Machine-Learning-Tutorials README

The project's README from github.com/ujjwalkarn/Machine-Learning-Tutorials. As one markdown file: README.md.

Machine Learning & Deep Learning Tutorials Awesome

Contents

Introduction

Interview Resources

Artificial Intelligence

Genetic Algorithms

Statistics

Useful Blogs

Resources on Quora

Kaggle Competitions WriteUp

Cheat Sheets

Classification

Linear Regression

Logistic Regression

Model Validation using Resampling

Deep Learning

Natural Language Processing

Computer Vision

Support Vector Machine

Reinforcement Learning

Decision Trees

Random Forest / Bagging

Boosting

Ensembles

Stacking Models

Vapnik–Chervonenkis Dimension

Bayesian Machine Learning

Semi Supervised Learning

Optimization

Other Tutorials

Machine-Learning-Tutorials (ujjwalkarn/Machine-Learning-Tutorials)

Searching Database…

这是什么?这是一个按主题分类整理的机器学习和深度学习教程、文章及其他资源清单,以一个 GitHub README 的形式维护。
它是一门可以跟着学的课程,还是只是一个很大的链接索引?只是一个索引:它本身不提供任何课程,而是整理指向外部教程、大学课程、博客、书籍和速查表的链接,同时也会指向其他 awesome 列表,其中包括面向数据科学的 R 和 Python 精选教程清单。
机器学习新手面对这么大的一个清单,应该从哪里开始?Introduction(入门)部分汇集了入门入口:吴恩达(Andrew Ng)在斯坦福的机器学习课程、《An Introduction to Statistical Learning》,以及用 15 小时专家视频深入介绍机器学习的课程。
内容还算新吗,还是说会碰到失效的链接?要有心理准备:这个仓库创建于 2015 年,也没有说明更新频率,像牛津大学 2015 年的视频课程这类条目已经显得过时——在依赖某个链接之前,先确认它还能打开。
这个清单涵盖哪些主题?覆盖面非常广:机器学习和统计学入门、分类、线性和逻辑回归、模型验证与重采样、深度学习及其框架、自然语言处理、计算机视觉、SVM、强化学习、决策树、集成方法以及贝叶斯机器学习。
深度学习部分覆盖得多深,包含哪些框架?有一个很大的 Deep Learning 板块:fast.ai 课程、深度学习论文阅读路线图、《Neural Networks and Deep Learning》在线书籍,以及按架构划分的教程——前馈神经网络、RNN/LSTM、自编码器和 CNN。涵盖的框架包括 TensorFlow、Theano、Torch、Caffe 和 Keras/Lasagne。
它对数据科学求职面试或 Kaggle 比赛有帮助吗?有。专门的 Interview Resources(面试资源)板块收录了诸如《41 Essential Machine Learning Interview Questions (with answers)》之类的清单,Kaggle 板块则汇集了比赛复盘文章,包括《How to Rank 10% in Your First Kaggle Competition》。
我可以把这个清单复制下来,用到自己的项目里吗?可以——该仓库采用 CC0-1.0 许可证(类似公有领域),因此这个清单可以被复用、修改和重新发布,而且无需署名。
Creator
ujjwalkarn
Size
8.8 MB
Stars
18.3K
Updated
CommitOct 04
Age
11y
Commits · 90 Days