机器学习资源 (Machine Learning Resources)

本项目已更新，请移步到这里参与我们最新的机器学习开源项目。

快速入门指南：

• 周志华的《机器学习》作为通读教材，无需深入，从宏观上了解机器学习

• 李航的《统计学习方法》作为经典的深入案例，仔细研究几个算法的来龙去脉 | 书中的代码实现

• 使用 Python 语言，根据《机器学习实战》快速上手写程序

• 吴恩达的最新深度学习课程资源：https://www.jiqizhixin.com/articles/2018-06-21-6

• 参照 YouTube 机器学习红人 Sir

机器学习 Machine Learning

台湾大学应用深度学习课程

• 神经网络，机器学习，算法，人工智能等 30 门免费课程详细清单

• 斯坦福机器学习入门课程，讲师为 Andrew Ng，适合数学基础一般的人，适合入门，但是学完会发现只是懂个大概，也就相当于什么都不懂。省略了很多机器学习的细节

• Neural Networks for Machine Learning, Coursera 上的著名课程，由 Geoffrey Hinton 教授主讲。

• Stanford CS 229, Andrew Ng 机器学习课无阉割版，Notes 比较详细

• CMU 10-702 Statistical Machine Learning, 讲师是 Larry Wasserman，应该是统计系开的机器学习，非常数学化，第一节课就提到了 RKHS(Reproducing Kernel Hilbert Space),建议数学出身的同学看或者是学过实变函数泛函分析的人看一看

• CMU 10-715 Advanced Introduction to Machine Learning，同样是 CMU phd 级别的课，节奏快难度高

• 机器学习基石（适合入门）。国立台湾大学 林轩田

• 机器学习技法（适合提高）。国立台湾大学 林轩田

• Machine Learning for Data Analysis, Coursera 上 Wesleyan 大学的 Data Analysis and Interpretation 专项课程第四课。

• Max Planck Institute for Intelligent Systems Tübingen德国马普所智能系统研究所 2013 的机器学习暑期学校视频,仔细翻这个频道还可以找到 2015 的暑期学校视频

• 知乎 Live：我们一起开始机器学习吧，机器学习入门之特征工程

深度学习 Deep Learning

• 斯坦福大学 Feifei Li 教授的 CS231n 系列深度学习课程。Feifei Li 目前是 Google 的科学家，深度学习与图像识别方面的大牛。这门课的笔记可以看 这里。

• CS224n: Natural Language Processing. 课程讲师：Chris Manning, Richard Socher.

强化学习 Reinforcement Learning

• CS 294 Deep Reinforcement Learning, Fall 2017. 课程讲师：Sergey Levine, John Schulman, Chelsea Finn.

• UCL Course on RL

• CS234: Reinforcement Learning. 暂无视频

---

参考书籍 Reference Books

• Hands on Machine Learning with Scikit-learn and Tensorflow

• 入门读物 The Elements of Statistical Learning(英文第二版),The Elements of Statistical Learning.pdf

• 机器学习, (@Prof. Zhihua Zhou/周志华教授)

• 统计学习方法, (@Dr. Hang Li/李航博士)

• 一些 Kindle 读物:

  • 利用 Python 进行数据分析

  • 跟老齐学 Python：从入门到精通

  • Python 与数据挖掘 (大数据技术丛书) - 张良均

  • Python 学习手册

  • Python 性能分析与优化

  • Python 数据挖掘入门与实践

  • Python 数据分析与挖掘实战 (大数据技术丛书) - 张良均

  • Python 科学计算 (第 2 版)

  • Python 计算机视觉编程 [美] Jan Erik Solem

  • python 核心编程 (第三版)

  • Python 核心编程（第二版）

  • Python 高手之路 - [法] 朱利安·丹乔（Julien Danjou）

  • Python 编程快速上手 让繁琐工作自动化

  • Python 编程：从入门到实践

  • Python3 CookBook 中文版

  • 终极算法机器学习和人工智能如何重塑世界 - [美 ] 佩德罗·多明戈斯

  • 机器学习系统设计 (图灵程序设计丛书) - [美] Willi Richert & Luis Pedro Coelho

  • 机器学习实践指南：案例应用解析（第 2 版） (大数据技术丛书) - 麦好

  • 机器学习实践 测试驱动的开发方法 (图灵程序设计丛书) - [美] 柯克（Matthew Kirk）

  • 机器学习：实用案例解析

• 数学:

  • Algebra - Michael Artin

  • Algebra - Serge Lang

  • Basic Topology - M.A. Armstrong

  • Convex Optimization by Stephen Boyd & Lieven Vandenberghe

  • Functional Analysis by Walter Rudin

  • Functional Analysis, Sobolev Spaces and Partial Differential Equations by Haim Brezis

  • Graph Theory - J.A. Bondy, U.S.R. Murty

  • Graph Theory - Reinhard Diestel

  • Inside Interesting Integrals - Pual J. Nahin

  • Linear Algebra and Its Applications - Gilbert Strang

  • Linear and Nonlinear Functional Analysis with Applications - Philippe G. Ciarlet

