最全的机器学习资源整理
最全的机器学习资源整理（持续更新）
文章首发：http://www.cnblogs.com/deeplabs
欢迎留言评论，转载请注明出处。
视频资源
吴恩达创立的深度学习学院
链接：http://deeplearning.ai/
介绍：需要付费的，在线学习，讲解较为基础的机器学习及神经网络知识。学完后通过考试还能拿个证书。不过要注意，当前coursera是要收费的，但是新用户注册7天内是免费的，所以注册后赶紧学完考试拿证，超期后需要支付320元左右才能继续学习。
人工智能入门麻省理工学院公开课：人工智能
链接：http://open.163.com/movie/2017/9/Q/S/MCTMNN3UI_MCTMNR8QS.html
介绍：本课程学习人工智能，以授课形式讲述什么人工智能，人工智能的重要性和其未来，包括如何进行博弈、图像识别、以及机器学习方面的内容
吴恩达的《深度学习》课程
链接：http://open.163.com/movie/2017/8/N/G/MCS5AQH7J_MCS5BJFNG.html
介绍：吴恩达博士是Google Brain项目的发起人和领导者，斯坦福大学的计算机科学教授，Coursera的联合创始人和联合主席。他还曾任百度的副总裁和首席科学家，在这里，他领导了约1300人的人工智能团队，并负责百度的国际人工智能战略和基础建设。由 deeplearning.ai 出品，网易引进的正版授权中文版深度学习工程师微专业课程，让你在了解丰富的人工智能应用案例的同时，学会在实践中搭建出最先进的神经网络模型，训练出属于你自己的 AI。
李飞飞：如何教计算机理解图片
链接：http://open.163.com/movie/2015/3/Q/R/MAKN9A24M_MAKN9QAQR.html
介绍：小孩看到图时，能立刻识别出图上的简单元素，例如猫、书、椅子。现如今，计算机也拥有足够智慧做到这一点了。接下来呢？斯坦福大学的计算机视觉专家李飞飞将描绘当今人工智能科技的前沿领域。她和她的团队建立起了一个含有1500万张照片的数据库，并通过该数据库来教计算机理解图片。
斯坦福大学公开课 ：机器学习课程
链接：http://open.163.com/special/opencourse/machinelearning.html
介绍：人工智能的发展到已经进入了一个瓶颈期。近年来各个研究方向都没有太大的突破。真正意义上人工智能的实现目前还没有任何曙光。但是，机器学习无疑是最有希望实现这个目标的方向之一。斯坦福大学的“Stanford Engineering Everywhere ”免费提供学校里最受欢迎的工科课程，给全世界的学生和教育工作者。得益于这个项目，我们有机会和全世界站在同一个数量级的知识起跑线上。
西安电子科技大学人工智能视频
链接：http://www.openke.net/show-2832.html
介绍：《人工智能原理与方法》较全面地介绍了人工智能的基本理论、方法及其应用技术。全书共12章，可分为三大部分：第一部分包括第1章至第6章，论述了人工智能的三大技术，即知识表示、推理及搜索，重点讨论了不确定性的表示及处理技术；第二部分包括第7章至第10章，着重讨论了专家系统、机器学习、模式识别及智能决策支持系统等研究领域的有关概念及系统构成技术；第三部分包括第11章和第12章，分别讨论了神经网络和智能计算机的概念、模型、研究现状及展望等。
吉林大学人工智能表视频
链接：http://www.openke.net/show-3935.html
介绍：吉林大学人工智能主要阐述人工智能问题求解方法的一般性原理和基本思想。主要内容有：一般的搜索问题，括盲目搜索和启发式搜索等；与或图搜索，括AO*算法和博弈树搜索等；谓词逻辑以及基于归结的定理证明方法；知识表示，括产生式方法、语义网络、框架等；不确定性推理方法，括贝叶斯方法、证据理论和确定性方法等；机器学习，括实例学习、解释学习、决策树学习和神经网络等；高级搜索，括局部搜索方法、模拟退火方法和遗传算法等。
吴恩达“机器学习”公开课
链接：https://www.coursera.org/learn/machine-learning
介绍：这门课最大的特点，是它侧重于概念理解而不是数学。数学推导过程基本被略过，重点放在让初学者理解这背后的思路。另外，它还十分重视联系实际和经验总结：1. 课程中吴恩达老师列举了许多算法实际应用的例子 2. 他提到当年他们入门 AI 时面临的许多问题，以及处理这些难题的经验。这门课对数学、统计、IT 基础薄弱的童鞋十分友好。
加州理工 “从数据中学习”
链接：http://open.163.com/special/opencourse/learningfromdata.html
介绍：这同样是一门机器学习的入门课，但并不简单。该课程强调数据，是因为机器学习与各领域的大数据处理应用（比如金融、医疗）联系十分紧密。这门课内容涵盖基础理论、算法和应用，平衡了理论与实践，既覆盖数学统计，也包含启发式的概念理解。
Tom Mitchell 机器学习课程
链接：http://www.cs.cmu.edu/~tom/10701_sp11/
