看过的较好的资源和待看的资源

网上的资源很多，本人只推荐看过的自认为较好的推荐给大家：

机器学习基础：

推荐：

Tom Mitchell：

http://book.douban.com/subject/1102235/ 

中英文对照，了解该方向的专业名词，了解大概算法、思想。

http://www.cs.cmu.edu/~tom/10701_sp11/

CMU公开课，深入该领域必看。

Andrew Ng：

http://v.163.com/special/opencourse/machinelearning.html

https://www.coursera.org/course/ml

练习比较多，学习起来有感觉。

textanalytics:

coursera上的公开课《https://www.coursera.org/course/textanalytics》系列，讲的非常不错。

台大林轩田老师：

机器学习基石：https://www.coursera.org/course/ntumlone

机器学习技法：https://www.coursera.org/course/ntumltwo

个人感觉比Andrew Ng讲得好，不知道自己能力提高了，还是因为中文讲的好理解。。。。

可惜据说林老师以后不再在coursera上开课了。。。。

其他：

《machine learning in action》，了解一下常用算法的代码实现还是有必要的。

《Pattern Recognition and Machine Learning，Christopher M. Bishop》，太理论了。

李航老师的《统计机器学习》，闲时可以看看。

coursera上的公开课《text mining and analysis》https://www.coursera.org/course/textanalytics

深度学习基础：

Andrew Ng：

http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

https://github.com/johnny5550822/Ho-UFLDL-tutorial（练习题解）

http://ufldl.stanford.edu/tutorial/

机器学习工具包：

scikit-learn：

http://scikit-learn.org/stable/，python结合最好的机器学习工具。

ranking工具包：

https://sourceforge.net/p/lemur/wiki/RankLib/  （较好）

http://arogozhnikov.github.io/2015/06/26/learning-to-rank-software-datasets.html

ranking介绍：

http://www2.warwick.ac.uk/fac/sci/moac/people/students/peter_cock/python/rank_correlations/

https://en.wikipedia.org/wiki/Learning_to_rank#List_of_methods

http://blog.csdn.net/nanjunxiao/article/details/8976195

http://blog.csdn.net/huagong_adu/article/details/40710305

机器学习论文集：

深度学习很好的论文集：

https://github.com/robertsdionne/neural-network-papers

boosting论文集：

http://cbio.mskcc.org/~aarvey/boosting_papers.html

机器学习经典论文/survey合集：

http://suanfazu.com/t/ji-qi-xue-xi-jing-dian-lun-wen-slash-surveyhe-ji/14

Python学习：

http://scipy-lectures.github.io/

http://old.sebug.net/paper/books/scipydoc/index.html

pandas：http://pandas.pydata.org/pandas-docs/stable/index.html

Python数据分析可视化：

http://www.stanford.edu/~mwaskom/software/seaborn/ （我用这个较多）

http://bokeh.pydata.org/en/latest/

（这两个是经过充分挑选得出的绝对好用的工具）

网络/路由：

http://www.isi.edu/nsnam/ns/（ns2）

http://www.maths.adelaide.edu.au/matthew.roughan/traffic_matrices.html（网络流量数据）

数据集：

http://archive.ics.uci.edu/ml/

http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multilabel.html（分类、回归、多元分类）

https://github.com/rasbt/pattern_classification/blob/master/resources/dataset_collections.md

Copy-and-paste ready LaTex equations：

https://github.com/rasbt/pattern_classification/blob/master/resources/latex_equations.md

在线latex公式编辑：http://latex.codecogs.com/eqneditor/editor.php（常用）

其他：

画图（流程图之类）：https://www.processon.com/

由数据自动生成图（柱状图之类）：http://www.tubiaoxiu.com/

面试算法刷题：https://leetcode.com/

数据挖掘刷题：https://www.kaggle.com/

如何把 \u8BF7\u9009\u62E9 这样的字符串转为汉字：http://js.alixixi.com/read_81144_168.html