  • Mathematical Analysis I - Vladimir A. Zorich

  • Mathematical Analysis II - Vladimir A. Zorich

  • Mathematics for Computer Science - Eric Lehman, F Thomson Leighton, Alber R Meyer

  • Matrix Cookbook, The - Kaare Brandt Petersen, Michael Syskind Pedersen

  • Measures, Integrals and Martingales - René L. Schilling

  • Principles of Mathematical Analysis - Walter Rudin

  • Probabilistic Graphical Models: Principles and Techniques - Daphne Koller, Nir Friedman

  • Probability: Theory and Examples - Rick Durrett

  • Real and Complex Analysis - Walter Rudin

  • Thomas' Calculus - George B. Thomas

  • 普林斯顿微积分读本 - Adrian Banner

• Packt 每日限免电子书精选:

  • Learning Data Mining with Python

  • Matplotlib for python developers

  • Machine Learing with Spark

  • Mastering R for Quantitative Finance

  • Mastering matplotlib

  • Neural Network Programming with Java

  • Python Machine Learning

  • R Data Visualization Cookbook

  • R Deep Learning Essentials

  • R Graphs Cookbook second edition

  • D3.js By Example

  • Data Analysis With R

  • Java Deep Learning Essentials

  • Learning Bayesian Models with R

  • Learning Pandas

  • Python Parallel Programming Cookbook

  • Machine Learning with R

---

其他 Miscellaneous

• 机器学习日报：每天更新学术和工业界最新的研究成果

• 机器之心

• 集智社区

---

如何贡献 How to Contribute

如果你对本项目感兴趣，非常欢迎你加入！

• 正常参与：请直接 fork、pull 都可以
• 如果要上传文件：请不要直接上传到项目中，否则会造成 git 版本库过大。正确的方法是上传它的超链接。如果你要上传的文件本身就在网络中（如 paper 都会有链接），直接上传即可；如果是自己想分享的一些文件、数据等，鉴于国内网盘的情况，请按照如下方式上传：
  • (墙内)目前没有找到比较好的方式，只能通过链接，或者自己网盘的链接来做。
  • (墙外)首先在 UPLOAD 直接上传（不需要注册账号）；上传成功后，在 DOWNLOAD 里找到你刚上传的文件，共享链接即可。

如何开始项目协同合作

快速了解 github 协同工作

及时更新 fork 项目

贡献者 Contributors

MachineLearning 快速上手指南

重要提示：根据项目说明，本项目已更新。建议优先访问最新的机器学习开源项目以获取最新资源。本指南基于当前仓库内容整理，适用于本地构建个人知识库。

环境准备

本项目为机器学习资源集合库，无需复杂的软件依赖，但为了有效利用其中的代码示例和教程，建议准备以下环境：

• 操作系统：Linux / macOS / Windows
• 版本控制工具：Git (用于克隆仓库)
• 编程语言环境：Python 3.x (推荐安装 Anaconda 或 Miniconda)
• 网络环境：需访问 GitHub 及外部课程平台（部分国外资源可能需要网络加速）
• 存储介质：建议预留足够空间下载书籍、数据集及视频资源（部分资源提供百度网盘国内镜像）

安装步骤

由于本项目是一个资源索引仓库，您只需将其克隆到本地即可开始使用。

1. 打开终端，执行以下命令克隆仓库：

git clone https://github.com/allmachinelearning/MachineLearning.git

2. 进入项目目录：

cd MachineLearning

3. （可选）查看项目结构，重点关注 notes/ 文件夹下的文档资料。

基本使用

1. 浏览资源索引

直接打开项目根目录下的 README.md 文件，按照分类浏览资源。主要包含以下几个核心板块：

• 快速开始学习：精选教材与视频课程链接。
• 研究领域资源细分：涵盖深度学习、强化学习、NLP 等方向。
• 预备知识：数学基础与编程技能（Python/R）。
• 课程与讲座：国内外名校公开课链接。

2. 启动学习路径

建议按照以下顺序进行学习和实践：

• 宏观了解：阅读周志华《机器学习》作为通读教材。
• 深入算法：研究李航《统计学习方法》，参考其代码实现：

git clone https://github.com/WenDesi/lihang_book_algorithm

• 实战编码：根据《机器学习实战》使用 Python 编写程序。
• 框架应用：选择 TensorFlow 或 PyTorch 进行深度学习开发：

# 参考 TensorFlow 示例
git clone https://github.com/aymericdamien/TensorFlow-Examples

3. 数据与竞赛实战

• 注册并登录 Kaggle 竞赛平台，完成入门题目。
• 下载 Kaggle 提供的友好数据集进行练手： ML Friendly Public Datasets

4. 贡献与协作

如果您希望参与项目维护或添加新资源：

• 直接 Fork 项目并提交 Pull Request。
• 上传文件时请勿直接上传大文件，建议使用超链接方式分享（如网盘链接或 GitHub 仓库链接）。