine和Cosine函数、马尔科夫链等 |
| What would be your advice to a software engineer who wants to learn machine learning? |
分享一个CMU机器学习系著名教授Alex Smola在Quora对于《程序员如何学习Machine Learning》的建议：Alex推荐了不少关于线性代数、优化、系统、和统计领域的经典教材和资料。 |
| How can I become a data scientist? |
|
| 微博严选第一期: 几门机器学习、深度学习相关课程 |
|
| 深度 邢波教授谈人工智能科学路径：为人工智能装上「无穷动」引擎 |
|
| 以什么姿势进入DataMining会少走弯路？ |
|
| Foundations of Data Science — Spring 2016 |
|
| Comparison of Gradient Descent, Stochastic Gradient Descent and L-BFGS |
|
| 深度点评亚马逊、微软、谷歌、IBM 等 6 大机器学习云 |
|
| 知道创宇研发技能表v3.1 |
|
| ICML2016 tutorial |
|
| CS 294-131: Special Topics in Deep Learning Fall, 2016 |
|
| Deep Learning Book |
|
| 有哪些LSTM(Long Short Term Memory)和RNN(Recurrent)网络的教程？ |
|
| Let’s make a DQN: Double Learning and Prioritized Experience Replay |
|
| 闲聊DNN CTR预估模型 |
|
| Word2vec: What are some interesting Word2Vec results? |
Quora上的主题，讨论Word2Vec的有趣应用，Omer Levy提到了他在CoNLL2014最佳论文里的分析结果和新方法，Daniel Hammack给出了找特异词的小应用并提供了(Python)代码 |
| word2vec梯度推导详解 |
|
| 深度学习word2vec笔记之基础篇 |
|
| 深度学习word2vec笔记之算法篇 |
|
| CS231n: Convolutional Neural Networks for Visual Recognition |
|
| 美团王兴星:在线学习在广告系统的应用 |
|
| CS224d: Deep Learning for Natural Language Processing |
|
| 智能单元 |
|
| 计算广告干货整理 |
|
| Image Segmentation with Tensorflow using CNNs and Conditional Random Fields |
|
| fast ai |
|
| UCL Course on RL |
最近看几门 Reinforcement Learning 的课，包括 （1）Udacity 上 Michael Littman 的课 （2）UC Berkeley Pieter Abbeel 教授的 cs188 （3）AlphaGo 作者 David Silver 的公开课, 对比之下还是AlphaGo作者的课质量远高于其他人。 |
| 大数据：“人工特征工程+线性模型”的尽头 |
|
| 【牛津课程：深度学习NLP(2017)】《Deep Learning for Natural Language Processing》by Phil Blunsom [Oxford] |
课程资料 |
| 深度学习简介与学习资料参考 |
很好的参考资料 |
| TensorFlow Image Recognition on a Raspberry Pi |
系列文章 |
| What is the class of this image ? Discover the current state of the art in objects classification. |
|
| PaddlePaddle/book |
深度学习入门，使用paddlepaddle学习深度学习，有数据，有代码； |
| Deep Learning Resources |
列举了一些相关课程及资源，值得参考； |
| arXiv sanitizer |
This code is currently running live at www.arxiv-sanity.com/, where it's serving 25,000+ Arxiv papers from Machine Learning (cs.[CV |
| reddit on ml |
|
| CS 294: Deep Reinforcement Learning, Spring 2017 |
CS 294：深度增强学习，2017年春季学期 |
| 斯坦福大学机器学习个人笔记完整版（附所有视频和字幕） |
cousera ng machine learning notes |
| 我花了一年时间来学机器学习 |
一些经验之谈，可以看看 |
| Tinker With a Neural Network Right Here in Your Browser |
|
| 数学公式的英文读法 |
|
| 深度学习岗位面试问题整理笔记 |
|
| 令人拍案叫绝的Wasserstein GAN |
|
| 博士这五年——李沐 |
|
| TensorFlow and deep learning, without PhD(google) |
google出品 |
| A Kaggle Master Explains Gradient Boosting |
|
| [A Neural Network in 11 lines of Python (Part 1)](A Neural Network in 11 lines of Python (Part 1)) |
|
| [Anyone Can Learn To Code an LSTM-RNN in Python (Part 1: RNN)](Anyone Can Learn To Code an LSTM-RNN in Python (Part 1: RNN)) |
|
| Google软件工程师解读：深度学习的activation function哪家强？ |
|
| CS 294: Deep Reinforcement Learning, Spring 2017 |
|
| GAN学习指南：从原理入门到制作生成Demo，总共分几步？ |
|
| Understanding Deep Learning Models in NLP |
|
| Python Top 10 Articles for the Past Year (v.2017) |
|
| Min Yang (杨敏) |
|
| 深度学习：2016年的进展综述及2017年的预测 |
|
| MovieLens |
电影打分数据集 |
| Software Engineering at Google |
|
| 从算法到案例：推荐系统必读的10篇精选技术文章 |
|
| Machine Learning is Fun! The world’s easiest introduction to Machine Learning |
|
| 6.S094: Deep Learning for Self-Driving Cars |
|
| Text Classification, Part I - Convolutional Networks |
|
| 文章索引::”机器学习方法“，"深度学习方法"原创系列 |
|
| 个性化推荐是不是伪命题 |
探讨了个性化推荐里面的EE问题 |
| 论推荐系统的Exploitation和Exploration |
|
| Semantic Question Matching with Deep Learning |
|
| Image-to-Image Demo |
code |
| 迎接自然语言处理新时代 |
|
| 普林斯顿大学教授Sanjeev Arora近日发表了一篇文章O网页链接 来简单介绍BP如何运行。这篇文章浅显易懂，比很多类似的Tutorial都要更加直观。 |
|
| 可视化概率及统计学 |
对于学习统计与概率，我发现很多学生的障碍在于无法理解抽象的数学表达。最近常春藤名校布朗大学推出了一个非常棒的可视化概率及统计的学习网站，帮助学生交互式地学习概率及统计学基本概念。O网页链接 强烈推荐！ |
| Recent Advances in Distributed Machine Learning |
微软亚洲研究院的刘铁岩等人近日在AAAI2017上做的有关优化以及大规模机器学习的Tutorial，"Recent Advances in Distributed Machine Learning"（Slides:O网页链接）很值得一看。里面对传统的优化算法，特别是一些理论特性以及分布式算法的相应理论特性都有一个比较详尽的总结。非常适合想快速了解这些领域的学者和工程师。另外，这个Tutorial还介绍了DMTK的一些情况，作为一个分布式计算平台的优缺点，还顺带比较了Spark和TensorFlow等流行框架。 |
| kaggle solutions |
What are the best Kaggle solution blogs to learn machine learning? |
