diff --git a/README.md b/README.md index 61d8956..bb8de8f 100644 --- a/README.md +++ b/README.md @@ -3,19 +3,39 @@ **致力于分享最新最全面的机器学习资料，欢迎你成为贡献者!** *快速开始学习：* -- 周志华的[《机器学习》](https://pan.baidu.com/s/1hscnaQC)作为通读教材，不用深入，大概了解机器学习来龙去脉 -- 李航的[《统计学习方法》](https://pan.baidu.com/s/1dF2b4jf)作为经典的深入案例，仔细研究几个算法的来龙去脉 + +- 周志华的[《机器学习》](https://pan.baidu.com/s/1hscnaQC)作为通读教材，不用深入，从宏观上了解机器学习 + - 《机器学习》西瓜书公式推导解析：https://datawhalechina.github.io/pumpkin-book/ + +- 最新的[《神经网络与深度学习》](https://mp.weixin.qq.com/s?__biz=MzIwOTc2MTUyMg==&mid=2247488439&idx=1&sn=df51b67ac2a42fe1a8417a7e4d308b8b&chksm=976fb62aa0183f3c8cfbfcf2c1613aa3a168f782bc5b439aa2a5db9574a33f678a081a1d24a5&mpshare=1&scene=1&srcid=0409hgaWjfxz2LzGtniTpAKh&key=12a4c5f4665589b6914fa6a60a7fe4bd6a4fc4855ac8967b945678646a60c26482467697a46b85e85c7a6a7d564aac41d6c0312307a7f95ba299d3b3cf8433f9a159f999d9484534452672dbdd9fd270&ascene=1&uin=NjMzMjQzMTYw&devicetype=Windows+10&version=62060739&lang=zh_CN&pass_ticket=CIhr0hAvTnkZIvwFNRQ2%2BWhir8OVCkCt9tarvfIPS5SWtyyQKMLGOBt%2BItSffrll) + +- 李航的[《统计学习方法》](https://pan.baidu.com/s/1dF2b4jf)作为经典的深入案例，仔细研究几个算法的来龙去脉 | [书中的代码实现](https://github.com/WenDesi/lihang_book_algorithm) + - 使用Python语言，根据[《机器学习实战》](https://pan.baidu.com/s/1gfzV7PL)快速上手写程序 -- 参照Youtube机器学习红人Siraj Raval的视频+代码可以帮助你更好地进入状态！ - - [原Youtube地址需要梯子](https://www.youtube.com/watch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D) | [百度网盘](https://pan.baidu.com/s/1jICGJFg) -- 最后，你可能想真正实战一下。那么，请到注明的机器学习竞赛平台Kaggle上做一下这些基础入门的[题目](https://www.kaggle.com/competitions?sortBy=deadline&group=all&page=1&pageSize=20&segment=gettingStarted)吧！(Kaggle上对于每个问题你都可以看到别人的代码，方便你更加快速地学习)  [Kaggle介绍及入门解读](https://zhuanlan.zhihu.com/p/25686876) [可以用来练手的数据集](https://www.kaggle.com/annavictoria/ml-friendly-public-datasets/notebook) + +- 来自国立台湾大学李宏毅老师的机器学习和深度学习中文课程，强烈推荐：[课程](http://speech.ee.ntu.edu.tw/~tlkagk/courses.html) + +- 《迁移学习导论》助你快速入门迁移学习！ [书的主页](http://jd92.wang/tlbook) + - 迁移学习统一代码库：[Domain adaptation](https://github.com/jindongwang/transferlearning/tree/master/code/DeepDA) | [Domain generalization](https://github.com/jindongwang/transferlearning/tree/master/code/DeepDG) | [更多代码](https://github.com/jindongwang/transferlearning) + +- 最后，你可能想真正实战一下。那么，请到著名的机器学习竞赛平台Kaggle上做一下这些基础入门的[题目](https://www.kaggle.com/competitions?sortBy=deadline&group=all&page=1&pageSize=20&segment=gettingStarted)吧！(Kaggle上对于每个问题你都可以看到别人的代码，方便你更加快速地学习)  [Kaggle介绍及入门解读](https://zhuanlan.zhihu.com/p/25686876) [可以用来练手的数据集](https://www.kaggle.com/annavictoria/ml-friendly-public-datasets/notebook) + +其他有用的资料： + - 想看别人怎么写代码？[机器学习经典教材《PRML》所有代码实现](https://github.com/ctgk/PRML) + - [机器学习算法Python实现](https://github.com/lawlite19/MachineLearning_Python) +- [吴恩达新书：Machine Learning Yearning中文版](https://pan.baidu.com/s/10kosKx6rDguS4tPejY-fRw) + - 另外，对于一些基础的数学知识，你看[深度学习(花书)中文版](https://github.com/exacity/deeplearningbook-chinese)就够了。