导读

howie6879在Github上维护了一个机器学习网站导航以及资源的目录，包含了新闻资讯、课程、比赛、项目、文档等导航链接，主流的都涵盖到，是深度学习从业者不错的一个导航，欢迎使用！
网址：https://github.com/howie6879/mlhub123

导行

新闻咨询

• Analytics Vidhya (https://www.analyticsvidhya.com/blog/): 为数据科学专业人员提供基于社区的知识门户 Distill (https://distill.pub/): 展示机器学习的最新文章

• Google News
  (https://news.google.com/topics/CAAqIggKIhxDQkFTRHdvSkwyMHZNREZvZVdoZkVnSmxiaWdBUAE?hl=en-US&gl=US&ceid=US%3Aen): Google News Machine learning

• MIT News (http://news.mit.edu/topic/machine-learning): Machine learning | MIT News

• 17bigdata (http://www.17bigdata.com ): 专注数据分析、挖掘、大数据相关领域的技术分享、交流

• 机器之心 (https://www.jiqizhixin.com): 机器之心 | 全球人工智能信息服务

• 雷锋网 (https://www.leiphone.com): 雷锋网 | 读懂智能，未来

• 数据分析网 (https://www.afenxi.com): 数据分析网 - 大数据学习交流第一平台

• 知乎主题 (https://www.zhihu.com/topic/19559450/hot): 知乎机器学习热门主题

• 专知(http://www.zhuanzhi.ai/)：专业可信的人工智能知识分发，包含5000+AI主题，荟萃、链路等资料

社区交流

• AIQ (http://www.6aiq.com ): 机器学习大数据技术社区

• DataTau (https://www.datatau.com): 人工智能领域的Hacker News

• MathOverflow (https://mathoverflow.net): 数学知识问答社区

• Medium (https://medium.com/): 一个涵盖人工智能、机器学习和深度学习相关领域的自由、开放平台

• 专知(http://www.zhuanzhi.ai/)：专业可信的人工智能知识分发，包含5000+AI主题，荟萃、链路等资料

• PaperWeekly (http://www.paperweekly.site): 一个推荐、解读、讨论和报道人工智能前沿论文成果的学术平台

• Quora (https://www.quora.com/pinned/Machine-Learning): Quora | 机器学习主题

• Reddit (https://www.reddit.com/r/MachineLearning): Reddit | 机器学习板块

• ShortScience (http://www.shortscience.org): 用最简单的篇幅去概况科学著作

• SofaSofa (http://sofasofa.io/index.php): 做最好的数据科学社区

• Twitter (https://twitter.com/StatMLPapers): Twitter | 机器学习论文版块

• 极智能 (http://www.ziiai.com): 人工智能技术社区

优质博文

• Google AI Blog (https://ai.googleblog.com/): 谷歌AI博客

• handong1587 (https://handong1587.github.io/): 深度学习各个方向资源汇总，及各大顶级会议/期刊资源

• Machine Learning Mastery (https://machinelearningmastery.com/blog): 帮助开发人员使用机器学习的知识解决复杂的问题

• Stats and Bots - Medium (https://blog.statsbot.co): 机器学习应用程序和代码的实用指南

• tornadomeet的博客 (https://www.cnblogs.com/tornadomeet/archive/2012/06/24/2560261.html): 很详细的ML&DL学习博客

