機器學習資料大匯總

作者：我愛機器學習(52ml.net)

註：本頁面主要針對想快速上手機器學習而又不想深入研究的同學，對於專門的researcher，建議直接啃PRML，ESL，MLAPP以及你相應方向的書（比如Numerical Optimization，Graphic Model等），另外就是Follow牛會牛paper，如果誰有興趣也可以一起來整理個專業的匯總頁。本頁面將持續更新，敬請關註，如有推薦的文章請留言，謝謝！

000 開源工具

機器學習的開源工具

Python機器學習庫

C++矩陣運算庫推薦

001 公開課

Machine Learning | Coursera Andrew NG在coursera上的課，難度比公開課略低，適合入門

斯坦福大學公開課 ：機器學習課程 Andrew NG在學校裏面的課程，網易公開課有中英文字幕，可以配合筆記來看

CMU機器學習系主任Tom Mitchell院士機器學習課程視頻及課件（英文）

機器學習|加州理工，老師是Yaser Abu-Mostafa，會從最基本的理論開始，為你構建機器學習的基礎。

機器學習基石 如果想聽中文課程，臺灣大學的這門就很合適，友情提示，臺大的課程基本上都可以加快語速來聽，原因你懂的

神經網絡|多倫多大學 鼎鼎大名的Geoffrey Hinton ，這門課著實不容錯過

凸優化課程|斯坦福 授課老師是凸優化經典教材的作者Stephen Boyd！有難度有挑戰！

概率圖模型 coursera的另外一個創始人，Daphne Koller的課程，值得一提的是，Koller因提出了Probabilistic Relational Models拿到了2001年的IJCAI Computers and Thought Award

統計學習|斯坦福 授課老師是ESL作者 ，還有同學把視頻放在了百度網盤上～ 這個更快一些

1. 機器學習入門篇

1.1 機器學習介紹

機器學習-維基百科 Machine Learning-Wikipedia

機器學習簡史

規則與機器學習 不建議為了機器學習而機器學習，對於初學者應該是先規則再機器學習，規則直觀，可以深入理解領域知識和特征，要記住一個機器學習的專家必須首先是該領域知識的專家。

貝葉斯思想 MLAPP 第5章 Bayesian statistics 第6章 Frequentist statistics 機器學習第6章 貝葉斯學習

監督學習 ESL 第2章 Overview of Supervised Learning

1.2 書籍

《統計學習方法》 第1章 統計學習方法概論

《機器學習》（Mitchell） 第1章 引言

PRML 第1章 Introduction

MLAPP 第1章 Introduction 第2章 Probability

ESL 第1章 Introduction

Some Notes on Applied Mathematics for Machine (選修)

Machine Learning Textbook minireviews

List of Cool Machine Learning Books

1.3 數學基礎

線性代數：公開課： 線性代數；推薦文章 ： 線性代數的本質，

概率論：公開課： 概率課|臺大 葉老師為人風趣幽默，課程也比較簡單，容易聽進去

書籍：MLAPP第二章

微積分：公開課：單變量微積分|MIT 多變量微積分|MIT

——————————————-

1.4 LDA

LDA最佳學習資料匯總

1.4 Spectral Clustering

Spectral Clustering最佳學習資料匯總

1.5 圖像處理

圖像處理和計算機視覺中的經典論文

2 線性回歸模型

PRML 第3章 Linear Models for Regression

MLAPP 第7章 Linear Regression 第13章 Sparse Linear Models

ESL 第3章 Linear Method for Regression

3 線性分類模型

PRML 第4章 Linear Models for Classification

MLAPP 第8章 Logistic Regression 第9章 Generalized Linear Models and the exponential family

ESL 第4章 Linear Method for Classification

統計機器學習 第6章 邏輯斯諦回歸與最大熵模型

4 神經網絡

PRML 第5章 Neural Networks

ESL 第11章 Neural Networks

統計學習方法 第2章 感知機

機器學習 第4章 人工神經網絡

5 支持向量機

統計學習方法 第7章 支持向量機 (強烈推薦)

PRML 第6章 Kernel Methods 第7章 Sparse Kernel Machine

ESL 第12章 Support Vector Machines and Flexible Discriminants

MLAPP 第14章 Kernels

6 圖模型

PRML 第8章 Graphical Models

MLAPP 第10章 Directed graphical models（Bayes nets） 第19章 Undirected Graphical Models（Marcov random fields）第20章 Exact inference for graphical models 第26章 Graphical model structure learning

統計學習方法 第10章 隱馬爾可夫模型 第11章 條件隨機場

機器學習 6.11 貝葉斯信念網

ESL 第17章 Undirected Graphical Models

Koller 的書

Jordan 的書

7 混合模型和EM

PRML 第9章 Mixture Models and EM

MLAPP 第11章 Mixture models and the EM algorithm

ESL 8.5 The EM Algorithm

統計學習方法 第9章 EM算法及其推廣

8 近似推理

PRML 第10章 Approximate Inference

MLAPP 第21章 Variational Inference 第22章 More Variational Inference

9 采樣方法

PRML 第11章 Sampling Methods

MLAPP 第23章 Monte Carlo inference 第24章 Markov Chain Monte Carlo (MCMC) inference

ESL 8.6 MCMC for Sampling from Posterior

10 PCA

PRML 第12章 Continuous Latent Variables

MLAPP 第12章 Latent Linear Models

ESL 14.5 Principal Componens， Curves and Surfaces

11 HMM

PRML 13.1 13.2 Hidden Marcov Models

MLAPP 第17章 Marcov and Hidden Marcov Models

12 組合模型

(投票，boosting，bagging，樹模型，model averaging)

PRML 第14章 Combining Models

統計學習方法 第5章 決策樹 第8章 提升方法

MLAPP 第16章 Adaptive basis function models

ESL 第15章 Random Forests 第16章 Ensemble Learning 8.7 Bagging 第9章 Additive Models, Trees, and Related Methods 第10章 Boosting and Additive Trees

機器學習 第3章 決策樹學習

14 聚類

ESL 14.3 Cluster Analysis

MLAPP 25章 Clustering

PRML 9.1 K-means Clustering

15 近鄰

ELS 第13章 Protype Methods and Nearest-Neighbors

16 Deep Learning

http://deeplearning.net/

Deep Learning Tutorial

MLAPP 第28章 Deep Learning

2.2 Deep Learning教程

UFLDL-斯坦福大學Andrew Ng教授“Deep Learning”教程

3. 自然語言處理入門篇

3.1 斯坦福大學自然語言處理公開課

NLP | 斯坦福 授課教師是 Dan Jurafsky 以及 Christopher Manning，英文不是很有信心的可以參考《斯坦福大學自然語言處理公開課中文解讀》

NLP | 哥倫比亞 授課老師是Michael Collins大神

3.2 統計機器翻譯

Statistical Machine Translation

統計機器翻譯開源軟件匯總

註：本頁面將持續更新，敬請期待！

機器學習資料大匯總