资源 | 200个最佳机器学习、NLP和Python教程——20
2018-08-05 本文已影响32人
SingSam_AI
翻译：SingSam.AI
作者：Robbie Allen
原文出处：Over 200 of the Best Machine Learning, NLP, and Python Tutorials — 2018 Edition
去年，我写了一篇非常受欢迎的博文（在Medium上有161K阅读量），这篇文章列出了我深入研究机器学习时所发现的最佳教程。13个月后，现在又有大量关于传统机器学习的新教程和新技术涌现（过去一年里）。围绕机器学习持续出现的内容数量是惊人的。
这篇文章包含了我迄今为止发现的最佳教程。这绝不是一份囊括了网上所有关于机器学习相关的详尽列表（这将会是工作量巨大且枯燥的）。再说，网上还有一大堆平庸的内容。我的目标是在机器学习和NLP领域的重要子话题中给出我能找到的最佳教程。
在教程中，我更倾向于扼要地介绍内容中的概念，而避免囊括一些覆盖更广的书籍的章节和研究论文，这些一般不是用来介绍一个概念的好材料。为什么不买一本书？当你尝试学习一个特定主题或者想要一个不同的观点时，教程能够提供帮助。
我把这个这篇博文分成四部分：机器学习、NLP、Python、数学。每一部分都包含了一些主题和相关材料，当然不可能囊括所有可能的主题。
如果有好的材料而我又忽略了，请让我知道！我尝试限定每个主题只包含5、6个教程来避免重复性，每一个链接应该有着与其他链接不同的材料，或者以不同的方式呈现（例如：代码、幻灯片、长文），或者从不同角度展示。
机器学习
- 和机器学习从这里开始（machinelearningmastery.com）
- 机器学习是有趣的！（medium.com/@ageitgey）
- 机器学习规则：机器学习工程的最佳实践（martin.zinkevich.org）
- 机器学习速成班：第一部分、第二部分、第三部分
- 机器学习理论机器应用介绍：一份可视化实践教程（Total.com）
- 机器学习简明指南(monkeylearn.com)
- 我应该使用哪一个机器学习算法？（sas.com）
- 机器学习入门（sas.com）
- 初学者的机器学习教程（kaggle.com/kanncaa1）
激活函数与损失函数
- Sigmoid神经元（neuralnetworksanddeeplearning.com）
- 激活函数在神经网络中的作用（quota.com）
- 神经网络中激活函数的优缺点综合清单（stats.stackexchange.com）
- 激活函数及其类型-哪一个更好？（medium.com）
- 理解对数损失（exegetic.biz）
- 损失函数（斯坦福CS231n）
- L1与L2损失函数（rishy.github.io）
- 交叉熵成本函数（neuralnetworksanddeeplearning.com）
偏置（Bias）
- Bias在神经网络中的作用（stackoverflow.com）
- 神经网络中的Bias节点（makeyourownneuralnetwork.blogspot.com）
- 什么是人工神经网络的Bias？（quora.com）
感知机
- 感知器（neuralnetworksanddeeplearning.com）
- 感知机（natureofcode.com）
- 单层神经网络（感知器）（dcu.ie）
- 从感知机到深度网络（toptal.com）
回归
- 线性回归分析介绍（duke.edu）
- 线性回归（ufldl.stanford.edu）
- 线性回归（readthedocs.io）
- 逻辑回归（readthedocs.io）
- 机器学习的简明线性回归教程（machinelearningmastery.com）
- 机器学习的逻辑回归教程（machinelearningmastery.com）
- Softmax回归（ufldl.stanford.edu）
梯度下降
- 使用梯度下降来学习（neuralnetworksanddeeplearning.com）
- 梯度下降（iamtrask.github.io）
- 如何理解梯度下降算法（kdnuggets.com）
- 梯度下降优化算法概述（sebastianruder.com）
- 优化：随机梯度下降（斯坦福CS231n）
生成学习
支持向量机
反向传播
- 是的，你应该了解的反向传播（medium.com/@karpathy）
- 你能给出神经网络反向传播算法的直观解释吗？（github.com/rasbt）
- 反向传播算法的工作原理（neuralnetworksanddeeplearning.com）
- 通过时间的方向传播与梯度消失（wildml.com）
- 时间反向传播的简要介绍（machinelearningmastery.com）
- 反向传播，直觉（斯坦福CS231n）
深度学习
- YN²深度学习指南（yerevann.com）
- 深度学习论文阅读路线图（github.com/floodsung）
- 坚果中的深度学习（nikhilbuduma.com）
- 深度学习教程（Quoc V. Le）
- 什么是深度学习？（machinelearningmastery.com）
- 人工智能，机器学习和深度学习之间有什么区别？（nvidia.com）
- 深度学习 - The Straight Dope（gluon.mxnet.io）
优化和降维
- 数据维数减少的七种技术（knime.org）
- 主成分分析（斯坦福CS229）
- Dropout：一种改善神经网络的简单方法（Hinton @ NIPS 2012）
- 如何训练您的深度神经网络（rishy.github.io）
LSTM
- 来自专家的LSTM网络的简要介绍（machinelearningmastery.com）
- 了解LSTM网络（colah.github.io）
- 探索LSTM（echen.me）
- 任何人都可以学习用Python编写LSTM-RNN（iamtrask.github.io）
卷积神经网络（CNN）
- 引入卷积网络（neuralnetworksanddeeplearning.com）
- 深度学习和卷积神经网络（medium.com/@ageitgey）
- Conv Nets：模块化观点（colah.github.io）
- 了解卷积（colah.github.io）
递归神经网络（RNN）
