本文共 5025 字，大约阅读时间需要 16 分钟。
瑞士人工智能实验室 Jurgen Schmidhuber 的最新版本《神经网络与深度学习综述》以时间顺序从 1940 年开始讲起，覆盖了深度学习的发展历程，引用全面，适合深入理解深度学习的发展轨迹。
对于 Python 工程师而言，Python 机器学习库是深入学习机器学习的不二选择。这篇文章对这些库进行了全面介绍，值得深入探索。
如果你正在设计或管理机器学习项目，这份文章提供了丰富的管理模版和实践方法，帮助你高效推进项目。
如果你对机器学习不太了解，或者想找到一篇生动有趣的入门文章，这篇已被翻译成中文的文章值得一读。
R 语言是机器学习的重要工具之一，但很多人不知道其核心函数和关键字的含义。这篇文章为学习者提供了有价值的资源。
选择合适的机器学习算法时，这篇文章以 Naive Bayes、Logistic Regression、SVM 等方法为例，比较了它们的优劣，并讨论了样本大小、特征与模型权衡等关键问题。
从感知机到深度网络，这篇深度学习概述以浅入深的方式介绍了关键概念和最新进展，适合对深度学习感兴趣的读者。
这是一本由雪城大学新编的第二版《数据科学入门》教材，内容实用且易于理解，适合想学习数据科学的读者。
这是一份向图灵奖得主 Donald Knuth 提问的记录稿，内容涉及 TAOCP、P/NP 问题、图灵机等深度话题，值得研究人员深入阅读。
麻省理工的 Joshua B. Tenenbaum 和剑桥的 Zoubin Ghahramani 合作撰写的《The Automatic Statistician》介绍了如何自动选择统计模型并生成报告，这项技术对数据分析具有重要意义。
对深度学习和 representation learning 最新进展感兴趣的同学，这篇文章提供了丰富的资源和参考。
斯坦福的 Manning 与谷歌的 Raghavan 合著的《Introduction to Information Retrieval》是北美最受欢迎的信息检索教材之一，内容理论丰富，实践性强。
Deniz Yuret 用 10 张清晰的图解了机器学习的关键概念，如偏差-方差权衡、过拟合、贝叶斯方法等，帮助读者快速理解核心概念。
雅虎研究院提供了多种数据集，涵盖语言、图像、评分分类等多个领域，是数据科学家和机器学习研究者的宝贵资源。
Trevor Hastie 和 Robert Tibshirani 的新书已在 2014 年开课，内容涉及统计学习的前沿，适合对统计方法感兴趣的读者。
这篇文章汇总了机器学习的最佳入门资料，专为初学者设计，帮助他们快速入门学习机器学习。
Tim Dettmers 在 Kaggle 上取得了不错成绩，他分享了如何选择和配置深度学习的 GPU，内容对构建深度学习集群有重要参考价值。
这篇文章以 Learning to Rank 为例，详细介绍了 RankNet、LambdaRank 等排序模型的实现和应用，是机器学习实践的好资料。
这是一个汇总了 100 个最好的深度学习项目的列表，涵盖了从基础到高级的算法和实践项目，适合开发者和研究人员。
这套教程详细介绍了无监督特征学习和深度学习的核心思想，并提供了实践项目，帮助读者理解这些算法的实际应用。
这篇文章系统梳理了机器学习的经典算法，从决策树到支持向量机，再到最新的深度学习方法，内容全面且有深度。
这是一本免费的在线神经网络书籍，已写完三章，并配有开源代码，适合想学习神经网络的读者。
这份整理了 Java 语言下的机器学习库和平台，涵盖了大数据、NLP、计算机视觉和深度学习等多个领域，非常适合 Java 开发者。
这篇文章被认为是机器学习的最基础入门文章，语言简洁，适合零基础的读者。
这篇文章从学习方式和算法类似性两个角度对机器学习算法进行了系统介绍，内容深入且有条理。
Tim Dettmers 在 Kaggle 上分享了如何选择和配置深度学习的 GPU，这份内容对深度学习实践者非常有用。
这本书籍由谷歌和 MIT 共同出品，内容涵盖了机器学习中的数学基础，适合对数学背景要求较高的读者。
这套教程详细介绍了 TensorFlow 的核心概念和实践，适合对深度学习感兴趣的开发者和研究人员。
这篇文章汇总了机器学习的最佳入门资料，专为初学者设计，帮助他们快速入门学习机器学习。
这篇文章系统介绍了贝叶斯学习的原理和应用，对想深入理解贝叶斯方法的读者非常有帮助。
这套教程从目标检测到行人检测等内容，全面介绍了计算机视觉的核心技术，适合新手和研究人员。
斯坦福的 James L. McClelland 撰写的《Explorations in Parallel Distributed Processing》重点介绍了分布式神经网络的实现方法，是分布式深度学习的宝贵资源。
加州理工学院出品的机器学习课程所有视频都可以在公开课网站上观看，适合英语基础较强的读者。