介绍：门课是学界人士的最爱，是入门课程之中较全面、高阶的一门。课时为 15 周，远超大多数机器学习慕课。其覆盖的话题非常广，按先后次序包括：代数和概率论，机器学习的基础工具，概率图模型，AI，神经网络，主动学习，增强学习。课程内容和练习十分简洁明白，概念解释清楚到位。
谷歌人工智能入门
https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271
介绍：两位主讲者，Peter Norvig 和 Sebastian Thrun，一个是谷歌研究总监，一个是斯坦福著名机器学习教授，均是与吴恩达、Yann Lecun 同级别的顶级 AI 专家。需要强调的是，该课程倾向于介绍 AI 的实际应用。课程练习广受好评。
UBC本科生的机器学习课程
链接：https://www.youtube.com/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf
介绍：这门课很适合作为吴恩达老师“机器学习”的进阶课程，因为：1. “机器学习”省略掉的一些概念，可以在这门课中找到。2. “机器学习”课 不重视数学，而数学是这门课的重点内
容。Nando de Freitas 对诸如概率论、log likelihood 等基础数学原理做了很好的讲解，并以此为基础介绍更高级的数学、统计概念。对于机器学习新手，完全略过数学细节是很危险的，这门课会帮助你打下基础。
Yann Lecun深度学习公开课
链接：https://www.college-de-france.fr/site/en-yann-lecun/course-2016-04-15-11h00.htm
介绍：作为人工智能领域大牛和 Facebook AI 实验室（FAIR）的负责人，Yann Lecun 身处业内机器学习研究的最前沿。他曾经公开表示，现有的一些机器学习公开课内容已经有些过时。通过 Yann Lecun 的课程能了解到近几年深度学习研究的最新进展。该系列可作为探索深度学习的进阶课程。
Geoffrey Hinton深度学习课程
链接：http://c.open.163.com/coursera/courseIntro.htm?cid=77
介绍：（你会在这门课）学习人工神经网络以及它们如何应用于机器学习，比方说语音、物体识别，图像分割（image segmentation），建模语言、人体运动等等。我们同时强调基础算法，以及对它们成功应用所需的实用技巧 。”
哥伦比亚大学的机器学习公开课
链接：https://www.edx.org/course/machine-learning-columbiax-csmm-102x
介绍：这门课中，学习者会了解到机器学习的算法、模型和方法，以及它们在现实生活中的应用。
MIT机器学习进阶课程
链接：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm
介绍：这是一门研究生水平的机器学习课程，难度较高。可惜的是，MIT 并没有提供课程视频，而是以参考书目和课堂笔记的形式，让我们得以一窥该课程的内容。小编认为，这些学习资源的价值仍旧不可估量。因为如此，相比常规公开课，它不会耗费过多时间，非常适合有一定基础的学习者印证自己所学。
深度学习简化版
链接：https://www.youtube.com/watch?list=PLjJh1vlSEYgvGod9wWiydumYl8hOXixNu&v=b99UVkWzYTQ
介绍：如果复杂的专业术语让你在学习深度学习时感到困难重重，那么这个教程就是给你的福利。这是深度学习及其基本概念的一个简化版教程。在这个教程里你将会了解到神经网络、深度网络、深度信念网络（DBN）和卷积神经网络。H2O.ai和这个教程将会让你对深度学习有基本的理解。同时你也会了解到不同的模型，以及在不同情况下该选择何种模型和选择这种模型的理由。之后你将会学到深度学习在不同使用情形下的实际操作经验，包括支持构建你自己深度网络的平台、深度学习可以调用的库。这个简化教程里没有任何数学计算或者编程相关的内容，是为初学者了解深度学习基本思想而制作的。
2016斯坦福湾区深度学习学校Day 1
链接：https://www.youtube.com/watch?v=eyovmAtoUx0
介绍：正如吴恩达（Andrew Ng）无比精确的描述，深度学习正在改变业界的发展布局，同时大量有意思的深度学习应用正涌现出来。这个视频是2016湾区深度学习学校第一天的内容展示。
视频覆盖到的内容有：
- Hugo Larochelle讲授前馈神经网络介绍（Introduction on Feedforward Neural Network）；
- Andrej Karpathy讲授用于计算机视觉的深度学习（Deep Learning for Computer Vision）；
- Richard Socher讲授用于自然语言处理（NLP）的深度学习（Deep Learning for NLP）；
- Sherry Moore讲授TensorFlow 教程（TensorFlow Tutorial）；
- Ruslan Salakhutdinov 讲授深度无监督学习基础（Foundations of Deep Unsupervised Learning）；
