机器学习、深度学习、自然语言处理
我们将围绕机器学习、深度学习、自然语言处理和相关开源项目展开深入交流和实践，帮助更多开发者和中小企业培养这样的能力，提供相关的咨询、培训、教育等服务。
机器学习
机器学习是人工智能研究领域中的一个极其重要的方向。在现今大数据时代的背景下，捕获数据并从中萃取有价值的信息或模式，使得这一过去为分析师与数学家所专属的研究领域越来越为人们瞩目。
机器学习会成为研发未来人工智能的核心技术。人工智能发展的最大问题，是改进机器学习算法。
机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。
通常，我们会在以下三种情况下使用机器学习：
- 人工智能：机器学习可以用来模拟人类的思维，来创造可以看到，听到和理解人的计算机。
- 统计工程：机器学习可以用来把数据转换成对不确定数据做决定的软件。
- 数据挖掘：机器学习可以帮助人们从大型数据库里得到深刻的见解。
这可能是机器学习最简洁的一个划分：
ML开源项目
机器学习的开源项目和资源非常多，一个比较不错的起点是从 Awesome 开始：
Machine learning topic 给出的基本上就是当前最火的机器学习开源项目和资源：
ML课程
- 100 Days of ML Coding
- Neural Networks for Machine Learning by Geoffrey Hinton
- 斯坦福大学公开课 ：机器学习课程
- Stanford机器学习
- Stanford Machine Learning Course notes
- 加州理工学院公开课：机器学习与数据挖掘
- BerkeleyX: CS190.1x Scalable Machine Learning、讲义下载
ML参考资料
- 自上而下的学习路线: 软件工程师的机器学习
- 算法/机器学习(Machine Learning)/深度学习(Deep Learning)/自然语言处理(NLP)/C/C++/Python/面试笔记
- Python Machine Learning book code repository
ML图集
机器学习和深度学习
算法
算法
深度学习
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
深度学习以神经网络为主要模型，用来解决一些通用人工智能问题，比如推理、决策等。
NN & DL课程
这是一个非常完整、清晰的《神经网络与深度学习》 Neural Network and Deep Learning 课程，大家可以从它开始学习深度学习。
《神经网络与深度学习》3小时208页课程概要 ppt(72M) pdf (12M)
- 1、绪论
- 2、机器学习概述
- 3、线性模型
- 4、前馈神经网络
- 5、卷积神经网络
- 6、循环神经网络
- 7、网络优化与正则化
- 8、注意力机制与外部记忆
- 9、无监督学习
- 10、模型独立的学习方式
- 11、概率图模型
- 12、深度信念网络
- 13、深度生成模型
- 14、深度强化学习
- 15、序列生成模型
- 16、数学基础
自然语言处理
Natural language processing(简称NLP) 自然语言处理是人工智能和语言学领域的分支学科。
NLP开源项目
- awesome-nlp
- Speech and Natural Language Processing
- awesome-chinese-nlp
- THUNLP 清华大学自然语言处理与社会人文计算实验室
Natural language processing topic
NLP课程
NLP参考资料
NLP图集
传统NLP和深度学习NLP
NLP应用
NLP技能树
AnyQ问答系统框架
许可协议 License
课程和课件采用CC
代码采用Apache v2
赞助与支持
若这份教程对你有帮助，你可以通过赞助的方式鼓励我们并成为灰狐的朋友们。
