机器学习

为即将发布的 Coding Train 视频和 ITP 课程准备的机器学习示例与实验。

资源属性

由于互联网上的资源在先决条件和通用可访问性方面各不相同，因此为它们添加属性会很有帮助，这样可以更容易地理解该资源在整个机器学习领域中的定位。以下是一些建议的属性（请继续补充）：

• :rainbow: = 创意
• :bowtie: = 初学者
• :sweat_smile: = 中级，有一定先决条件
• :godmode: = 高级，需要较多先决条件

目录

• 文章与帖子
• 书籍
• 课程
• 示例
• 项目
• 视频
• 资源
• 新闻通讯
• 工具
  • TensorFlow
  • t-SNE

文章与帖子

1. 重返机器学习 :rainbow: :bowtie:
2. 机器学习视觉入门 :rainbow: :bowtie:
3. 机器学习真有趣！ :bowtie:
4. 深度强化学习：从像素中玩 Pong 游戏 :rainbow:
5. 揭秘 Libratus，这款击败顶级人类玩家的扑克 AI :bowtie:
6. JavaScript 中的机器学习：简介 :bowtie:
7. 基于字符的长短期记忆循环神经网络实时控制序列生成 :sweat_smile:
8. 为什么机器学习“很难”？ :bowtie:
9. RNN 的不合理有效性 :sweat_smile:
10. colah 的博客
11. 拥有大量机器学习教程的机器学习网站 :rainbow:
12. 决策树实现初学者教程 :rainbow:
13. 机器学习初学者教程：监督学习与无监督学习 :rainbow:
14. Q 学习教程 :sweat_smile:
15. Free Code Camp 的大 O 表示法 :bowtie:
16. Ray Wenderlich 的大 O 表示法 :bowtie:
17. Interview Cake 的大 O 表示法 :bowtie:
18. Derek Banas 的 YouTube 视频：大 O 表示法 :bowtie:
19. HackerRank 的 YouTube 视频：大 O 表示法 :bowtie:
20. Python 中的随机森林 :sweat_smile:
21. CreativeAI - 关于创造力的民主化与升级 :rainbow: :bowtie:
22. 使用神经网络降低数据维度
23. 学习用于人工智能的深度架构
24. 让我们从头开始编写一个神经网络（Processing） :sweat_smile:
25. Distill - 解密机器学习研究
26. JavaScript 中的机器学习 :sweat_smile:
27. 谷歌的人工智能实验
28. Rohan & Lenny #3：循环神经网络与 LSTM :sweat_smile:
29. LSTM 的反向传播：一个数值示例 :sweat_smile:
30. 傻瓜版朴素贝叶斯；简单解释 :bowtie:
31. 伯克利大学的机器学习速成班 :bowtie: :godmode:
32. 如何解决几乎任何机器学习问题？ :sweat_smile:
33. Chris Albon 的机器学习与人工智能技术笔记 :bowtie: :sweat_smile:
34. 朴素贝叶斯与文本分类 :sweat_smile:
35. 首次接触 TensorFlow :sweat_smile:

书籍

1. 设计师的机器学习 由 Patrick Hebron 编写，配套网络研讨会：机器学习与设计的未来
2. 机器学习书籍 :rainbow:
3. 初次接触机器学习 :bowtie:
4. 使用 Python 进行自然语言处理 :sweat_smile: :bowtie:
5. 神经网络简要介绍 :sweat_smile:

课程

1. Google机器学习速成课 :bowtie:
2. Coursera - 使用TensorFlow在GCP上进行机器学习 :sweat_smile:
3. Neural Aesthetic @ SchoolOfMa，2016年夏季 :rainbow: :bowtie:
4. 面向音乐家和艺术家的机器学习，Kadenze[已安排课程] :rainbow: :bowtie:
5. 使用TensorFlow的深度学习创意应用，Kadenze[完整课程] :rainbow: :sweat_smile:
6. Coursera - 机器学习 :bowtie:
7. Coursera - 神经网络 :sweat_smile:
8. 面向编码者的实用深度学习 :bowtie:
9. 机器学习课程
10. 斯坦福大学机器学习课程
11. Udacity - 机器学习工程师[完整课程] :sweat_smile:
12. DeepMind - 大卫·西尔弗的强化学习讲座

