机器学习入门学习资料推荐
2019 第 34 篇文章,总第 58 篇文章
本文大约 9000 字,资料挺多建议收藏慢慢看
上篇文章说的总结机器学习方面的资料,整理好了,主要是分为以下几个方面的资料:
编程语言:实现机器学习,主要是介绍 Python 方面的语言;
书籍:看书通常是入门的一种方法,比较适合自律性强的同学;
视频:入门的第二种方法就是看视频,虽然会比看书慢一些,但是胜在详细,对完全零基础者是非常友好的;
教程:主要是一些教程文章;
博客网站:常去的网站,包括一些大神博客;
Github 项目:Github 上的一些项目;
比赛:最好的学习方法还是通过项目实战来加深理解,机器学习还有很多公开的比赛;
论文:无论是学生还是工作,看论文都是为了紧跟大牛的步伐,了解研究领域最先进最好的算法。
由于微信公众号不支持外链,可以点击文末“阅读原文”,方便点击链接。
1. 编程语言
目前机器学习领域最常使用的就是 Python,并且它对初学者非常友好,所以推荐的是 Python 方面的一些教程、书籍资料。
教程
Python 3.7.3 文档
https://docs.python.org/zh-cn/3.7/
廖雪峰老师的 Python3 教程
https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000
Comprehensive Python Cheatsheet:python 知识点小抄
https://github.com/gto76/python-cheatsheet
书籍
《Python 编程从入门到实践》
《流畅的 Python》
常用工具库介绍
Numpy
最基础的 Python 库,可以用于处理数组、矩阵相关的计算。
官网
http://www.numpy.org/
官方教程
https://www.numpy.org/devdocs/user/quickstart.html
numpy-100练习题
http://www.labri.fr/perso/nrougier/teaching/numpy.100/
Pandas
官方文档
https://pandas.pydata.org/pandas-docs/stable/
10 Minutes to pandas
http://pandas.pydata.org/pandas-docs/stable/getting_started/10min.html
Scipy
官方教程
https://docs.scipy.org/doc/scipy/reference/tutorial/index.html
Matplotlib
Matplotlib 教程
https://liam.page/2014/09/11/matplotlib-tutorial-zh-cn/
Scikit-learn
官网
https://scikit-learn.org/
官方教程
https://scikit-learn.org/stable/tutorial/index.html
Jupyter Notebook
Awesome Jupyter--介绍了 Jupyter 相关的库、资源和教程,总共11个类别等
https://github.com/markusschanta/awesome-jupyter
Jupyter Notebook 教程,入门+进阶
https://www.dataquest.io/blog/jupyter-notebook-tutorial/
https://www.dataquest.io/blog/advanced-jupyter-notebooks-tutorial/
Pycharm
喏,你们要的 PyCharm 快速上手指南
https://zhuanlan.zhihu.com/p/26066151
Pycharm 官方教程
http://www.jetbrains.com/pycharm/documentation/
Pycharm toolbar window
http://www.jetbrains.com/help/pycharm/2016.3/debug-tool-window.html%23steptoolbar
Pycharm 皮肤主题及个性化设置
http://blog.csdn.net/garfielder007/article/details/53873787
Pycharm 更换主题
http://blog.csdn.net/felcon/article/details/38491413
pycharm快捷键及一些常用设置
http://www.cnblogs.com/kaituorensheng/p/5371366.html
2. 书籍
《统计学习方法》:李航老师的书,非常经典,强力推荐!并且现在已经有实现书中算法的代码,可以搭配使用!
代码:https://github.com/wzyonggege/statistical-learning-method
https://github.com/WenDesi/lihang_book_algorithm
https://blog.csdn.net/tudaodiaozhale
https://github.com/fengdu78/lihang-code
《机器学习》:周志华老师的书,也称为西瓜书,同样也是推荐阅读。基本涵盖了机器学习的所有分支,包括监督学习、无监督学习、强化学习、特征选择等。
《机器学习实战》:这是一本比较偏实战方面的书,每种经典的算法都用 Python 代码一步步实现,包括 KNN、决策树、贝叶斯、逻辑回归、SVM、AdaBoost 这几种分类算法,还有回归、无监督学习、降维以及大数据方面的内容。
《hands-on-ml-with-sklearn-and-tf》:一本入门书籍,并且附带使用
sklearn
和tensorflow
两个库,目前有中文版的翻译,推荐!
电子书:
http://download.csdn.net/download/xinconan1992/9877225
中文版:
https://github.com/apachecn/hands_on_Ml_with_Sklearn_and_TF
Code:
https://github.com/ageron/handson-ml
《百面机器学习》:这本书可以用于查漏补缺,看看你对机器学习是否真正了解透彻,可以看看这本书,看看有哪些知识点还需要深入学习或者是补充的。
《推荐系统实战》:适合对于像了解推荐系统的小伙伴们!