• 爱可可-爱生活 (https://weibo.com/fly51fly?topnav=1&wvr=6&topsug=1): 知名互联网资讯博主

• 超智能体 (https://zhuanlan.zhihu.com/YJango): 分享最通俗易懂的深度学习教程

• 人工智能笔记 (https://zhuanlan.zhihu.com/ainote): 人工智能从入门到AI统治世界

论文检索

• arXiv (https://arxiv.org): 康奈尔大学运营的学术预印本发布的平台

• Arxiv Sanity (http://www.arxiv-sanity.com): 论文查询推荐

• GitXiv (http://www.gitxiv.com): arXiv的成果开源实现平台

• Papers with Code (https://paperswithcode.com): 将论文与开源代码实现结合

• SCI-HUB (https://sci-hub.tw/): 找论文必备

• 猫咪论文 (https://lunwen.im): 简单自由的论文下载平台

比赛实践

• Biendata (https://biendata.com/)：数据科学竞赛平台

• DataCastle (http://www.pkbigdata.com): 中国领先的数据科学竞赛平台

• DataFountain (http://www.datafountain.cn/#/): DF,CCF指定专业大数据竞赛平台

• Kaggle (https://www.kaggle.com): 为数据科学家提供举办机器学习竞赛

• KDD-CUP (http://www.kdd.org/kdd-cup): 国际知识发现和数据挖掘竞赛

• 滴滴新锐 (http://research.xiaojukeji.com/trainee.html): 滴滴面向全球高校博士、硕士、优秀本科生的精英人才计划

• JDD空间站 (https://jdder.jd.com/): 京东算法赛事平台

• 赛氪网 (http://www.saikr.com): 汇集以高校竞赛为主，活动、社区为辅的大学生竞赛活动平台

• 天池大数据 (https://tianchi.aliyun.com): 大数据竞赛、大数据解决方案、数据科学家社区、人工智能、机器学习

资源

课程学习

• Data-science-complete-tutorial (https://github.com/zekelabs/data-science-complete-tutorial): 数据科学完整入门指南

• David Silver (https://v.youku.com/v_show/id_XMjcwMDQyOTcxMg==.html?spm=a2h0j.11185381.listitem_page1.5!4~A&&f=49376145)：David Silver 深度强化学习课程

• fast.ai (http://www.fast.ai/): Making neural nets uncool again

• liuyubobobo (https://coding.imooc.com/class/169.html): Python3 入门机器学习

• Metacademy (https://metacademy.org/): 知识点检索并画出通向这个知识点的知识图谱

• Two Minute Papers (https://www.youtube.com/channel/UCbfYPyITQ-7l4upoX8nvctg): YouTube | 最简短的语言概况最新的热点论文

• 3Blue1Brown (https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw): YouTube | 数学基础频道

• 3Blue1Brown 中文 (http://space.bilibili.com/88461692/#/): Bilibili | 数学基础频道

• 机器学习速成课程 (https://developers.google.cn/machine-learning/crash-course/): Google制作的节奏紧凑、内容实用的机器学习简介课程

• 林轩田 (https://www.bilibili.com/video/av4294020/): 机器学习基石

• 林轩田 (https://www.bilibili.com/video/av12469267): 机器学习技法

• 邱锡鹏（复旦大学）(https://github.com/nndl/nndl.github.io)：神经网络与深度学习

• 吴恩达 (http://study.163.com/course/introduction/1004570029.htm): 机器学习课程

• 吴恩达 (https://mooc.study.163.com/smartSpec/detail/1001319001.htm): 深度学习课程

资源收集

• awesome-machine-learning-cn (https://github.com/jobbole/awesome-machine-learning-cn): 机器学习资源大全中文版，包括机器学习领域的框架、库以及软件

• Coursera-ML-AndrewNg-Notes (https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes): 吴恩达老师的机器学习课程个人笔记

• daily-paper-computer-vision (https://github.com/amusi/daily-paper-computer-vision): 记录每天整理的计算机视觉/深度学习/机器学习相关方向的论文

• deeplearning_ai_books (https://github.com/fengdu78/deeplearning_ai_books): 吴恩达老师的深度学习课程笔记及资源

• Deep-Learning-Papers-Reading-Roadmap (https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap): 深度学习论文阅读路线图

• Getting Started in Computer Vision Research (https://sites.google.com/site/mostafasibrahim/research/articles/how-to-start)：计算机视觉研究入门全指南

• lihang_book_algorithm (https://github.com/WenDesi/lihang_book_algorithm): 《统计学习方法》算法python实现

• Machine Learning、Deep Learning(https://github.com/ty4z2008/Qix/blob/master/dl.md): ML&DL资料

• MachineLearning_Python (https://github.com/lawlite19/MachineLearning_Python): 机器学习算法python实现

