NLP 领域的一些学习资源（保持更新）

神经网络相关

• 介绍 胶囊网络 （Capsule Network） 的序列博客：Understanding Hinton’s Capsule Networks

自然语言处理

• 这篇 博客 推荐了一些针对 样本不均衡的分类问题 的书籍、论文和工具库：
  https://machinelearningmastery.com/resources-for-imbalanced-classification/
• 收集了大量 自然语言处理（NLP）领域语料 数据库的一个 导航网站：https://datasets.quantumstat.com/
• 总结 事件抽取（Event Extraction）相关论文的一个 GitHub 仓库：https://github.com/BaptisteBlouin/EventExtractionPapers
• 收集了上百种 预训练中文词向量 的一个 GitHub 仓库：https://github.com/Embedding/Chinese-Word-Vectors
• 斯坦福大学开设的 自然语言处理课程 CS224n: Natural Language Processing with Deep Learning，内有课程 ppt 以及视频。
• 卡内基梅隆大学的 自然语言处理课程 Neural Networks for NLP ，在 Youtube 上有 课程视频
• 复旦大学邱锡鹏老师推荐的 自然语言处理入门练习 NLP-Beginner：自然语言处理入门练习
• 清华大学刘知远老师提供的 自然语言处理入门建议 NLP研究入门之道
• 阐述 NLP 领域近期进展的一篇博客：https://thegradient.pub/nlp-imagenet/
• 收集 知识图谱 相关论文和教程的一个 GitHub 仓库：https://github.com/heathersherry/Knowledge-Graph-Tutorials-and-Papers
• 苏剑林苏神的 科学空间，里面有很多 NLP 相关的博文，质量极高。
• NLP 数据增强 工具包：nlpaug
• 图神经网络 实现工具包（支持 PyTorch、TensorFlow 等框架）：Deep Graph Library (DGL)

相关技术

强化学习（Reinforcement Learning）

• 由 OpenAI 提供的有关深度强化学习的教育资源：https://spinningup.openai.com/en/latest/user/introduction.html
• 由 Lilian Weng 编写的系列博客 A (Long) Peek into Reinforcement Learning：https://lilianweng.github.io/lil-log/2018/02/19/a-long-peek-into-reinforcement-learning.html#key-concepts

迁移学习（Transfer Learning）

• 该博客是迁移学习的一个概述，描述了迁移学习的动机并讨论了迁移学习的实践应用与方法：https://ruder.io/transfer-learning/
• 该博客描述 NLP 领域的迁移学习：https://ruder.io/state-of-transfer-learning-in-nlp/

主动学习（Active Learning）

• Overview of Active Learning for Deep Learning

小样本学习与元学习（Few-shot Learning and Meta Learning）

• 介绍相关概念以及研究概况的系列博客：few-shot learning and meta-learning

机器学习

• 极力推荐 Chris Bishop 所著的《Machine Learning and Pattern Recognition》

数学基础

线性代数

• Pro. Gilbert Strang 的书 《Linear Algebra and Its Applications》，据我所知已经更新到第五版，但只找到 第四版 pdf
• Pro. Gilbert Strang 的课 Matrix Methods in Data Analysis, Signal Processing, and Machine Learning

凸优化（Convex Optimization）

• 书《Convex Optimization》by Dr. Stephen Boyd & Dr. Lieven Vanderberghe
• 课程 by Dr.Stephen Boyd
• 课程 CMU 10-725

概率图模型（Probabilistic Graphic Models）

• 书《Probabilistic Graphic Models》by Daphne Koller & Nir Friedman
• Coursera 上的课程 《Probabilistic Graphic Models Specialization》by Dr. Daphe Koller

非凸优化（Non-convex Optimization）

• 《Non-convex optimization for machine learning》by Dr. Prateek Jain & Dr. Purushottam Kar

信息论（Information theory）

• 《Information Theory, Inference, and Learning Algorithms》by David MacKay

编程工具

sklearn

• sklearn.metrcs.classification_report：根据模型给出的分类（预测）结果与正确的分类结果之间的对比，得出包括 召回率， 精确率 和 F1 值在内的分类指标。
  Return a string/dict that is a summary of the precision, recall, F1 score for each class in binary or multilabel classification.

其他

正则表达式

• 30 分钟入门正则表达式