机器学习基础
- [维基]《List of machine learning concepts》机器学习概念集锦，统观机器学习全局的好材料。要好好利用维基这个大宝库——尤其是人工整理的知识结构和体系，比细节更有价值！
- 《FAQ: What machine learning book should I start with? • Ben Mabey》 机器学习入门该看什么书？文章介绍了基本经典的机器学习书籍。
- 深度学习进阶线路图、深度学习进阶线路图（二）：监督学习、深度学习进阶线路图（三）：非监督学习、深度学习进阶线路图（四）：优化算法
- 论文pdf:《A Tutorial on Learning With Bayesian Networks》微软的David Heckerman整理的贝叶斯网络教程
- 《Deep Learning 101》深度学习入门文章，对表示学习、概率图模型、RBM、自动编码器等都有不错的讲解，推荐初学者学习
- 《Statistical foundations of machine learning》免费好书:机器学习的统计基础，作者是Gianluca Bontempi和Souhaib Ben Taieb，书中有不少结合实际的例子代码及数据集，帮助你更好地掌握相关理论，所有例子均为R语言实现
机器学习算法学习建议
- 《Don’t Start with Open-Source Code When Implementing Machine Learning Algorithms》实现机器学习算法不要从开源代码开始。主要顾虑包括代码优化度、项目融合度、细节了解程度等。对实现算法的建议：理解论文、设计测试问题、先实现后优化以及基于全面了解的代码引入
- 《Self-Study Guide to Machine Learning》机器学习自学指南，分Beginner、Novice、Intermediate、Advanced四个级别(阶段)提供了自学建议
- 《How to Study Machine Learning Algorithms》怎么学习机器学习算法？文中针对5种主要途径提供了学习建议：列举算法、应用算法、描述算法、实现算法和体验算法，值得学习（其实对其他领域算法的学习也适用）
- 《How to Learn a Machine Learning Algorithm》 如何学习一个机器学习算法：化零为整（整理算法知识线索）、统一标准（模版化的算法知识结构）、由小及大（由浅入深平稳起步）
Python与机器学习
- Github项目：deepnetPython实现基于GPU的一些深度学习算法实现，包括Feed-forward Neural Nets、Restricted Boltzmann Machines、Deep Belief Nets、Autoencoders、Deep Boltzmann Machines、Convolutional Neural Nets，需要cudamat和cuda-convnet库支持
- GitHub 上排行前400的 Python 开源项目
- 《8 Best Python Data Science Books》Python数据科学最佳图书，含有电子版
- Github项目：RosettaPython下的系列工具( 库)，为数据科学处理尤其是文本处理提供支持，其中对并行、大文件处理等方面的优化非常好
- 《Machine Learning Tutorial: High Performance Text Processing》、云盘来自Daniel Krasner的教程，聚焦高性能文本处理，重点讲自家Python Rosetta库的使用和LDA
- 《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》Scikit-Learn入门，介绍了Scikit-Learn从概念到特性到实例、文档、论文、书等方方面面，可以看看
转载请注明作者Jason Ding及其出处
Github博客主页(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
简书主页(http://www.jianshu.com/users/2bd9b48f6ea8/latest_articles)