《深度学习》:一本非常经典的书,如果想了解深度学习的内容,可以考虑看这本书,当然书非常厚,而且包含非常多的知识,从基础的数学到深度学习的 CNN、RNN 模型。
3. 视频
视频课程主要推荐三位老师的课程。
吴恩达老师的两门课程
机器学习:这也是很多人推荐的入门课程。
Couresa
https://www.coursera.org/learn/machine-learning
网易云
http://open.163.com/special/opencourse/machinelearning.html
深度学习 deeplearning.ai
Coursera
http://www.coursera.org/specializations/deep-learning
网易云课堂
http://mooc.study.163.com/smartSpec/detail/1001319001.htm
李宏毅老师的课程
2019 机器学习课程
youtube
https://www.youtube.com/playlist?list=PLJV_el3uVTsOK_ZK5L0Iv_EQoL1JefRL4
B站
https://www.bilibili.com/video/av46561029/
课程资料链
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html
深度学习课程 b站视频
林轩田老师的两门课程
课程主页
https://www.csie.ntu.edu.tw/~htlin/
机器学习基石
b站视频
https://www.bilibili.com/video/av12463015/
配套书籍:Learning From Data
http://amlbook.com/
机器学习技法
b站视频
https://www.bilibili.com/video/av36760800/
4. 教程
推荐一些网上的教程,包括机器学习、深度学习方面的教程,可以用于辅助学习,在看书或者看视频的时候,如果觉得理解还不够透彻,可以看看这些网上教程,有助于更好的理解算法。
http://www.huaxiaozhuan.com/--AI算法工程师手册,包含数学基础、机器学习、深度学习、计算机视觉和NLP等知识
https://github.com/apachecn/AiLearning--AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NLP
https://feisky.xyz/machine-learning/--机器学习与人工智能学习笔记,包括机器学习、深度学习以及常用开源框架(Tensorflow、PyTorch)等
https://github.com/open-source-for-science/TensorFlow-Course#why-use-tensorflow--简单快速入门的TF教程
https://github.com/aymericdamien/TensorFlow-Examples/--2w6的Star的教程,从机器学习算法到深度学习,以及一些使用方法,比如数据加载、模型保存、多GPU、可视化
https://github.com/zeusees/HyperDL-Tutorial?from=singlemessage&isappinstalled=0--整理深度学习方面的教程,包括基础网络、框架总结、网络设计和转换等
https://zybuluo.com/hanbingtao/note/433855--总共七章内容,从感知器、CNN到RNN、LSTM
https://github.com/scutan90/DeepLearning-500-questions:深度学习500问,以问答的形式介绍了机器学习、深度学习的一些知识点
5. 博客 & 网站
推荐一些大牛和公司团队的博客或者网站。
博客
分别推荐国内外的博客:
国内
1.机器学习--这是别人学习机器学习和深度学习做下笔记的博客,有好几十篇博文呢。
http://www.cnblogs.com/tornadomeet/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/default.html?page=1
2.zouxy09的专栏--这个博客不只有机器学习内容,还有一个深度学习的系列。
http://blog.csdn.net/zouxy09
3.Machine Learning--也是有关机器学习的一个博客。
http://www.cnblogs.com/jerrylead/tag/Machine%20Learning/default.html?page=1
4.美团技术团队
https://tech.meituan.com/
5.苏剑林的博客
https://spaces.ac.cn/
6.火光摇曳:腾讯技术大牛们的博客
http://www.flickering.cn/
国外
1.OpenAI
https://blog.openai.com/
2.Distill
https://distill.pub/
3.Google AI Blog--谷歌AI的博客
https://ai.googleblog.com/
4.Notes on machine learning
https://peterroelants.github.io/
5.BAIR Blog--伯克利大学AI小组博客
http://bair.berkeley.edu/blog/
6.DeepMind Blog--DeepMind的博客
https://deepmind.com/blog/?category=research
7.FAIR Blog--Facebook AI博客
https://research.fb.com/blog/
8.Netflix:Netflix技术博客
https://medium.com/netflix-techblog
Towards Data Science
https://towardsdatascience.com/
网站
同样也是分国内和国外的几个网站
国内
(推荐)机器之心--国内 AI 领域非常出名的公众号及平台
https://www.jiqizhixin.com/
PaperWeekly--论文阅读笔记
https://www.paperweekly.site/tags/176/papers
通天塔--论文阅读,中英文翻译对比
http://tongtianta.site/
国外
Arxiv--寻找最新论文的网站
https://arxiv.org/
Arxiv Sanity Preserver--对 arXiv 更好的展示论文
http://www.arxiv-sanity.com/
(强力推荐)Papers With Code--论文及其实现代码
https://paperswithcode.com/
(强力推荐)Browse state-of-the-art记录了16个大类,总共950+个任务的当前最先进的技术
https://paperswithcode.com/sota
RSIP vision--图像处理和计算机上视觉
https://www.rsipvision.com/
Learn Opencv
https://www.learnopencv.com/
(推荐)PyimageSearch--计算机视觉、opencv等,并且都是详细实现代码,每一步实现都解释得很清楚!
