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）
