这是一份超全机器学习&深度学习网站资源清单(105个AI站点),请收藏!

2018 年 11 月 18 日 专知

【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



新闻资讯

  • 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



 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



 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

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群,获取专业知识教程视频资料和与专家交流咨询!


请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!


请加专知小助手微信(扫一扫如下二维码添加),加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等)交流~

 AI 项目技术 & 商务合作:bd@zhuanzhi.ai, 或扫描上面二维码联系!

请关注专知公众号,获取人工智能的专业知识!

点击“阅读原文”,使用专知

登录查看更多
22

相关内容

【DeepMind推荐】居家学习的人工智能干货资源大全集
专知会员服务
108+阅读 · 2020年6月27日
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
专知会员服务
109+阅读 · 2020年3月12日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
资源|Blockchain区块链中文资源阅读列表
专知会员服务
43+阅读 · 2019年11月20日
【深度学习视频分析/多模态学习资源大列表】
专知会员服务
91+阅读 · 2019年10月16日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
【资源】机器学习资源大列表
专知
58+阅读 · 2019年10月16日
TensorFlow 中文资源全集,学习路径推荐
专知
4+阅读 · 2019年5月18日
【资源推荐】AI可解释性资源汇总
专知
47+阅读 · 2019年4月24日
「Awesome」3D机器学习资源汇总
专知
7+阅读 · 2019年3月14日
深度学习自然语言处理阅读清单
专知
23+阅读 · 2019年1月13日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Arxiv
8+阅读 · 2019年3月28日
Arxiv
12+阅读 · 2019年2月26日
Arxiv
6+阅读 · 2018年2月28日
Arxiv
8+阅读 · 2018年2月23日
VIP会员
相关VIP内容
【DeepMind推荐】居家学习的人工智能干货资源大全集
专知会员服务
108+阅读 · 2020年6月27日
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
专知会员服务
109+阅读 · 2020年3月12日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
资源|Blockchain区块链中文资源阅读列表
专知会员服务
43+阅读 · 2019年11月20日
【深度学习视频分析/多模态学习资源大列表】
专知会员服务
91+阅读 · 2019年10月16日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
相关资讯
相关论文
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Arxiv
8+阅读 · 2019年3月28日
Arxiv
12+阅读 · 2019年2月26日
Arxiv
6+阅读 · 2018年2月28日
Arxiv
8+阅读 · 2018年2月23日
Top
微信扫码咨询专知VIP会员