原文更新在俺的GitHub上，如果觉得好点个star谢谢。
机器学习/人工智能/自然语言处理资料教程集合

前面基本是我看过的书籍和教程推荐，在最后面有我的学习路线，避免多走弯路，实现高效系统学习。

目录：

• 基础概念和认知
• 入门
• 教程
• 书籍
• 博客论坛期刊
• 文章-论文
• 其它
• 我的学习路线和计划

基础概念和认知：

机器学习 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。下面是ML比较完备的知识技能图

ML知识技能图

• 机器学习与数据挖掘的区别
  • 机器学习关注从训练数据中学到已知属性进行预测是方法
  • 数据挖掘侧重从数据中发现未知属性是个概念
• 深度学习与机器学习区别
• 人工智能只是定义
• 机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别之间的关系是什么？

入门

心路历程，别人的经验让我们少走弯路：

机器学习入门者学习指南-研究生型入门者的亲身经历

书籍

数学

• 《数学之美》作者：吴军 讲述数学在NLP语音等方面应用
• 《程序员的数学系列》这套共三本含高数，线代，统计。写的很好
• 《线性代数应该这样学》 从本质来讲，让你耳目一新，我就感觉线代白学了
• 《The Elements of Statistical Learning》后期精进可以可以读读，挺难的
• 《统计学习方法》作者：李航 讲解统计的一些方法。是机器学习的数学基础，另外需要线性代数，概率论，统计学等数学知识 后面阶段少不了推算公式的

ML&&NLP

• 《机器学习》西瓜书 作者：周志华。 本人读过入门级拿西瓜做案例很清晰，没有数学基础还是不要看，特别是程序员，因为周老师层次太高偏学术。

• 《DeepLearning》花书，最近中文版要出版了,称为圣书，这个可以慢慢啃，绝对要看的。

• 《机器学习》作者Mitchell。Mitchell是机器学习的鼻祖，第一个提出机器学习概念的人。这本书很薄，很简单。内容很陈旧，但是都是机器学习的经典问题。而且，这本书概念清晰正确(很可贵啊，又简单又正确的书，说明作者功力很强)。

• 《神经网络与机器学习》作者：Simon Haykin。 事实上，现在常见的很多机器学习算法都发端于神经网络，像SVM，深度学习，CNN等等。这本书详细的介绍了神经网络及其相关算法的所有细节。如果想深入了解的话，可以看一下。只想运用的话，也可以随便翻翻算法的介绍。

• 《模式识别与机器学习》马春鹏 有数学基础再搞，不然很难受

• 《集体编程智慧》代码丰富，结合理论搞

• 《机器学习算法原理与编程实战》有理论有代码

• 《机器学习实战》推荐

• 《数据挖掘导论》我学习过程中必不可少

---

• NLP自然语言处理怎么最快入门

• 统计自然语言处理

• 信息检索导论

• 资料已经完全够了，没有必要再贪多了，有积累看论文才是王道

视频教程

一、基本功

数学基础机器学习必要的数学基础主要包括：

• 线性代数
  英文无障碍的话推荐MIT的Gilbert Strang
  李宏毅也教过线性代数哦
  实现不行看看张宇的考研视频也行，再者还是看看程序员的数学
• 统计基础
  • Introduction to Statistics: Descriptive Statistics
  • Probabilistic Systems Analysis and Applied Probability | 概率 ( 可选)
  • Introduction to Statistics: Inference
  • 以上是国外课程，自己拿大学相关课本看看或者到网易公开课找,推荐《程序员的数学之线性代数》
• 编程基础
  • Python，R这些从廖雪峰，菜鸟教程还有等等看看文档就行 ，numpy，sk，pandas这些库也要会
  • Programming for Everybody (Python)
  • DataCamp: Learn R with R tutorials and coding challenges(R)
  • Introduction to Computer Science:Build a Search Engine & a Social Network

二、修行(推荐李宏毅然后后吴恩达深度学习课程，然后决定走CV OR NLP 再看CS231N 或者 CS224N)

• 台湾国立大学李宏毅中文教学讲课幽默易懂，很多不清楚的看了就懂了，它还有个PPT合集，堪称一天学完深度学习，浅显易懂可以搜搜
• 吴恩达深度学习新课可以搜单个课程这样可以旁听不要钱
  【网易云课堂现在和吴恩达合作了，免费的中文字幕体验更好，作业还在courseras上写吧】
• 2014 Andrew Ng (Stanford)机器学习:英文原版视频 这就是针对自学而设计的，免费还有修课认证。“老师讲的是深入浅出，不用太担心数学方面的东西。而且作业也非常适合入门者，都是设计好的程序框架，有作业指南，根据作业指南填写该完成的部分就行。”(和林轩田课程二选一)
• 2016年 林軒田(国立台湾大学) 機器學習基石 (Machine Learning Foundations) -- 華文的教學講解
• Neural Networks for Machine Learning Hinton的大牛课程，可想而知
• 没有公式，没有代码的深度学习入门视频，每集五分钟
• CS231N Stanford winter 2016FeiFei 计算机视觉大牛李飞飞的课程
• CS224N NLP Winter 2017 搞NLP的可以看看，最新前言课程 slides
• Udacity 的 ML & DL 最近刚看的，DL两个人合作以对话形式，很幽默
• tornadomeet机器学习笔记
• 上面学好了，足够了

