在哪里以及如何学习机器学习？

大家好！

机器学习和人工智能的兴趣最多呈指数级增长已不是什么秘密。 同时，我的Yandex磁盘变成了大量的传呼机 ，而Google Chrome浏览器中的书签变成了列表，列表的长度每天都趋于无限。 因此，为了简化自己和您的生活，我决定整理信息并提供许多链接至我学习过的有趣资源，如果您只是在道路的开始，我建议您进行学习（我会不断补充清单）。

对于初学者的发展之路，我看到这样的东西：



尝试从小处着手，如果您有6年没有VMK专业的预测方法，请不要立即下载E. Sokolov或K. Vorontsov的演讲存档，也许Medium上的文章对您来说更合适。 如果您不太了解概率论，优化理论和统计知识，那么理解算法可能会遇到困难，因此我建议您看一下Ozon，莫斯科书局并准备一些数学讲座。 此外，已经熟悉了该理论，将更容易将知识应用于解决问题。 接下来，我将给您列出我本人曾经学习过的有趣资源。 祝你成功:)

初学者：

抢先体验Sklearn团队的各种型号



数据科学词汇

速成课程有关中等深度学习的基础文章

TensorFlow教程

Python vs. R-差异

Habré的Open Data Science公开课程的视频讲座

伟大的ML作弊表

Theano团队的卷积神经网络算法

有关R中数据分析和计量经济学的出色视频教程

Habr朴素的贝叶斯自己动手分类器

关于ROC-AUC如何工作的很好的解释
www.youtube.com/watch?v=21Igj5Pr6u4
www.youtube.com/watch?v=vtYDyGGeQyo

机器学习基础

继续：

Evgeny Sokolov撰写的GitHub，以及HSE上的机器学习讲座

开放数据科学组织在Habré上的博客（我建议）

模型的选择和评估-基础知识（Sebastian Raska，Eng。）

关于先例的数学教学方法（机器学习理论），K。Vorontsov（推荐）

预订自然语言工具包（NLTK）

实践中的支持向量机

Keras.js-在浏览器中进行机器学习，您可以用手触摸机器学习算法的工作，有助于学习

使用R的数据挖掘算法-R上的交互式机器学习书

AUC的优缺点和准确性

用于将样式转移到照片的神经网络（英语）（推荐）

使用TensorFlow传递样式

Ng Ritchie-机器学习资源集合

实践中的梯度下降优化技术综述

犹他大学关于支持向量机的讲座

分类问题的损失函数