完备的机器学习资源：书、视频、源码，都汇总在这份清单里！
今天给大家介绍一份不错的机器学习学习资源汇总：从入门到进阶，所用到机器学习资料，包括书、视频、源码。而这份汇总资源被整理在一张清单里，非常便于查阅。
首先放上这份资源的 GitHub 地址：
https://github.com/linxid/Machine_Learning_Study_Path
下面，分别来看主要包含的内容。
1. 视频
1.1 吴恩达老师机器学习课程：
- Coursera
-
网易云课堂
-
英文笔记
-
中文笔记、字幕
1.2 吴恩达 深度学习课程
- Coursera
-
网易云课堂
-
笔记
1.3 斯坦福CS231n:Convolutional Neural Networks for Visual Recognition
- 官网
-
网易云课堂
1.4 fast.ai
- 官网
-
Part1:Practical Deep Learning For Coders
-
Part2: Cutting Edge Deep Learning For Coders
1.5 百度PaddlePaddle公开课：
- 机器学习入门
-
机器学习模型
-
深度学习基础
1.6 徐亦达老师机器学习课程：
- 官网
-
Github
-
哔哩哔哩
-
百度云
1.7 李宏毅深度学习课程
- 官网
-
哔哩哔哩
1.8 谷歌机器学习速成
- 课程
-
练习
-
术语库
2. 书籍
2.1 Keras：
- 《Deep Learning with Python》 难度：低；推荐：☆☆☆☆☆
-
《Deep Learning with Keras》 难度：低；推荐：☆☆☆☆
2.2 TensorFlow：
- 《Hands-On Machine Learning with Scikit-Learn and TensorFlow》 难度：中；推荐：☆☆☆☆☆
-
《Learning TensorFlow》
-
《TensorFlow Machine Learning cookbook》 难度：中；推荐：☆☆☆☆☆
2.3 NLP：
- 《Deep Learning in Natural Language Processing》
-
《Natural Language Processing with TensorFlow》
-
《Mastering Natural Language Processing with Python》
-
《Text Analytics with Python》
2.4 机器学习：
- 《统计学习方法》 难度：中；推荐：☆☆☆☆☆
-
《Pattern Recognition and Machine Learning》 难度：高；推荐：☆☆☆☆☆
-
《机器学习实战》 难度：低；推荐：☆☆☆☆
-
《Machine Learning yearning》
-
《美团机器学习实战》
-
《集体智慧编程》 难度：低；推荐：☆☆☆☆
-
《百面机器学习 算法工程师带你去面试》
2.5 深度学习：
《Deep Learning》 中文版 难度：高；推荐：☆☆☆☆☆
《神经网络与深度学习》 难度：中；推荐：☆☆☆☆
《Deep Learning with python A Hands on Introduction》
3. 框架
4. 机器学习博客
Open AI:
由Elon Musk提出建立的一个人工智能非营利组织，定期发布有关自然语言处理，图像处理和语音处理等先进人工智能技术的研究。
Distill:
编辑和策展团队由来自Google Brain，DeepMind，Tesla和其他着名组织的科学家组成。致力于清晰的解释机器学习。
BAIR 博客:
加州大学伯克利分校的伯克利AI研究（BAIR）小组设立。BAIR博客旨在传播BAIR在人工智能研究方面的研究成果，观点和最新情况。
DeepMind:
DeepMind的大名，我想很多人已经知道了。Andrej Karpathy的博客：原博客：http://karpathy.github.io/
Medium：
https://medium.com/@karpathy 特斯拉的人工智能总监，很多人也许看过他的博客，但是不知道这个人。现在他已经转战Medium，很多文章发布在Medium。
Colah的博客：
Christopher Olah是Google Brain的研究科学家。旨在用简单的方式解读神经网络。
WildML:
博主同样来自Google Brain，写作的主要焦点是深度学习。
Ruder的博客:
博主是一位博士生，博客以深度学习和自然语言处理为主。
FAIR博客：
FAIR的大名就不多讲了，我想很多人知道，很多精彩论文出自FAIR，博客讨论了人工智能，深度学习，机器学习，计算机视觉及其在Facebook自研产品上的实际应用。
Adit Deshpande的博客：
UCLA的一名本科生（自愧不如啊），很多内容为初学者准备，由浅入深，层层递进。
inFERENCe的博客:
剑桥的博士，与Twitter Cortex合作。他撰写了关于概率推理，生成模型，无监督学习。
Andrew Trask的博客：
非常推荐，博主是DeepMind的研究科学家和博士。
以上清单的所有内容在 GitHub 里都有对应的网页链接。凭借这份机器学习清单，大家可以轻松获取自己需要的知识资源。
About The Author
