Link1Zelda/machine-learning-reference

常见的机器学习参考资料

machine-learning-reference

1. 机器学习

1.1 书籍

• PRML, Pattern Recognition and Machine Learning, Bishop 2006

  • 经典书籍，不多说，不过我读了下面那本 MLaPP 入门的。

• MLaPP, Machine Learning, A Probabilistic Perspective, Murphy 2012

  • 很大，很全，但是比较难读，有机会啃下去最好，收获挺大的。

• 统计学习方法，李航 2012

  • 西瓜书出现之前，是中文书里唯一能看的，短小精悍
  • 比西瓜书讲的深一点，但是内容稍微少一点，也没有系统，只是把很多流行的模型单独列成一章来讲。

• 机器学习，周志华 2016

  • 西瓜书是国内著名的机器学习学者，南京大学周志华老师的新作
  • 大概读了一半，感觉非常深入浅出，内容也很全，公式推导过程清晰，建议入门必读，后面常翻翻

1.2 公开课

• CS229 Machine Learning Autumn 2016
  • 机器学习课程，讲义很经典
  • 也可以参考 Andrew Ng 早期的视频，在网易公开课可以找到

2. 自然语言处理（Natural Language Processing）

2.1 书籍

• Speech and Language Processing
  • Dan Jurafsky and James H. Martin 合著，现在有 3rd edition 的草稿
  • 内容比较丰富，涉及 NLP 的方方面面；新版本主要添加了很多深度学习的东西

3. 深度学习（Deep Learning）

3.1 书籍

• Deep Learning Book

  • GoodFellow, Bengio 合著的书，深入浅出
  • 看后面几章 Research 感觉挺难懂，Practice 又不如看公开课，所以暂时弃坑
  • 已有中文版，exacity/deeplearningbook-chinese

• Neural Networks and Deep Learning

  • 这本书讲的很基础，大致过一遍就好了
  • 神经网络与深度学习

• 神经网络与深度学习

  • 和上面的不是同一本书，这个是复旦大学的 邱锡鹏 老师的书，尚未出版
  • 感觉和 Deep Learning Book 结构挺类似的。

3.2 视频

• Deep Learning Summer School, Montreal 2016
  • 暑假讲座，授课目标为研究生学生，工业界工程师，研究人员
  • 不用fq，很流程，有 PPT

3.3 公开课

• CS231n: Convolutional Neural Networks for Visual Recognition

  • 深度学习入门必学，偏重计算机视觉，课程作业特别好。
  • Fei-Fei Li && Andrej Karpathy 在斯坦福的课程
  • 智能单元的中文翻译
  • 网易云课堂的中文课程视频

• CS224n: Deep Learning for Natural Language Processing

  • 类似 CS231n，但是偏重自然语言处理和深度学习结合
  • 主要用 tensorflow 实现代码和作业。网上应该也有很多中文资料。  

4. 概率图模型（PGM, Probabilistic Graphical Models）

4.1 书籍

• Probabilistic Graphical Models: Principles and Techniques
  • 作者 Daphne Koller and Nir Friedman, MIT Press (2009)
  • 概率图模型经典书籍

4.2 公开课

• Probabilistic Graphical Models

  • Koller 大神在 Coursera 开设的公开课
  • 分成了三个子课程，Representation, Inference and Learning

• Probabilistic Graphical Models

  • Eric Xing, Carnegie Mellon University
  • 知乎上推荐的，有视频

• Probabilistic Graphical Models Spring 2013

  • 非常好的公开课，PPT 很不错，参考了 Koller 的那本书