尽管机器学习的历史可以追溯到1959年年，但目前，这个领域正以前所未有的速度发展。最近，我一直在网上寻找关于机器学习和自然语言处理各方面的好资源，为了帮助到和我有相同需求的人，我整理了一份迄今为止我发现的最好的教程内容列表。
通过教程中的简介内容讲述一个概念。避免了包括书籍章节涵盖范围广，以及研究论文在教学理念上做的不好的特点。
我把这篇文章分成四个部分：机器学习，自然语言处理，巨蟒和数学。
每个部分中都包含了一些主题文章，但是由于材料巨大，每个部分不可能包含所有可能的主题，我将每个主题限制在5到6个教程中。（由于微信不能插入外链，请点击“阅读原文”查看原文）
机器学习
-
机器学习很有趣！（medium.com/@ageitgey）
-
机器学习速成课程：第一部分，第二部分，第三部分（柏克莱机器学习）
-
机器学习理论及其应用介绍：带示例的可视化教程（toptal.com）
-
机器学习的温柔指南（monkeylearn.com）
-
我应该使用哪种机器学习算法？（sas.com）
激活和损失函数
-
乙状神经元（neuralnetworksanddeeplearning.com）
-
激活函数在神经网络中的作用是什么？（quora.com）
-
神经网络中激活函数的综合列表（stats.stackexchange.com）
-
激活功能和它的类型 - 哪个更好？（medium.com）
-
让对数损失感（exegetic.biz）
-
损失函数（斯坦福CS231n）
-
L1与L2损失函数（rishy.github.io）
-
交叉熵代价函数（neuralnetworksanddeeplearning.com）
偏压
-
偏差在神经网络中的作用（stackoverflow.com）
-
神经网络中的偏置节点（makeyourownneuralnetwork.blogspot.com）
-
什么是人工神经网络的偏见？（quora.com）
感知器
-
感知器（neuralnetworksanddeeplearning.com）
-
感知（natureofcode.com）
-
单层神经网络（感知器）（dcu.ie）
-
从感知器到深度网络（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）
-
Logistic回归（readthedocs.io）
-
简单的线性回归教程机器学习（machinelearningmastery.com）
-
机器学习的Logistic回归教程（machinelearningmastery.com）
-
Softmax回归（ufldl.stanford.edu）
梯度下降算法
-
学习梯度下降（neuralnetworksanddeeplearning.com）
-
渐变下降（iamtrask.github.io）
-
如何理解渐变下降算法（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）
生成式学习
-
生成式学习算法（Stanford CS229）
-
朴素贝叶斯分类器（monkeylearn.com）的实际解释
支持向量机
-
支持向量机（SVM）简介（monkeylearn.com）
-
支持向量机（Stanford CS229）
-
线性分类：支持向量机，Softmax（斯坦福231n）
反向传播
-
是的，你应该了解backprop（medium.com/@karpathy）
-
你能否给出神经网络的反向传播算法的视觉解释？（github.com/rasbt）
-
反向传播算法如何工作（neuralnetworksanddeeplearning.com）
-
反向传播通过时间和消失的渐变（wildml.com）
-
一个简单的介绍时间反向传播（machinelearningmastery.com）
-
反向传播，直觉（斯坦福CS231n）
深度学习
-
深入学习（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有什么区别？（nvidia.com）
优化和降维
-
数据维度降低的七种技术（knime.org）
-
主成分分析（斯坦福CS229）
-
辍学：改善神经网络的简单方法（Hinton @ NIPS 2012）
-
如何训练你的深度神经网络（rishy.github.io）
长短期记忆网络
-
专家长期短期记忆网络介绍（machinelearningmastery.com）
-
了解LSTM网络（colah.github.io）
-
探索LSTMs（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
-
介绍卷积网络（neuralnetworksanddeeplearning.com）
-
深度学习和卷积神经网络（medium.com/@ageitgey）
-
Conv Nets：模块化视角（colah.github.io）
-
了解卷积（colah.github.io）
递归神经网络
-
复发神经网络教程（wildml.com）
-
注意和增广循环神经网络（distill.pub）
-
复发神经网络的不合理有效性（karpathy.github.io）
-
深入研究复发神经网络（nikhilbuduma.com）
强化学习
-
简单的初学者指南强化学习及其实施（analyticsvidhya.com）
-
强化学习教程（mst.edu）
-
学习强化学习（wildml.com）
-
深度强化学习：从像素中傍（karpathy.github.io）
生成对抗网络
-
What’s a Generative Adversarial Network? (nvidia.com)
-
Abusing Generative Adversarial Networks to Make 8-bit Pixel Art(medium.com/@ageitgey)
-
An introduction to Generative Adversarial Networks (with code in - TensorFlow) (aylien.com)
-
Generative Adversarial Networks for Beginners (oreilly.com)
多任务学习
-
An Overview of Multi-Task Learning in Deep Neural Networks(sebastianruder.com)
自然语言处理
-
A Primer on Neural Network Models for Natural Language Processing (Yoav Goldberg)