- 吴恩达讲授深度学习应用基本要点（Nuts and Bolts of Applying Deep Learning）
。这些深度学习方面的专家都会以一个易于理解的方式讲解深度学习潜在的概念原理，让你对深度学习有基础理解。同时他们也会分享各自讲授主题相关的应用实例。
2016斯坦福湾区深度学习学校Day 2
链接：https://www.youtube.com/watch?v=9dXiAecyJrY
介绍：这是湾区深度学习学校的第二天讲授内容视频。
视频覆盖到的内容有：
- John Schulman 讲授深度强化学习基础（Foundation of Deep Reinforcement Learning）；
- Pascal Lamblin 讲授Theano 介绍：一个供模型构建和训练使用的极速 Python 库（Introduction to Theano: A Fast Python library for Modelling & Training）；
- Adam Coates 和 Vinay Rao 讲授语音识别和深度学习（Speech Recognition and Deep Learning）；
- Alex Wiltschko 讲授 Torch 和 Autograd 下的机器学习（Machine Learning with Torch & Autograd）；
- Quoc Le 讲授深度学习实现 Seq2Seq（Sequence to Sequence by Deep Learning）；
- Yoshua Bengio 讲授深度学习的基础和挑战（Foundation and Challenges of Deep Learning）。
这些深度学习的应用者都是经常被检索到的深度学习应用专家，他们同时也为大型公司服务，如：谷歌大脑、Twitter 等。
教程：深度学习
链接：https://www.youtube.com/watch?v=CLSy5WlaWKc
介绍：在这个深度学习的视频教程里，Yoshua Bengio 和 Yann LeCun 讲解了近年来深度学习所取得的重大突破。在这个领域深耕30 年之后，Yoshua 和 Yann 带来深度学习如何掀起机器学 习和人工智能领域变革浪潮的深度解读。在本视频教程里，你将会学到深度学习是如何实现多层计算模型对数据表征的学习。这些方法大幅提升了语音识别、视觉对象识别、目标检测以及基因学等领域的相关研究。这个教程将会覆盖到深度学习基础，并讨论深度学习的不同应用和目前遇到的挑战。
机器学习神经网络
链接：https://www.youtube.com/watch?v=cbeTc-Urqak&list=PLoRl3Ht4JOcdU872GhiYWf6jwrk_SNhz9
介绍：研究人工神经网络的主要思想是理解神经元的并行计算方式及其自适应连接。本课程将由多伦多大学教授 Geoffrey Hinton 讲授，你将学习到神经网络和机器学习将如何带来技术革命。本课程包括感知器、反向传播、卷积神经网络、循环神经网络、梯度下降和超参数贝叶斯优化等主题。这是深度学习最好的课程之一，如果你是深度学习爱好者，那就一定不能错过它。
深度学习简介
链接：https://www.youtube.com/watch?v=l42lr8AlrHk
介绍：这个视频对深度学习进行了数学解释。它将带你了解机器是如何找到不同变量的分组并做出具体决策的。如果你是一个数学爱好者，你将会学到如何调整模型参数。视频简单地解释了神经网络对不同输入内容的反应。
深度学习教程——高级
链接：https://www.youtube.com/watch?v=DlNR1MrK4qE
介绍：在过去几年中，图像分类、分割、物体检测的技术因深度学习有了极大的进展。该教程会带你了解深度学习的进展，主要集中于使用 Theano 和 Lasagne 的计算机视觉与图像处理。此外，演讲者也讨论了一些重要的技巧，比如用更少的训练数据进行审核等。为了理解视频中的概念，需要一定的代数、微积分与机器学习基础。
深度学习实践-语音识别与其他
链接：https://www.youtube.com/watch?v=LFDU2GX4AqM
介绍：吴恩达的地位无需再多做介绍了，大家都知道他对深度学习的贡献。他是世界上首先认识到深度学习潜力的几个人之一。在这个与吴恩达的一对一对话中，他分享了在深度学习上研究的经验、深度学习所到来的科技进展。他提到大数据的进展正在颠覆如今的产业。观看此视频可以了解更多关于深度学习与数据科学的未来。
简介强化学习函数逼近-教程
链接：https://www.youtube.com/watch?v=ggqnxyjaKe4
介绍：强化学习是由机器学习研究社区开发出的用来做最佳序列决策的技术。该教程提供了对底层形式问题（马尔科夫决策过程）及其核心解决方法的透彻理解，后者包括动态编程、蒙特卡 洛方法和时序差分学习。该视频注重这些方法如何与参数逼近（parametric approximation）结合从而找到因过大而难以解决问题的好的逼近解决方案。演讲者也会带你了解函数逼近、 eligibility traces 和 off-policy 学习的最新进展。
书籍及电子书