示例

1. 深度Q强化学习演示 :bowtie:
2. 如何轻松地在视频游戏中使用Q学习 :rainbow: :bowtie:
3. K近邻 :bowtie:
4. 无限鼓机 :rainbow: :bowtie:
5. 可视化各种机器学习算法 :rainbow: :bowtie:
6. 图像到图像 - 从线条到猫咪 :rainbow:
7. 面向艺术家的循环神经网络教程 :rainbow:
8. 浏览器自动驾驶汽车,学习驾驶博客文章
9. 神经网络动物园（神经网络架构速查表）
10. 机器学习切片

项目

1. 用于IMDB情感分类的双向LSTM :sweat_smile:
2. 陆地线条
3. nnvis - 卷积神经网络的拓扑可视化 :rainbow: :bowtie:
4. char-rnn 字符级语言模型（一个花哨的文本生成器） :rainbow: :sweat_smile:
5. 机器学习项目

视频

• 强化学习
  1. 谷歌恐龙中的人工智能（英文字幕） :bowtie:
  2. 如何轻松地在视频游戏中使用Q学习 :bowtie:
• 进化算法
  1. 进化出游泳的软体生物 :rainbow: :bowtie:
  2. 利用进化创造力：在模拟物理环境中进化软体动画机器人 :rainbow: :bowtie:
  3. 用遗传算法重现图像 :bowtie:
• 深度学习
  1. ‪深度学习视频讲座‪ ‬:sweat_smile:
  2. 舍布鲁克大学神经网络课程
  3. ‪机器学习友好入门‪ ‬:bowtie:
  4. ‪深度学习和神经网络友好入门‪ ‬:bowtie:
  5. ‪卷积神经网络和图像识别友好入门‪ ‬:bowtie:
  6. ‪深度学习揭秘‪ ‬:bowtie:
  7. ‪深层神经网络的工作原理‪ ‬:bowtie:
  8. ‪卷积神经网络的工作原理‪ :bowtie:
• 人工智能
  1. MIT 6.034人工智能，2010年秋季 - 完整的课程讲座

资源

1. Awesome Machine Learning
2. ‪StackOverflow机器学习算法问答
3. 项目免费数据集
4. 面部识别数据库
5. iOS应用 - 使用@mybridge阅读提升专业技能的热门文章 - 在这里每天都能找到关于数据科学和机器学习等方面的新文章
6. 机器学习资源
7. 使用Google地图距离矩阵API的等时线
8. 最佳AI/机器学习资源索引

新闻简报

1. 数据科学
2. Data Elixir
3. 人工智能周刊
4. 数据 aspirant

工具

1. ConvNetJS - 用于训练深度学习模型（神经网络）的 JavaScript 库 :sweat_smile:
2. RecurrentJS - JavaScript 中的深度循环神经网络和 LSTM :sweat_smile:
3. AIXIjs - 运行通用强化学习（RL）智能体的 JavaScript 演示 :sweat_smile:
4. WORD2VEC :sweat_smile:
5. Neuro.js
6. Google Chrome 扩展程序，用于下载 Google 搜索中的所有图片 :bowtie: :rainbow: 1 Scikit-Learn

TensorFlow

1. Projector :sweat_smile:
2. Magenta :rainbow:
3. TensorFlow 与 Flask, 感谢 @Hebali 提供的基础流程，去掉了 TensorFlow，只保留了一个非常简单的占位符函数
4. Awesome Tensorflow - 精选的 TensorFlow 教程列表