https://www.pyimagesearch.com
6. Github 项目
Tensorflow/models--TensorFlow 官方 Github
https://github.com/tensorflow/models
gluon-cv--GluonCV 提供了当前计算机视觉性能最优的深度学习模型
https://github.com/dmlc/gluon-cv
Deep Learning - All You Need to Know--深度学习资源,包含了论文、网络模型、教程、数据集、博客、框架等等
https://github.com/osforscience/deep-learning-ocean
人脸
awesome-Face_Recognition--近十年的人脸相关的所有论文合集
https://github.com/ChanChiChoi/awesome-Face_Recognition
face_recognition--人脸识别库,可以实现识别、检测、匹配等等功能
https://github.com/ageitgey/face_recognition
计算机视觉
Awesome Image Classification--图像分类方面的汇总,常用的网络模型的性能结果,代码实现以及论文
https://github.com/weiaicunzai/awesome-image-classification
Awesome-Image-Inpainting--图像修复方面的资料汇总
https://github.com/1900zyh/Awesome-Image-Inpainting
7. 比赛
比赛网站
1.Kaggle
https://www.kaggle.com/
2.天池
https://tianchi.aliyun.com/home/
3.DataFountain
https://www.datafountain.cn/
4.FlyAI
https://www.flyai.com/
5.JData
https://jdata.jd.com/
比赛经验
https://zhuanlan.zhihu.com/p/25742261
https://zhuanlan.zhihu.com/p/27424282
[https://zhuanlan.zhihu.com/p/37663895
https://www.zhihu.com/question/24533374
https://zhuanlan.zhihu.com/p/25686876
https://zhuanlan.zhihu.com/p/29923137
8. 论文
最后就是介绍论文,对于选择读研的同学,了解熟悉自己所在领域的顶会是很有必要的,通过阅读研究领域的一些经典以及最新论文,了解当前领域的最新进展,并且也有助于发表论文。
这里主要介绍机器学习领域,特别是计算机视觉领域的几个顶会。
顶会
AAAI: 顶级人工智能综合会议
2019年 accepted paper:
https://aaai.org/Conferences/AAAI-19/wp-content/uploads/2018/11/AAAI-19_Accepted_Papers.pdf
2018年 accepted paper:
https://aaai.org/Conferences/AAAI-18/wp-content/uploads/2017/12/AAAI-18-Accepted-Paper-List.Web_.pdf
2017年 accepted paper:
https://www.aaai.org/Conferences/AAAI/2017/aaai17accepted-papers.pdf
IJCAI: 顶级人工智能综合会议
2018年accepted paper:
http://www.ijcai-18.org/accepted-papers/index.html
2017年accepted paper:
https://ijcai-17.org/accepted-papers.html
ICML :顶级机器学习会议
2018年 accepted paper:
https://icml.cc/Conferences/2018/Schedule?type=Poster
2017年 accepted paper:
https://icml.cc/Conferences/2017/Schedule?type=Poster
NIPS:顶级综合人工智能会议
2018年 accepted paper:
https://nips.cc/Conferences/2018/Schedule?type=Poster
2017年 accepted paper:
https://nips.cc/Conferences/2017/Schedule?type=Poster
CVPR:计算机视觉与模式识别
CVPR 2018 accepted paper:http://openaccess.thecvf.com/CVPR2018.py
CVPR 2017 accepted paper:http://openaccess.thecvf.com/CVPR2017.py
ICCV:国际计算机视觉大会
ICCV 2017 accepted paper:http://openaccess.thecvf.com/ICCV2017.py
ECCV:欧洲计算机视觉国际会议
ECCV 2018 accepted paper:http://openaccess.thecvf.com/ECCV2018.py
综合资源
deep-learning-papers-translation--Github 深度学习论文翻译,包括分类论文,检测论文等
https://github.com/SnailTyan/deep-learning-papers-translation
deep-learning-papers--深度学习的论文,包括视觉、文本、音频
https://github.com/sbrugman/deep-learning-papers
各种机器学习任务的顶级结果(论文)汇总--汇总多个任务,包括视觉、语音、NLP、强化学习等方向的最顶级结果的论文
https://github.com/RedditSota/state-of-the-art-result-for-machine-learning-problems
小结
最后,对于机器学习的初学者:
如果是喜欢看书的,推荐直接看书,李航老师的《统计学习方法》和周志华老师的《机器学习》两者选一本作为入门,也可以搭配《机器学习实战》来一步步通过代码实现算法;
如果希望通过视频入门,那么推荐的三位老师的课程,可以选择其中一位老师的课程来学习,刚好每位老师都有两个系列的课程,由浅入深。
第三种选择也可以看网上的教程,有很多不同的系列文章,并且写得也通俗易懂,也是可以选择的一种入门方式!
最后上述机器学习资料我也放到 Github 上了,欢迎 star!
https://github.com/ccc013/DeepLearning_Notes#deeplearning_notes
推荐的书籍以及视频都打包放到网盘上了,获取方式如下:
关注公众号“机器学习与计算机视觉”
在公众号会话界面回复“机器学习”,即可获取网盘链接
今日留言主题:谈谈你当初通过哪本书或者哪个视频课程开始你的机器学习之旅的
欢迎点击下方图片,进行留言!
欢迎关注我的微信公众号--机器学习与计算机视觉,或者扫描下方的二维码,大家一起交流,学习和进步!