这份书单汇总了机器学习领域的经典书籍，涵盖了数学基础和算法理论，适合入门和进阶学习者。
这16本机器学习电子书可以在 Pad 或手机上阅读，适合在日常阅读时参考，帮助巩固知识点。
这份记录稿汇总了 Charles Leiserson 等大牛向图灵奖得主提出的问题，内容涉及 TAOCP、P/NP 问题等深度话题，非常有价值。
康奈尔大学的 David Mimno 写的《对机器学习初学者的一点建议》强调实践与理论结合，引用了冯诺依曼的名言，内容贴近实际。
这本书籍由 IBM 工程师合著，详细介绍了推荐引擎相关算法，并提供了实现技巧，适合对推荐系统感兴趣的读者。
这篇文章系统介绍了机器学习的基础知识，尤其是监督学习、逻辑回归和梯度下降的核心概念，适合入门学习者。
这篇文章汇总了机器学习领域的经典论文，适合想深入研究的读者阅读和反思。
这套教程详细介绍了计算机视觉中的目标检测技术，涵盖了经典算法和最新进展，适合计算机视觉研究者参考。
这篇文章介绍了深度学习在实际应用中的案例，内容丰富，适合想了解深度学习实际应用效果的读者。
ACL 候任主席 Chris Manning 教授的《自然语言处理》课程所有视频都可以在斯坦福公开课网站上观看，适合对 NLP 感兴趣的读者。
这篇文章探讨了深度学习与统计学习理论之间的联系，作者来自百度，内容深入且有新意。
2014 年国际机器学习大会（ICML）在北京成功举办，微软亚洲研究院和清华大学联手主办，吸引了1200多位学者参与，内容丰富，值得深入学习。
这本书籍详细介绍了推荐引擎相关算法，并提供了高效实现方法，适合想学习推荐系统的读者。
这份整理了国内外的机器学习框架和开源库，涵盖了大数据、NLP、计算机视觉和深度学习等多个领域，是Java爱好者的宝贵资源。
这篇文章对 Naive Bayes、Logistic Regression、SVM 等算法进行了直观对比，讨论了样本大小、特征与模型权衡等关键问题，内容实用且易于理解。
本教程从无监督特征学习和深度学习的核心思想入手，通过多个功能学习/深度学习算法的实现，帮助读者理解并应用这些思想到新问题中。
这份文章列出了 Python 17 个关于机器学习的工具，内容全面且实用，是开发者的必备参考。
Tim Dettmers 在 Kaggle 上分享了如何选择和配置深度学习的 GPU，内容详细且实用，适合深度学习实践者。
网友邀请伯克利机器学习大牛 Michael I. Jordan 就算 10 亿美金如何花，Jordan 的回答充满想象力和深度，值得一读。
这篇文章梳理了常见面试中涉及的机器学习算法思想，内容简洁且全面，是准备面试的好资料。
Videolectures 上最受欢迎的 25 个文本与数据挖掘视频汇总，内容丰富，适合对数据分析感兴趣的读者。
Sibyl 是一个监督式机器学习系统，应用于 YouTube 的视频推荐，内容详细且实用。
谷歌研究院的 Christian Szegedy 在博客上介绍了 GoogLeNet 的成功经验，内容涉及图像处理的前沿技术。
对话机器学习大师 Michael Jordan 的访谈内容，涉及人工智能和机器学习的未来发展方向，值得关注。
这套教程集合涵盖了机器学习的核心概念和实践，适合从零基础开始学习的读者。
这份工具箱为机器学习提供了丰富的功能，涵盖了数据处理、模型训练和部署等多个方面，是机器学习实践者的必备工具。
这本书籍详细介绍了分布式神经网络的实现方法，是分布式深度学习研究者的重要参考资料。
这本小册子以图文并茂的方式介绍了机器学习的各个方面，适合新手入门和老手复习，内容生动易懂，深度适中。
这份书单汇总了机器学习领域的经典书籍，涵盖了数学基础和算法理论，适合入门和进阶学习者。
这篇文章推荐了多个机器学习相关的网站，涵盖了综述文章、论文、教程等多种资源，是研究者的宝贵指南。
这本书籍由微的研究员 Peng 和 Dong Yu 所著，详细介绍了深度学习的方法和实际应用，内容全面且有深度。
2014 年 CMU 举办的机器学习夏季课录音覆盖了深度学习、贝叶斯、分布式机器学习等热点话题，讲师阵容强大，内容丰富。
这篇文章以企业界机器学习的具体应用为例，详细介绍了 Learning to Rank 技术的实现和应用，内容实用且具有参考价值。
这篇文章梳理了机器学习算法的核心思想，帮助读者快速理解和掌握算法的基本概念和原理。
这份列表汇总了机器学习领域的丰富资源，涵盖了书籍、教程、工具和网站，适合不同层次的学习者。
这篇文章对多个机器学习框架进行了对比分析，帮助读者选择适合自己项目的工具和框架。
这份文章整理了国内外的机器学习工具和库，涵盖了多种编程语言和应用场景，是开发者的必备参考。
通过以上资源，读者可以覆盖机器学习领域的各个方面，从入门到进阶，找到适合自己的学习路径和实践方向。
转载地址：http://narfk.baihongyu.com/