这本书同时也是**深度学习**经典之书。 +- 来自南京大学周志华小组的博士生写的一本小而精的[解析卷积神经网络—深度学习实践手册](http://lamda.nju.edu.cn/weixs/book/CNN_book.html) - - - + +[一个简洁明了的时间序列处理(分窗、特征提取、分类)库：Seglearn](https://dmbee.github.io/seglearn/index.html) + [计算机视觉这一年：这是最全的一份CV技术报告](https://zhuanlan.zhihu.com/p/31430602) [深度学习(花书)中文版](https://github.com/exacity/deeplearningbook-chinese) @@ -33,10 +53,33 @@ [Learning Machine Learning? Six articles you don’t want to miss](http://www.ibmbigdatahub.com/blog/learning-machine-learning-six-articles-you-don-t-want-miss) [Getting started with machine learning documented by github](https://github.com/collections/machine-learning) + - - - -## 预备知识 Prerequisite +## 研究领域资源细分 + +- ### [深度学习 Deep learning](https://github.com/ChristosChristofidis/awesome-deep-learning) + +- ### [强化学习 Reinforcement learning](https://github.com/aikorea/awesome-rl) + +- ### [迁移学习 Transfer learning](https://github.com/jindongwang/transferlearning) + +- ### [分布式学习系统 Distributed learning system](https://github.com/theanalyst/awesome-distributed-systems) + +- ### [计算机视觉/机器视觉 Computer vision / machine vision](https://github.com/jbhuang0604/awesome-computer-vision) + +- ### [自然语言处理 Natural language procesing](https://github.com/Nativeatom/NaturalLanguageProcessing) + +- ### [生物信息学 Bioinfomatics](https://github.com/danielecook/Awesome-Bioinformatics) + +- ### [行为识别 Activity recognition](https://github.com/jindongwang/activityrecognition) + +- ### [多智能体 Multi-Agent](http://ddl.escience.cn/f/ILKI) + +- - - + +## 开始学习：预备知识 Prerequisite - [学习知识与路线图](https://metacademy.org/) @@ -87,38 +130,6 @@ - - - -## 理论 Theory - -- ### 深度学习 Deep learning - -- ### [强化学习 Reinforcement learning](https://github.com/allmachinelearning/ReinforcementLearning) - -- ### [迁移学习 Transfer learning](https://jindongwang.github.io/transferlearning/) - -- ### [分布式学习系统 Distributed learning system](https://github.com/allmachinelearning/Deep-Learning-System-Design) - -- - - - - -## 应用 Applications - -- ### 计算机视觉/机器视觉 Computer vision / machine vision - -- ### [自然语言处理 Natural language procesing](https://github.com/Nativeatom/NaturalLanguageProcessing) - -- ### 语音识别 Speech recognition - -- ### 生物信息学 Bioinfomatics - -- ### 医疗 Medical - -- ### [行为识别 Activity recognition](https://github.com/jindongwang/activityrecognition) - -- ### [人工智能(多智能体) Artificial Intelligence(Multi-Agent)](http://ddl.escience.cn/f/ILKI) - -- - - - - ## 文档 notes - [综述文章汇总](https://github.com/allmachinelearning/MachineLearning/blob/master/notes/survey_readme.md) @@ -156,7 +167,7 @@ - [Neural Networks for Machine Learning](https://www.coursera.org/learn/neural-networks), Coursera上的著名课程，由Geoffrey Hinton教授主讲。 -- [Stanford CS 229](http://cs229.stanford.edu/materials.html), Andrew Ng机器学习课无阉割版，Notes比较详细 +- [Stanford CS 229](http://cs229.stanford.edu/materials.html), Andrew Ng机器学习课无阉割版，Notes比较详细，可以对照学习[CS229课程讲义的中文翻译](https://github.com/Kivy-CN/Stanford-CS-229-CN)。 - [CMU 10-702 Statistical Machine Learning](http://www.stat.cmu.edu/~larry/=sml/), 讲师是Larry Wasserman，应该是统计系开的机器学习，非常数学化，第一节课就提到了RKHS(Reproducing Kernel Hilbert Space),建议数学出身的同学看或者是学过实变函数泛函分析的人看一看 @@ -361,8 +372,6 @@ #### [贡献者 Contributors](https://github.com/allmachinelearning/MachineLearning/blob/master/contributors.md) -> ***[文章版权声明]这个仓库是我开源到Github上的，可以遵守相关的开源协议进行使用。这个仓库中包含有很多研究者的论文、硕博士论文等，都来源于在网上的下载，仅作为学术研究使用。我对其中一些文章都写了自己的浅见，希望能很好地帮助理解。这些文章的版权属于相应的出版社。如果作者或出版社有异议，请联系我进行删除（本来应该只放文章链接的，但是由于时间关系来不及）。一切都是为了更好地学术！*** - diff --git a/contributors.md b/contributors.md index 84c4849..280fd6b 100644 --- a/contributors.md +++ b/contributors.md @@ -8,6 +8,7 @@ | [Jiapeng Zhang](https://www.zhihu.com/people/jiapengzhang) | 三本大学生 | | [Zhigang He](https://github.com/Hochikong) | 暨南大学 | | [Wenhan Wu](https://github.com/wwh2259253) | 三本菜鸡 | +| [Nativeatom](https://github.com/Nativeatom)| 南京大学 | diff --git a/notes/MLMaterials.md b/notes/MLMaterials.md index 1f00176..77b20d1 100644 --- a/notes/MLMaterials.md +++ b/notes/MLMaterials.md @@ -24,7 +24,7 @@ #### 1.3. 工具 * 第三方库 机器学习有很多开源库可以直接拿来用，github是个不错的获取代码的网站，比较著名的有： - * [libsvm](https://github.com/cjlin1/libsvm)，作者是林轩田，是svm的标准库。 +    * [libsvm](https://github.com/cjlin1/libsvm)，作者是林智仁，是svm的标准库。 * [scikit-learn](http://scikit-learn.org)，scikit包是python中著名的处理数据的包，其中内置了几乎所有流行的机器学习算法，配合python简洁的语法操作，使用起来很方便。 * [pandas](http://www.cnblogs.com/chaosimple/p/4153083.html)，python的一个包，其中对表的处理比较出色，我只是试用过。 * [pylearn2](https://github.com/lisa-lab/pylearn2),这个我没有接触过，不过在github上排名很靠前，应该不错。 diff --git a/notes/survey_readme.md b/notes/survey_readme.md index 4bfdc1b..bf17e93 100644 --- a/notes/survey_readme.md +++ b/notes/survey_readme.md @@ -10,7 +10,11 @@ - [半监督学习Semi-supervised learning literature survey_Zhu_2005.pdf](https://mega.nz/#!gKYVFTrI!sLkVspn3uVwVHWVhv3XUObmFBIVRdlhbHuqQXzuht_4) - [稀疏子空间聚类Sparse Subspace Clustering_Elhamifar_Vidal_2013.pdf](https://mega.nz/#!0eAC2ajD!xWZhO9Pvh7qJwpHKkyYLnqKbLye9coSX0fd6WuyiIs4) - [聚类算法Survey of Clustering Algorithms_Xu_WunschII_2005.pdf](https://mega.nz/#!dKJAjAqJ!BwiVi3KGDaGXIWGlIiOo9cenHcTmtRyAxNW6WgKFQgE) +- [特征选择综述] +--------1.A Survey on semi-supervised feature selection methods +--------2.Feature selection in machine learning A new perspective +--------3.Feature Selection: A Data Perspective - [深度学习各种综述](https://mega.nz/#F!NaxA0ADS!QIxYDA6A760jfPbFbElCYA) - 最著名的综述：深度学习三巨头在2015年Nature上的[Deep learning](https://mega.nz/#!ZL4VFTiK!hcpVDDd9MtsFlBZHp-KaETk0bOAdcBaq_ioci75NrK8) - 比较完整的综述：[Deep learning in neural networks - an overview](https://mega.nz/#!lLJj3Rwb!t6yO7hDDYZHYj1UDFX17gAjQkZ77mmXhQKa0aayDhJg) - - 此外，还有一些中英文的综述，都在上面目录里。 \ No newline at end of file + - 此外，还有一些中英文的综述，都在上面目录里。