作者：刘才权

编辑：栾志勇

经常被同学和朋友询问机器学习或深度学习入门，有哪些不错的参考资料。老实讲，这个问题在网上随便一搜就是一大把的答案。我自己在最开始的时候也有同样的困惑，同样在搜索引擎和论坛里翻找答案。但大多数答案并不怎么让人满意：搜索结果要么星稀零散，只见树木不见森林；要么过于详尽，让人无从下手（很多资料作者自己都没看过）。

在这篇文章里，我把自己在学习过程中的参考资料进行了梳理。一方面，希望能给你一个相对系统的学习路线参考；另一方面，自己真实的实践经历，遇过坎，掉过坑，希望能给正准备入门的同学更多真实的借鉴。

入门视频机器学习

很多人会推荐吴恩达在斯坦福的公开课CS229，但对于初学的同学来说，我觉得并不适合。虽然Andrew在课的最开始就说了，他的这门看更侧重于实践。但真实情况是，里面有太多的数学推导和证明。直接使用这门课来入门，对初学的同学来说，在信心上会是不小的打击。特别是很多从应用开发转到机器学习的同学，毕竟在平常的工作中，大学的数学知识在实际的开发中应用的并不多，估计很多现在都已经生疏了。

对于机器学习，我推荐吴恩达在Coursera开设的机器学习课程，课程免费，侧重于基本的原理和工程实现，对初学者相对友好。字幕中英可选。课程链接：

https://www.coursera.org/learn/machine-learning

深度学习

大家可能看过《一天搞懂深度学习》的PPT，作者是台湾大学的李宏毅老师。其实，李宏毅老师还有门深度学习的课程，视频也挂在网上。这门课主要针对初学者，不需要有经典的机器学习基础（其实，深度学习入门，比经典的机器学习更容易）。课程的内容深入浅出，训练和预测样本都是各种数码宝贝和二次元卡通人物，绝对让你耳目一新。没有字幕，中文授课（台湾腔）。课程链接：

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html

入门书籍机器学习

《机器学习》

机器学习的入门书籍，当仁不让的就是周志华老师的西瓜书《机器学习》了。这本书基本囊括了绝大多数经典的机器学习方法。但坦白的讲，这本书入门也不是那么轻松，大量篇幅的数学推导和证明。建议初学者可以在第一遍的时候跳过具体的数学推导，更侧重在知识框架和原理的学习和提炼，后面可以通过第二遍或第三遍来深入其中的数学原理。

深度学习

《深度学习》

这一本称为目前深度学习领域的圣经，而作者们也确实做到了深入浅出，循序渐进。不是单纯的抛一个结论，而是逐步的深入，最终阐明原理。建议像《机器学习》一样使用：不要求第一遍就能全部吸收，可以先从框架和基本原理入手，跳过部分细节，后面再逐步深入。

数学基础看前面的视频和书籍，对于很多从事应用开发的同学来说，可能最大的障碍就是对数学的恐惧。这种感觉大概就像没经历过算法训练的同学面对算法面试一样。其实，恐惧只要能直面它，那就一定能够克服掉。就好比在LeetCode这样的OJ平台刷完200道左右的题目，再去面试算法一样。以前觉得是天大的障碍，现在回过头来，也不觉得有什么了不起。

我个人的经验是，通过前面的视频和书籍已经对机器学习和深度学习有了基本的系统框架和原理认识，同时，也积累了对数学知识进行系统复习的强烈欲望。这时候就可以有的放矢的复习大学知识了。数学知识的复习，我都是通过看网易公开课来完成的。

微积分

MIT《单变量微积分》：

http://open.163.com/special/sp/singlevariablecalculus.html

虽说是MIT的课程，但坦白的讲，老师的节奏真是比国内的课程还要慢，真正做到了通俗易懂。

网易公开课还有MIT的《多变量微积分》，但我没有看，我觉得复习完单变量微积分，也就基本够用了。

线性代数

MIT《线性代数》http://open.163.com/special/opencourse/daishu.html

这门课就没有上面的《单变量微积分》那么Nice了，老师思路跳跃性很强，稍一走神就不知道讲到什么地方了。但这门课有个很大的优点，就是从一开始就引入了向量空间的概念，而且贯穿始终。不像国内的课程，直到课程结束都以为线性代数只是求解方程组的另一种表达形式。

概率/统计

可汗学院《概率》http://open.163.com/special/Khan/probability.html

可汗学院《统计学》http://open.163.com/special/Khan/khstatistics.html

老实讲，可汗的公开课真是太细致了，细致到觉得拖沓（可能是复习，而不是初学者的缘故）。建议根据自己的需要做适当的跳跃。同时，两门课有部分内容是完全重合的，可以直接跳过。

