完备的机器学习资源:书、视频、源码,都汇总在这份清单里!

今天给大家介绍一份不错的机器学习学习资源汇总：从入门到进阶，所用到机器学习资料，包括书、视频、源码。而这份汇总资源被整理在一张清单里，非常便于查阅。

首先放上这份资源的 GitHub 地址：

https://github.com/linxid/Machine_Learning_Study_Path

下面，分别来看主要包含的内容。

1. 视频

1.1 吴恩达老师机器学习课程：

Coursera
网易云课堂

英文笔记

中文笔记、字幕

1.2 吴恩达 深度学习课程

Coursera
网易云课堂

笔记

1.3 斯坦福CS231n:Convolutional Neural Networks for Visual Recognition

官网
网易云课堂

1.4 fast.ai

官网
Part1:Practical Deep Learning For Coders

Part2: Cutting Edge Deep Learning For Coders

1.5 百度PaddlePaddle公开课：

机器学习入门
机器学习模型

深度学习基础

1.6 徐亦达老师机器学习课程：

官网
Github

哔哩哔哩

百度云

1.7 李宏毅深度学习课程

官网
哔哩哔哩

1.8 谷歌机器学习速成

课程
练习

术语库

2. 书籍

2.1 Keras：

《Deep Learning with Python》 难度：低；推荐：☆☆☆☆☆
《Deep Learning with Keras》 难度：低；推荐：☆☆☆☆

2.2 TensorFlow：

《Hands-On Machine Learning with Scikit-Learn and TensorFlow》 难度：中；推荐：☆☆☆☆☆
《Learning TensorFlow》

《TensorFlow Machine Learning cookbook》 难度：中；推荐：☆☆☆☆☆

2.3 NLP：

《Deep Learning in Natural Language Processing》
《Natural Language Processing with TensorFlow》

《Mastering Natural Language Processing with Python》

《Text Analytics with Python》

2.4 机器学习：

《统计学习方法》 难度：中；推荐：☆☆☆☆☆
《Pattern Recognition and Machine Learning》 难度：高；推荐：☆☆☆☆☆

《机器学习实战》 难度：低；推荐：☆☆☆☆

《Machine Learning yearning》

《美团机器学习实战》

《集体智慧编程》 难度：低；推荐：☆☆☆☆

《百面机器学习 算法工程师带你去面试》

2.5 深度学习：

《Deep Learning》 中文版 难度：高；推荐：☆☆☆☆☆

《神经网络与深度学习》 难度：中；推荐：☆☆☆☆

《Deep Learning with python A Hands on Introduction》

3. 框架

4. 机器学习博客

Open AI:
由Elon Musk提出建立的一个人工智能非营利组织，定期发布有关自然语言处理，图像处理和语音处理等先进人工智能技术的研究。

Distill:
编辑和策展团队由来自Google Brain，DeepMind，Tesla和其他着名组织的科学家组成。致力于清晰的解释机器学习。

BAIR 博客:
加州大学伯克利分校的伯克利AI研究（BAIR）小组设立。BAIR博客旨在传播BAIR在人工智能研究方面的研究成果，观点和最新情况。

DeepMind:
DeepMind的大名，我想很多人已经知道了。Andrej Karpathy的博客：原博客：http://karpathy.github.io/

Medium：
https://medium.com/@karpathy 特斯拉的人工智能总监，很多人也许看过他的博客，但是不知道这个人。现在他已经转战Medium，很多文章发布在Medium。

Colah的博客：
Christopher Olah是Google Brain的研究科学家。旨在用简单的方式解读神经网络。

WildML:
博主同样来自Google Brain，写作的主要焦点是深度学习。

Ruder的博客:
博主是一位博士生，博客以深度学习和自然语言处理为主。

FAIR博客：
FAIR的大名就不多讲了，我想很多人知道，很多精彩论文出自FAIR，博客讨论了人工智能，深度学习，机器学习，计算机视觉及其在Facebook自研产品上的实际应用。

Adit Deshpande的博客：
UCLA的一名本科生（自愧不如啊），很多内容为初学者准备，由浅入深，层层递进。

inFERENCe的博客:
剑桥的博士，与Twitter Cortex合作。他撰写了关于概率推理，生成模型，无监督学习。

Andrew Trask的博客：
非常推荐，博主是DeepMind的研究科学家和博士。

以上清单的所有内容在 GitHub 里都有对应的网页链接。凭借这份机器学习清单，大家可以轻松获取自己需要的知识资源。