博客等

WeChat公众号：机器之心，数盟，量子位，新智元，

• 我爱机器学习
• MITBBS－ 电脑网络 - 数据科学版
• 机器之心
• 果壳 > 机器学习小组
• 统计之都 » 统计学世界 » 数据挖掘和机器学习
  
• 北邮人论坛 >> 学术科技 >> 机器学习与数据挖掘
  

文章-论文

The Discipline of Machine LearningTom Mitchell 当年为在CMU建立机器学习系给校长写的东西。
A Few Useful Things to Know about Machine Learning Pedro Domingos教授的大道理，也许入门时很多概念还不明白，上完公开课后一定要再读一遍。

其它

矩阵求导
知乎找答案

---

我自己的学习计划

已经大致了解这个领域所用到的知识，根据网上的参考进行1.0阶段的学习，看了前面的知道我对PGM特别感兴趣啊，所以感谢夕小瑶(wx:xixiaoyaoQAQ)按照她的提供的知识结构给自己定个计划。 已经完成的都会带有我在学习过程中见到比较好的资料，或者我自己总的，这样减少大家在学习过程中找资料的成本

第一阶段(五月到六月)：基本模型

辅助用视频Ng的courses《machine learning》，台湾国立大学林老师《机器学习基石》、《数据挖掘导论》第4、5章

• 感知机(Perceptron)(已完成)
  • 如何理解感知机算法的对偶形式
  • 为什么随机梯度下降方法能够收敛？
• 线性回归模型(Linear regression model) (已完成)
• 逻辑回归模型(Logistic regression model) （已完成）
• 浅层神经网络(Neural Network) (已完成)
• 支持向量机(Support Vector Machine)(已完成)
• 交叉验证(Cross Validation)[[1]] [2] [3] [4](已完成)
• 聚类[1] (已完成)
  • K-Means Model [1] [2]
• 内积与映射，线性相关/无关，特征值/特征向量、特征向量、特征分解、矩阵的迹、奇异值分解(SVD)、谱定理

第二阶段（七月~）：最优化(已完成，主要是靠知乎和《统计学习方法》，还得继续深入理解)

复习《概率论与数理统计》、理解《Deep Learning》中的4.3节和4.4节，《Numerical Optimazation》、《最优化理论与方法》袁亚湘，孙文瑜、《统计学习方法》、《数据 挖掘导论》、《机器学习实战》、《智能优化方法》

• 一阶无约束优化算法
  • 梯度下降法（步长的确定方法、线搜索法，信赖域法）
• 二阶无约束优化算法
  • 牛顿法
  • 共轭梯度法
  • 拟牛顿法
• 约束优化算法
  • 线性规划(概念与应用、单纯形法、内点法）
  • 二次规划(概念与应用、对偶法、积极集法）
  • 拉格朗日乘子法的简单认识
• 感知机模型
• K近邻模型
• 朴素贝叶斯模型
• 决策树模型
• 支持向量机模型
• 集成分类器
  • Bagging
  • Boosting
  • Random Forest
• 遗传算法
• 模拟退火
• 禁忌搜索算法
• 蚁群算法
• 粒子群优化算法
• LDA/PCA
• SVD

第三阶段：模式识别与深度学习

• 贝叶斯决策（《模式分类》）
• 参数估计
• 非参数方法
• 线性判别函数
• 浅层神经网络
  • delta方法
  • BP算法及其优化
  • RBF网络
• 深度神经网络（DL中文版书籍）
  • Hopfield网络
  • 玻尔兹曼机
  • RBM
  • DBN
  • DBM
  • CNN
  • Autoencoder
  • RNN
  • LSTM
    (CNN~LSTM)李宏毅教授的课不要太好了。一听就懂
• 聚类
  • 高斯混合密度
  • K-means
  • 层次聚类
• 决策树与随机森林
• 特征提取与特征选择

第四阶段：

应该是各种框架和工程，比赛吧，哈哈，到这个阶段就有自己的方向，现在自己也不知道干啥，哈哈哈

贯穿始终：

编程是一定要的，推荐先用Python把常用算法实现一遍，然后把NG深度学习课程作业敲一遍，自己写神经网络，你就会明了，一定要code，code，code。后面用tf+keras等都可以。

知识点：(每一周深入学习一种网络)
《统计学习方法》、《Deep Learning》、《模式分类》

• 前馈神经网络

• 自编码器(Auto-Encoder)递归神经网络(Recursive NN) / 循环神经网络(RNN)/ 卷积神经网络(CNN) / 神经张量网络 (NTN)

• 长短时记忆网络(LSTM) / 卷积长短时神经网络(convLSTM) / 张量递归神经网络(MV-RNN)/递归神经张量网络(RNTN)

• 受限波尔兹曼机(RBM) / 玻尔兹曼机

• 概率图模型

• 有向图模型->贝叶斯网络

• 无向图模型->马尔科夫随机场->条件随机场

原文更新在俺的GitHub上，可能最新。可以进去看看。