• ml_cheatsheet (https://github.com/remicnrd/ml_cheatsheet)：机器学习算法速查手册

• ml_tutorials (https://github.com/MorvanZhou/tutorials): 机器学习相关教程

• NLP-progress (https://github.com/sebastianruder/NLP-progress)：跟踪NLP各项技术的state-of-the-art进展

• 周志华 - 机器学习 (https://github.com/Vay-keen/Machine-learning-learning-notes): 周志华《机器学习》笔记

开源书籍

• deeplearningbook-chinese (https://github.com/exacity/deeplearningbook-chinese): 深度学习中文版

• deep_learning_cookbook (https://github.com/DOsinga/deep_learning_cookbook): 深度学习手册

• hands_on_Ml_with_Sklearn_and_TF (https://github.com/apachecn/hands_on_Ml_with_Sklearn_and_TF): Sklearn与TensorFlow机器学习实用指南

• Interpretable Machine Learning (https://christophm.github.io/interpretable-ml-book/): 一份指南，教你如何构建具有可解释性的黑盒模型

• Neural Networks and Deep Learning (http://neuralnetworksanddeeplearning.com/index.html): 深度学习开源书籍

• Neural Networks and Deep Learning (https://github.com/zhanggyb/nndl): 深度学习开源书籍 - 中文

• PythonDataScienceHandbook (https://github.com/jakevdp/PythonDataScienceHandbook): Python数据科学手册

• TensorFlow-Course (https://github.com/open-source-for-science/TensorFlow-Course): 简单易学的TensorFlow教程

• 机器学习实战 (https://github.com/apachecn/MachineLearning): Machine Learning in Action（机器学习实战）

• 简单粗暴TensorFlow (https://github.com/snowkylin/TensorFlow-cn): 本手册是一篇精简的TensorFlow入门指导

实战项目

• face_recognition (https://github.com/ageitgey/face_recognition): 世界上最简单的人脸识别库

• style2paints (https://github.com/lllyasviel/style2paints): 线稿自动上色

文档

Python

• Caffe (http://caffe.berkeleyvision.org/): 一个基于表达式，速度和模块化原则创建的深度学习框架

• Caffe2 (https://caffe2.ai/docs/getting-started.html?platform=windows&configuration=compile): Caffe2官方文档

• Chainer (https://docs.chainer.org/en/stable/): 基于Python的独立的深度学习模型开源框架

• CNTK (https://docs.microsoft.com/en-us/cognitive-toolkit/): CNTK官方文档

• Gensim (https://radimrehurek.com/gensim/index.html): 包含可扩展的统计语义，分析纯文本文档的语义结构，以及检索相似语义的文档等功能

• Keras (https://keras.io/): Keras官方文档

• Matplotlib (https://matplotlib.org/tutorials/index.html): Matplotlib官方文档

• MXNet (http://mxnet.incubator.apache.org/tutorials/index.html): MXNet官方文档

• Neon (http://neon.nervanasys.com/index.html/): Nervana公司一个基于Python的深度学习库

• NumPy (http://www.numpy.org/): NumPy官方文档

• pandas (http://pandas.pydata.org/pandas-docs/stable/): pandas官方文档

• PyBrain (http://pybrain.org/docs/): 一个模块化的Python机器学习库

• Pylearn2 (http://deeplearning.net/software/pylearn2/): 构建于Theano之上的机器学习库

• PyTorch (https://pytorch.org/tutorials/): PyTorch官方文档

• Seaborn (https://seaborn.pydata.org/): Seaborn官方文档

• scikit-learn (http://scikit-learn.org/stable/documentation.html): scikit-learn官方文档

• Statsmodels (http://www.statsmodels.org/stable/index.html): 用来探索数据，估计统计模型，进行统计测试

• TensorFlow (https://www.tensorflow.org/tutorials/): TF官方文档

• Theano (http://deeplearning.net/software/theano/): 允许高效地定义、优化以及评估涉及多维数组的数学表达式

C & C++

• dlib (http://dlib.net): 实用的机器学习和数据分析工具包

Java & Scala

• DeepLearning4j (https://deeplearning4j.org/): 基于JAVA和Scala的商业级开源分布式深度学习框架

结束语

大家如果有好的学习网站或资源，欢迎留言并不断补充～