TensorFlow 相关文章

1. 深度学习重大新闻：Google TensorFlow 选择 Keras
2. 简单的端到端 TensorFlow 示例
3. TensorFlow 官网入门指南:bowtie:

t-SNE

1. t-SNE :sweat_smile:
2. t-SNE :sweat_smile:
3. t-SNE 算法的图解介绍
4. 使用 t-SNE 可视化数据 :rainbow:

Machine-Learning 资源库快速上手指南

简介

本仓库（Machine-Learning）并非一个可直接安装的软件库或框架，而是由 Coding Train 维护的机器学习学习资源索引。它汇集了适合初学者到高级开发者的文章、书籍、课程、代码示例和项目链接，特别侧重于创意编码（Creative Coding）和艺术应用。

本指南将指导你如何利用该仓库开始你的机器学习学习之旅。

环境准备

由于本仓库主要是资源列表，无需特定的系统环境即可浏览。但为了运行其中推荐的代码示例（通常基于 Python 或 JavaScript），建议准备以下基础环境：

系统要求

• 操作系统：Windows / macOS / Linux
• 浏览器：现代浏览器（Chrome, Firefox, Edge）用于查看在线演示和教程

前置依赖（针对实操练习）

大多数示例涉及以下技术栈，建议提前安装：

1. Python 环境 (推荐版本 3.8+)
   • 用于运行 TensorFlow, Keras, PyTorch 等示例。
2. Node.js (可选)
   • 用于运行部分 JavaScript/Processing.js 相关的创意编码示例。
3. Git
   • 用于克隆具体的示例项目代码。

安装 Python 示例 (使用国内镜像源加速):

# Windows/macOS/Linux 通用建议：前往 python.org 下载或使用包管理器
# 国内用户推荐使用清华源配置 pip
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

获取与浏览步骤

本仓库的核心价值在于其分类整理的资源列表。你可以通过以下步骤开始学习：

1. 访问仓库

直接访问 GitHub 页面浏览目录：

• 地址: https://github.com/CodingTrain/Machine-Learning

2. 选择学习路径

根据 README 中的难度标识选择适合你的资源：

• 🌈 :rainbow: Creative - 创意类项目，适合艺术家和设计师。
• 👔 :bowtie: Beginner - 入门级，无需深厚数学背景。
• 😅 :sweat_smile: Intermediate - 进阶级，需要一定编程和数学基础。
• 😎 :godmode: Advanced - 高级，需要大量前置知识。

3. 克隆具体示例项目 (实操)

当你找到感兴趣的具体项目链接（例如 char-rnn 或 q_learning_demo）时，通常需要克隆该项目到本地运行。

通用克隆命令：

git clone <项目仓库的 URL>
cd <项目文件夹名称>

安装该项目特定依赖（以 Python 项目为例）：

# 进入项目目录后
pip install -r requirements.txt

基本使用示例

假设你对 "强化学习 (Reinforcement Learning)" 感兴趣，并希望运行一个简单的演示：

第一步：定位资源

在仓库的 Examples 或 Videos 部分找到：

• 项目名：How to use Q Learning in Video Games Easily
• 难度：👔 (:bowtie: Beginner) / 🌈 (:rainbow: Creative)
• 链接指向：https://github.com/llSourcell/q_learning_demo

第二步：获取代码

在终端执行：

git clone https://github.com/llSourcell/q_learning_demo.git
cd q_learning_demo

第三步：运行示例

根据该项目具体的 README 指示运行（通常为 Python 脚本）：

# 安装依赖
pip install -r requirements.txt

# 运行演示
python demo.py

(注：具体文件名需参考该项目内部的说明)

第四步：深入学习

回到主仓库，点击对应的 Courses 链接（如 Google 的 Machine Learning Crash Course 或 Coursera 专项课程），系统性地补充理论知识。

---

提示：本仓库是动态更新的索引，建议将其加入书签，定期查看新的 Articles & Posts 和 Tools 更新。