神经网络与深度学习在线免费电子书，最详细的指导，没有之一
链接：http://neuralnetworksanddeeplearning.com/
斯坦福大学Andrew Ng教授“Deep Learning”教程
链接：https://www.52ml.net/12019.html
卷积网络的官方介绍，英文版的东西，但讲很细质量很高
链接：http://cs231n.github.io/convolutional-networks/#layers
神经网络与深度学习在线免费电子书，讲基础神经网络知识
链接：http://neuralnetworksanddeeplearning.com/chap1.html
深度学习教程网站，采用Python代码为主的教学
链接：http://deeplearning.net
机器学习的知识库，涉及神经网络的内容较少
链接：http://www.erogol.com/large-set-machine-learning-resources-beginners-mavens/
统计学习方法-李航华为前诺亚方舟实验室老大
链接：http://download.csdn.net/download/c03424/6614995
Caffe相关资源
Caffe官方网址
链接：http://caffe.berkeleyvision.org/
Caffe Linux官方github网址
链接：https://github.com/BVLC/caffe
Caffe Windows官方github网址
链接：https://github.com/Microsoft/caffe
prototxt网络结构可视化工具网址
链接：http://ethereon.github.io/netscope/#/editor
见过最详细的Alexnet学习介绍
链接：http://www.jianshu.com/p/58168fec534d
见过最详细的Resnet学习介绍
链接：http://www.jianshu.com/p/46d76bd56766
见过最详细的LeNet学习介绍
链接：http://www.jianshu.com/p/cd73bc979ba9
Tensorflow相关资源
英文官方网站
链接：http://tensorflow.org/
官方GitHub仓库
链接：https://github.com/tensorflow/tensorflow
中文版 GitHub 仓库
链接：https://github.com/jikexueyuanwiki/tensorflow-zh
demo教学视频，绝对赞！！！帮助初学者迅速理解大体过程
链接：http://playground.tensorflow.org/
中文官方社区
链接：http://www.tensorfly.cn/
使用神经网络的深度学习及 TensorFlow 介绍
链接：https://www.youtube.com/watch?v=oYbVFhK_olY
介绍：如果你一直在想知道神经网络是如何工作的，为什么最近它有这么多的关注。本教程将介绍神经网络，你将了解神经网络如何能够创建具有巨大数据集的强大模型。并理解神经网络的结构以及每个输入层如何组合在一起以生成输出。这只是完整教程中的第一个视频，第二部分是 TensorFlow 基础。如果需要了解怎样建立神经网络模型，请继续学习第三部分。
TensorFlow 广度&深度学习——机器学习
链接：https://www.youtube.com/watch?v=Xmw9SWJ0L50
介绍：广度和深度学习（wide and deep learning）结合了用于训练广度线性模型和深度神经网络的记忆（memorization）和归纳（generalization）。在这个视频中，你可以了解到在
TensorFlow 当中对这种简单易用的 API 的应用。它们在大规模的回归分析和分类中所涉及到的稀疏输入问题当中非常实用，例如推荐系统、搜索和排名问题。通过这个 视频来探索广度和深度学习的可能性吧。
TensorFlow 入门
链接：https://www.youtube.com/watch?v=QfNvhPx5Px8&index=5&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV
介绍：现如今最流行的机器学习框架之一就是 TensorFlow，虽然它主要用于进行机器学习和深度神经网络研究，但由于其多功能性，TensorFlow 也可用于各种应用。在这个有趣的
TensorFlow 教程中，您将学习在 Python 中用不到40 行代码进行构建手写数字图像的分类器。您还将学习如何在 TensorFlow 中生成音乐，什么是 Tensorboard，怎样构建一个神经网络还 有使用 TensorFlow 相比其他深度学习库的利弊。这个关于 TensorFlow 的简短教程是深度学习新手必须要了解的。
部分内容参考了文献
http://www.leiphone.com/news/201701/0milWCyQO4ZbBvuW.html
http://blog.csdn.net/liuhongyue/article/details/65443606
