200個精選ML、NLP、Python及數學最佳教程(附連結)

[ 導讀 ]近年來，機器學習等新最新技術層出不窮，如何跟蹤最新的熱點以及最新資源，作者Robbie Allen列出了一系列相關資源教程列表，包含四個主題：機器學習，自然語言處理，Python和數學，建議大家收藏學習！

本文包含了迄今為止我發現的最好的一些教程內容。它絕不是網上每個ML相關教程的簡單詳盡列表（這個工作量無疑是十分巨大而又枯燥重複的），而是經過詳細篩選後的結果。我的目標就是將我在機器學習和自然語言處理領域各個方面找到的我認為最好的教程整理出來。

在教程中，為了能夠更好的讓讀者理解其中的概念，我將避免羅列書中每章的詳細內容，而是總結一些概念性的介紹內容。為什麼不直接去買本書？當你想要對某些特定的主題或者不同方面進行了初步了解時，我相信這些教程對你可能幫助更大。

本文中我將分四個主題進行整理: 機器學習，自然語言處理，Python和數學。在每個主題中我將包含一個例子和多個資源。當然我不可能完全覆蓋所有的主題啦。

如果你發現我在這裡遺漏了好的教程資源，請聯繫告訴我。為了避免資源重複羅列，我在每個主題下只列出了5、6個教程。下面的每個連結都應該連結了和其他連結不同的資源，也會通過不同的方式（例如幻燈片代碼段)或者不同的角度呈現出這些內容。

相關資源

作者Robbie Allen是以為科技作者和創業者、並自學AI並成為博士生。曾整理許多廣為流傳的機器學習相關資源。

1. 2017版教程資源 Over 150 ofthe Best Machine Learning, NLP, and Python Tutorials I』ve Found（150多個最好的與機器學習,自然語言處理和Python相關的教程）

2. My Curated List of AI and Machine LearningResources from Around the Web( 終極收藏AI領域你不能不關注的大牛、機構、課程、會議、圖書)

3. Cheat Sheet of Machine Learningand Python (and Math) Cheat Sheets（值得收藏的27 個機器學習的小抄）

目錄

一、機器學習

1.1 激活函數與損失函數1.2 偏差(bias)1.3 感知機（perceptron）1.4 回歸（Regression）1.5 梯度下降（Gradient Descent）1.6 生成學習（Generative Learning）1.7 支持向量機（Support Vector Machines）1.8 反向傳播（Backpropagation）1.9 深度學習（Deep Learning）1.10 優化與降維（Optimization and Dimensionality Reduction）1.11 Long Short Term Memory (LSTM)1.12 卷積神經網絡 Convolutional Neural Networks (CNNs)1.13 循環神經網絡 Recurrent Neural Nets (RNNs)1.14 強化學習 Reinforcement Learning1.15 生產對抗模型 Generative Adversarial Networks (GANs)1.16 多任務學習 Multi-task Learning

二、自然語言處理 NLP

2.1 深度學習與自然語言處理 Deep Learning and NLP2.2 詞向量 Word Vectors2.3 編解碼模型 Encoder-Decoder

三、Python

3.1 樣例 Examples3.2 Scipy and numpy教程3.3 scikit-learn教程3.4 Tensorflow教程3.5 PyTorch教程

四、數學基礎教程

4.1 線性代數4.2 概率論4.3 微積分

一、機器學習

1.1 激活函數與損失函數

Comprehensive list ofactivation functions in neural networks with pros/cons(stats.stackexchange.com)

https://stats.stackexchange.com/questions/115258/comprehensive-list-of-activation-functions-in-neural-networks-with-pros-cons

1.2 偏差(bias)

1.3 感知機（perceptron）

1.4 回歸（Regression）

1.5 梯度下降（Gradient Descent）

1.6 生成學習（Generative Learning）

1.7 支持向量機（Support Vector Machines）

Linear classification: SupportVector Machine, Softmax (Stanford 231n)

http://cs231n.github.io/linear-classify/

1.8 反向傳播（Backpropagation）

Can you give a visualexplanation for the back propagation algorithm for neural networks? (github.com/rasbt)

https://github.com/rasbt/python-machine-learning-book/blob/master/faq/visual-backpropagation.md

1.9 深度學習（Deep Learning）

What’s the Difference BetweenArtificial Intelligence, Machine Learning, and Deep Learning?  (nvidia.com)

https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

1.10 優化與降維（Optimization and Dimensionality Reduction）

1.11 Long Short Term Memory (LSTM)

1.12 卷積神經網絡 Convolutional Neural Networks (CNNs)

1.13 循環神經網絡 Recurrent Neural Nets (RNNs)

1.14 強化學習 Reinforcement Learning

1.15 生產對抗模型 Generative Adversarial Networks (GANs)

1.16 多任務學習 Multi-task Learning

二、自然語言處理 NLP

2.1 深度學習與自然語言處理 Deep Learning and NLP

Deep Learning, NLP, andRepresentations (colah.github.io)

http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/

Embed, encode, attend, predict:The new deep learning formula for state-of-the-art NLPmodels (explosion.ai)

https://explosion.ai/blog/deep-learning-formula-nlp

2.2 詞向量 Word Vectors

Part I :http://sebastianruder.com/word-embeddings-1/index.html

Part II: http://sebastianruder.com/word-embeddings-softmax/index.html

Part III:  http://sebastianruder.com/secret-word2vec/index.html

Word2Vec Tutorial—TheSkip-Gram Model, Negative Sampling (mccormickml.com)

http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/

2.3 編解碼模型 Encoder-Decoder

Machine Learning is Fun Part 5:Language Translation with Deep Learning and the Magic ofSequences  (medium.com/@ageitgey)

https://medium.com/@ageitgey/machine-learning-is-fun-part-5-language-translation-with-deep-learning-and-the-magic-of-sequences-2ace0acca0aa

How to use an Encoder-DecoderLSTM to Echo Sequences of Random Integers(machinelearningmastery.com)

http://machinelearningmastery.com/how-to-use-an-encoder-decoder-lstm-to-echo-sequences-of-random-integers/

三、Python

Machine Learning CrashCourse  (google.com)

https://developers.google.com/machine-learning/crash-course/

Awesome MachineLearning  (github.com/josephmisiti)

https://github.com/josephmisiti/awesome-machine-learning#python

An example machine learningnotebook  (nbviewer.jupyter.org)

http://nbviewer.jupyter.org/github/rhiever/Data-Analysis-and-Machine-Learning-Projects/blob/master/example-data-science-notebook/Example%20Machine%20Learning%20Notebook.ipynb

3.1 樣例 Examples

3.2 Scipy and numpy教程

3.3 scikit-learn教程

3.4 Tensorflow教程

3.5 PyTorch教程

四、數學基礎教程

4.1 線性代數

4.2 概率論

4.3 微積分

How To Understand Derivatives:The Quotient Rule, Exponents, and Logarithms (betterexplained.com)

https://betterexplained.com/articles/how-to-understand-derivatives-the-quotient-rule-exponents-and-logarithms/

How To Understand Derivatives:The Product, Power & Chain Rules(betterexplained.com)

https://betterexplained.com/articles/derivatives-product-power-chain/

編輯 / 肖紫寒   審核 / 盛兆陽 肖紫寒

指導：萬劍華教授(微信號wjh18266613129)