机器学习与深度学习

邱锡鹏老师《神经网络与深度学习》一书参考视频及补充材料（非官方），主要是依据邱老师书籍的编排顺序整理了近几年李宏毅老师以及“白板推导系列”的所有内容，视频内容几乎涵盖邱老师书中的所有知识。另外也补充了自己在学习过程中接触过的一些好的资料。还在调整与更新中ing...

教材:

• 神经网络与深度学习，邱锡鹏老师著

视频资料:

• 机器学习与深度学习系列，李宏毅老师
• 白板推导系列

备注：

• 视频资料在B站均有公布，感谢几位老师的分享！

补充：

• 卡曼滤波
• 粒子滤波
• 高斯网络
• 贝叶斯线性回归
• 高斯过程回归
• 更多更新请关注博主个人空间：shuhuai008的个人空间

News:

• 2019/10/25：根据目前学的内容，整理了一份机器学习主干知识的统一架构，还没有完全梳理好（尤其是强化学习与概率图模型部分），但是最基本的架构已经确定了，分享出来供大家参考，后面我会继续调整，并做出必要的解释，有疑问或建议欢迎issue！

• 2020/02/22：强烈安利Ben Trevett的一系列PyTorch教程！！

推荐资料

入门

• Google: Machine Learning Crash Course
• Neural Networks and Deep Learning, Michael Nielsen

核心

• 《统计学习方法（第二版）》，李航著  [知乎参考读物]
• 《机器学习》， 周志华著；
• CS229: Machine Learning
• 《模式识别与机器学习》， 马春鹏译
  • 机器学习, 白板推导系列 Note
• STA 4273H: Large Scale Machine Learning
• 《深度学习》，Lan Goodfellow等著
  • CMU Introduction to Deep Learning
• 《概率图模型：原理与技术》Daphne Koller著
  • CMU 10-708: Probabilistic Graphical Models
  • Stanford CS228: Probabilistic Graphical Model
  • Samsung Deep Bayes
• CS224W: Machine Learning with Graphs
• CS285: Deep Reinforcement Learning
• CS294-158: Deep Unsupervised Learning
• CS236: Deep Generative Models
• CS229T：Statistical Learning Theory
• CS 330: Deep Multi-Task and Meta Learning

补充

• 机器学习与数据脱敏
• AI算法工程师笔记
• NN4ML,Hinton
• CSC 2541: Differentiable Inference and Generative Models
• Stat212b: Topics Course on Deep Learning, Joan Bruna(Yann LeCun 博士后)
• 36-708 Statistical Methods for Machine Learning
• 《Machine Learning：A Probabilistic Perspective》
• 《An Introduction to Statistical Learning》
  • Stanford Lagunita: Statistical Learning
  • UCB: Introduction to Machine Learning
• 《The Elements of Statistical Learning》
• 其他：机器学习、深度学习，吴恩达；统计机器学习、机器学习导论，张志华；机器学习（各距离之间的关系）、深度学习，邹博；机器学习，徐亦达；机器学习基础、机器学习技法，林轩田；慕课网：Python3玩转机器学习