【资源整合帖】机器学习&深度学习，如何从入门到高手

用来收集各类资源，各大包括机器学习ML、深度学习DL、自然语言处理NLP、机器视觉等方向，更新ing~

课程资源

很多视频课程网易云课堂、腾讯课堂、MOOC等视频学习类网站都有资源，but，基本上B站上都有搬运工 ，有弹幕解释，有评论提供资料、作业、解析等，所以——B站大法好！

1.软件基础

视频教程：

• 莫烦python：python入门学习视频教程，小哥哥讲的很好
• Tensorflow中文社区：tensorflow教程，最流行的深度学习框架之一

书籍/文献教程：

• scikit-learn (sklearn) 官方文档中文版：scikit-learn 是基于 Python 语言的机器学习工具
• scikit-learn (sklearn) 官方文档英文版

2.数理基础

书籍/文献教程：

• 李航 统计学习方法：统计学相关理论

3.机器学习

视频教程：

• 吴恩达 机器学习：机器学习入门课程，很适合入门级选手
• Hinton 面向机器学习的神经网络
• 台湾大学林轩田 机器学习基石
• 台湾大学林轩田 机器学习技法
• 台湾大学李宏毅的机器学习课程2017

书籍/文献教程：

• 周志华 机器学习：西瓜书，机器学习理论

4.深度学习

视频教程：

• 硅谷技术大牛Siraj带你入门深度学习
• 台大教授李宏毅的深度学习课程 2017

书籍/文献教程：

• 伊恩·古德费洛 深度学习：花书，深度学习理论

5.自然语言处理

视频教程：

• CS224n 斯坦福深度自然语言处理：原名  Deep Learning for Natural Language Processing （深度自然语言处理），是全球 NLP 领域最受欢迎的课程之一，让你在了解丰富的深度自然语言处理应用案例的同时，学会在实践中搭建出最先进的自然语言处理模型。
• 斯坦福大学CS224d课程的中文版内容笔记：由寒小阳和龙心尘翻译和整理，得到斯坦福大学课程@Richard Socher教授的授权翻译与发表
• 牛津大学&DeepMind 自然语言处理

书籍/文献教程：

• 国际计算语言学协会(ACL，The Association for Computational Linguistics)：ACL成立于1962年，是自然语言处理（NLP）领域影响力最大、最具活力的顶级国际学术组织。多查阅ACL论文，有助于了解更多更新的知识

6.计算机视觉

视频教程：

• CS231n 斯坦福深度视觉识别课​​​​​​2017春季

书籍/文献教程：

7.语音识别

实战经验：

• 用深度学习（CNN RNN Attention）解决大规模文本分类问题 - 综述和实践：北邮毕业，就职阿里搜索排序，深度学习在文本分类中应用时总结的经验心得，很受用
• NLP文本分类实战: 传统方法与深度学习：对比传统机器学习方法和深度学习方法在NLP中的使用
• Understanding Convolutional Neural Networks for NLP：CNN在NLP领域的理解，文章写得很通俗易懂，值得多看几次

竞赛教程：

• 知乎“看山杯” 夺冠记：多学习大神们的竞赛思路，在工程应用和竞赛中都有帮助
• Sebastian Ruder：NLP领域中一个大神的网站，对NLP的理解和看法

开放平台/开源模型

直接调用开放平台的API接口或SDK

谷歌最强 NLP 模型 BERT 

github项目地址https://github.com/google-research/bert

论文原文https://arxiv.org/pdf/1810.04805.pdf

• 两行代码玩转 Google BERT 句向量词向量：使用bert迁移学习教程

百度AI开放平台

https://ai.baidu.com/

腾讯AI开放平台

https://ai.qq.com/

网易AI平台

http://openai.163.com/

 

自然语言处理NLP

词向量

腾讯AI实验室中文词向量语料库【Tencent AI Lab Embedding Corpus for Chinese Words and Phrases】

https://ai.tencent.com/ailab/nlp/embedding.html

tensorflow/tensor2tensor

https://github.com/tensorflow/tensor2tensor

图像识别

腾讯AI Lab正式开源业内最大规模多标签图像数据集

https://github.com/Tencent/tencent-ml-images

本次正式开源，其主要内容包括：

• ML-Images数据集的全部图像URLs,以及相应的类别标注。因原始图像版权问题，此次开源将不直接提供原始图像，用户可利用腾讯AI Lab提供的下载代码和URLs自行下载图像。
• ML-Images数据集的详细介绍。包括图像来源、图像数量、类别数量、类别的语义标签体系、标注方法，以及图像的标注数量等统计量。
• 完整的代码和模型。腾讯AI Lab提供的代码涵盖从图像下载和图像预处理，到基于ML-Images的预训练和基于ImageNet的迁移学习，再到基于训练所得模型的图像特征提取的完整流程。项目提供了基于小数据集的训练示例，以方便用户快速体验该训练流程。项目还提供了具有极高精度的ResNet-101模型(在单标签基准数据集ImageNet的验证集上的top-1精度为80.73%)。用户可根据自身需求，随意选用该项目的代码或模型。