-
The Definitive Guide to Natural Language Processing (monkeylearn.com)
-
Introduction to Natural Language Processing (algorithmia.com)
-
Natural Language Processing Tutorial (vikparuchuri.com)
-
Natural Language Processing (almost) from Scratch (arxiv.org)
深入学习和NLP
-
Deep Learning applied to NLP (arxiv.org)
-
Deep Learning for NLP (without Magic) (Richard Socher)
-
Understanding Convolutional Neural Networks for NLP (wildml.com)
-
Deep Learning, NLP, and Representations (colah.github.io)
-
Embed, encode, attend, predict: The new deep learning formula for state-of-the-art NLP models (explosion.ai)
-
Understanding Natural Language with Deep Neural Networks Using Torch(nvidia.com)
-
Deep Learning for NLP with Pytorch (pytorich.org)
词向量
-
Bag of Words Meets Bags of Popcorn (kaggle.com)
-
On word embeddings Part I, Part II, Part III (sebastianruder.com)
-
The amazing power of word vectors (acolyer.org)
-
word2vec Parameter Learning Explained (arxiv.org)
-
Word2Vec Tutorial — The Skip-Gram Model, Negative Sampling(mccormickml.com)
Encoder-Decoder
-
Attention and Memory in Deep Learning and NLP (wildml.com)
-
Sequence to Sequence Models (tensorflow.org)
-
Sequence to Sequence Learning with Neural Networks (NIPS 2014)
-
机器学习很有趣第5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）
蟒蛇
-
使用Python掌握机器学习的7个步骤（kdnuggets.com）
-
一个机器学习笔记本的例子（nbviewer.jupyter.org）
例子
-
如何在Python中从头开始实现感知器算法（machinelearningmastery.com）
-
在Python中从头开始实现神经网络（wildml.com）
-
一个11行Python中的神经网络（iamtrask.github.io）
-
使用Python实现自己的k-最近邻算法（kdnuggets.com）
在Python中使用长的短期内存网络演示内存（machinelearningmastery.com ） -
如何学习回应随机整数长期短期记忆递归神经网络（machinelearningmastery.com）
-
如何学习使用seq2seq递归神经网络添加数字（machinelearningmastery.com）
SciPy的和numpy的
-
Scipy讲义（scipy-lectures.org）
-
Python Numpy教程（斯坦福CS231n）
-
Numpy和Scipy（UCSB CHE210D）介绍
-
Python科学家的速成课程（nbviewer.jupyter.org）
scikit学习
-
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）
-
简洁的scikit-learn教程（github.com/mmmayo13）
Tensorflow
-
Tensorflow教程（tensorflow.org）
-
TensorFlow介绍 - CPU vs GPU（medium.com/@erikhallstrm）
-
TensorFlow：引物（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运行文本摘要（surmenok.com）
PyTorch
-
PyTorch教程（pytorch.org）
-
PyTorch的简介（gaurav.im）
-
教程：PyTorch的深度学习（iamtrask.github.io）
-
PyTorch示例（github.com/jcjohnson）
-
PyTorch教程（github.com/MorvanZhou）
-
PyTorch深度学习研究者教程（github.com/yunjey）
数学
-
数学机器学习（ucsc.edu）
-
数学机器学习（UMIACS CMSC422）
线性代数
-
线性代数的直观指南（betterexplained.com）
-
程序员矩阵乘法的直觉（betterexplained.com）
-
了解交叉产品（betterexplained.com）
-
了解点积（betterexplained.com）
-
线性代数机器学习（美国布法罗CSE574）
-
线性代数作弊表（深度学习）（medium.com）
-
线性代数回顾与参考（斯坦福大学CS229）
概率
-
理解贝叶斯定理与比率（betterexplained.com）
-
概率论概论（斯坦福大学CS229）
-
机器学习的概率论回顾（斯坦福大学CS229）
-
概率论（美国布法罗CSE574）
-
机器学习概率论（多伦多CSC411）
微积分
-
如何理解衍生物：商数规则，指数和对数（betterexplained.com）
-
如何理解衍生品：产品，权力和连锁规则（betterexplained.com）
-
矢量微积分：了解渐变（betterexplained.com）
-
微分学（Stanford CS224n）
-
微积分概述（readthedocs.io）