- 循环神经网络教程（wildml.com）
- 注意机制和增强型的递归神经网络（distill.pub）
- RNN的不合理的有效性（karpathy.github.io）
- 深入了解RNN（nikhilbuduma.com）
强化学习
- 面向初学者的强化学习及其实现简明指南（analyticsvidhya.com）
- 强化学习教程（mst.edu）
- 学习强化学习（wildml.com）
- 深度强化学习：来自像素的乒乓球（karpathy.github.io）
生成对抗网络（GAN）
- 对抗机器学习（aaai18adversarial.github.io）
- 什么是生成性对抗网络？（nvidia.com)
- 使用生成对抗网络制作8位像素艺术（medium.com/@ageitgey）
- 生成对抗网络简介（TensorFlow中的代码）（aylien.com）
- 初学者的生成性对抗网络（oreilly.com）
多任务学习
NLP
- 自然语言处理很有趣！（medium.com/@ageitgey）
- 自然语言处理神经网络模型入门（Yoav Goldberg）
- 自然语言处理权威指南（monkeylearn.com）
- 自然语言处理简介（algorithmia.com）
- 自然语言处理教程（vikparuchuri.com）
- （几乎）来自Scratch的自然语言处理（arxiv.org）
深度学习和NLP
- 适用于NLP的深度学习（arxiv.org）
- NLP的深度学习（没有魔法）（Richard Socher）
- 了解NLP的卷积神经网络（wildml.com）
- 深度学习，NLP及其表示（colah.github.io）
- 嵌入，编码，参与，预测：最先进NLP模型的深度学习新公式（explosion.ai）
- 理解深度神经网络自然语言（使用Torch）（nvidia.com）
- NLP的深度学习（使用Pytorch）（pytorch.org）
词向量
- 词包模型遇见爆米花袋（kaggle.com）
- 关于词嵌入第一部分 ， 第二部分 ， 第三部分 （sebastianruder.com）
- 词向量的惊人力量（acolyer.org）
- word2vec参数学习解释（arxiv.org）
- Word2Vec教程 - Skip-Gram模型 ， 负采样 （mccormickml.com）
encoder-decoder
- 深度学习和NLP中的注意力和记忆（wildml.com）
- 序列到序列模型（tensorflow.org）
- 使用神经网络进行序列到序列学习（NIPS 2014）
- 机器学习很有趣第五部分：深度学习的语言翻译和序列的魔力（medium.com/@ageitgey）
- 如何使用编码器 - 解码器LSTM来回显随机整数序列（machinelearningmastery.com）
- tf-seq2seq（google.github.io）
Python
- 机器学习速成课程（google.com）
- 惊叹的机器学习（github.com/josephmisiti）
- 使用Python掌握机器学习的7个步骤（kdnuggets.com）
- 一个示例机器学习笔记（nbviewer.jupyter.org）
- 使用Python进行机器学习（tutorialspoint.com）
例子
- 如何在Python中从头开始实现感知器算法（machinelearningmastery.com）
- 在Python中使用Scratch实现神经网络（wildml.com）
- 11行Python的神经网络（iamtrask.github.io）
- 使用Python实现你自己的k近邻算法（kdnuggets.com）
- 来自Scatch的ML（github.com/eriklindernoren）
- Python机器学习（第2版）代码库（github.com/rasbt）
Scipy和numpy
- Scipy讲义（scipy-lectures.org）
- Python Numpy教程（斯坦福CS231n）
- Numpy和Scipy简介（UCSB CHE210D）
- Python中的科学家速成课程（nbviewer.jupyter.org）
scikit-learn
- PyCon scikit-learn教程索引（nbviewer.jupyter.org）
- scikit-learn分类算法（github.com/mmmayo13）
- scikit-learn教程（scikit-learn.org）
- 简短的scikit-learn教程（github.com/mmmayo13）
Tensorflow
- Tensorflow教程（tensorflow.org）
- TensorFlow简介 - CPU与GPU（medium.com/@erikhallstrm）
- TensorFlow：初学者教程（metaflow.fr）
- Tensorflow中的RNN（wildml.com）
- 在TensorFlow中实现CNN进行文本分类（wildml.com）
- 如何使用TensorFlow实现文本摘要（surmenok.com）
PyTorch
- PyTorch教程（pytorch.org）
- PyTorch的简明介绍（gaurav.im）
- 教程：PyTorch中的深度学习（iamtrask.github.io）
- PyTorch示例（github.com/jcjohnson）
- PyTorch教程（github.com/MorvanZhou）
- 面向深度学习研究者的PyTorch教程（github.com/yunjey）
数学
线性代数
- 线性代数直观指南（betterexplained.com）
- 程序员对矩阵乘法的直觉（betterexplained.com）
- 了解Cross（betterexplained.com）
- 了解Dot（betterexplained.com）
- 用于机器学习的线性代数（布法罗大学CSE574）
- 用于深度学习的线性代数备忘单（medium.com）
- 线性代数综述及其文献（斯坦福CS229）
概率论
- 用比率理解贝叶斯定理（betterexplained.com）
- 概率论综述（斯坦福CS229）
- 机器学习的概率论综述（斯坦福CS229）
- 概率论（布法罗大学CSE574）
- 机器学习的概率论（多伦多大学CSC411）