Python有了前面的基础相信你已经跃跃欲试了，但别急，工欲善其事必先利其器。可能你已经有MATLAB、C/C++、Java的编程经验，但建议再入手一款新武器-Python。虽然前面的语言也可以用于机器学习和深度学习相关的研究和开发，但Python的使用范围更广，参考资料也更加丰富。

我的自己经验是：

1. 在网上找一篇Python入门的帖子，搭建环境，运行简单的例子（半天）

2. 2.找一本基础书籍，系统的熟悉下语言的基本特性和完整框架（1~2天）(ps：我之前有C/C++和Java的语音基础)

3. 3.开始正常使用Python进行开发，遇到问题，求助搜索引擎（2个月以上）

4. 4.觉得自己对语言就基本的掌握后，可以根据选择进行进阶学习了

5. 亲，花上面1~2天时间来系统的熟悉Python语言特性和语言框架，然后通过我推荐的python书籍来强化学习！

6. 《Python基础教程》

7. （这本书很厚，初期把目录扫完就可以了，后面当做字典来使用）

Python基础教程

进阶阶段，推荐：

《流畅的Python》

流畅的Python

动手实践

好了现在我们终于可以动手实践了！

初级

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》

Python机器学习及实践：从零开始通往Kaggle竞赛之路

这是很薄的一本书，但对于初学者实践来说却是非常棒的一本书。书中的大多数算法都是基于sk-learn来实现的。使用现成的Python库，而不用关心具体算法实现过程，可以快速体验机器学习算法的效果。同时，书的最后比较细致的介绍了Kaggle竞赛平台的使用，实战性更强。

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》使用现成的Python库（工程中也大多是这样的）。但很多同学还是更希望能手工实现具体的算法，觉得这样基本功才扎实，那下面的这两本书就能很好的满足有这样想法的同学了。

进阶

《机器学习实战》

机器学习实战

经典的机器学习算法手工实现，书中包含大量的代码实例。但这本书出本的比较早，深度学习内容基本没有涉猎。针对这种情况，就有了下面这本的推荐：

《TensorFlowMachineLearningCookbook》

TensorFlowMachineLearningCookbook

这本书主要是基于TensorFlow的，手工编织网络。而且，书的内容就像它的名字一样，结构编排跟类似菜谱：开始前需要准备什么，开始后需要遵从哪些步骤，最后又会得到怎样的结果，条理非常清晰。目前这本书已经有了中文版。

领域应用虽然我们花费了很长的时间，投入了很多精力，但我们目前的阶段仍然像做大学作业，跟真实的工业场景相差很远。那机器学习和深度学习在实际的AI场景是如何应用的呢？带着这样的问题，我推荐两本书：

《数学之美》

数学之美

吴军老师的经典之作。虽然这本书火的时候，AI都还没有现在这么火，但书中介绍的很多场景，使用的很多技术，基本都是来自我们学习的机器学习。

《统计自然语言处理》

统计自然语言处理

选择这边书是因为自己当前的工作跟自然语言处理相关。当然了，这也是自然语言处理领域非常经典的一本书，内容全面丰富。但学术的气息比较重，读起来又找到了当初读研看Paper的感觉。

杂项比较正统的学习基本就算介绍完毕了。其实，除了上面的主线内容外，很多比较零散的资料，对于学习来说也还是很有裨益的。

《莫烦视频》

莫烦的个人主页有很多机器学习和深度学习相关的个人录制视频。以非常简洁的方式介绍了机器学习和深度学习相关的概念和框架，对初学者快速建立概念很有帮助(PS:92年的小鲜肉，真是不得了)。地址：https://morvanzhou.github.io/about/

《深度学习简化版》

形式跟莫凡的视频类似，是老外录制的。相比于莫烦的视频，内容更丰富多样，形式更新颖。通过YouTube播放，需要翻墙。地址：https://www.youtube.com/watch?list=PLjJh1vlSEYgvGod9wWiydumYl8hOXixNu&v=b99UVkWzYTQ

《AI技术内参》

这是《极客时间》的一个付费专栏。主要推送AI相关的技术历史、当前行业信息和科研成果，从目前的使用情况来说，在品质上还是有保障的。

好啦，暂时就先这样吧，后面有更好的内容再更新，也欢迎大家分享自己的学习经验！

 

往

期

推

荐

1. 从AlexNet剖析—卷积网络CNN的一般结构

2. 2.深度神经网络训练的必知技巧

3. 3.[视频讲解]史上最全面的正则化技术总结与分析

扫描个人微信号，

拉你进机器学习大牛群。

福利满满，名额已不多…

80%的AI从业者已关注我们微信公众号

       

       

需求说明：深度学习FPGA实现知识储备

来自：时间的诗

第一部分：博客大牛（深度学习方向）

1、http://blog.csdn.net/zouxy09

研究方向：机器学习、计算机视觉、人机交互和人工智能等领域

作品：DeepLearning（深度学习）学习笔记整理系列

网友评价：深入浅出、条理清晰、内容全面、适合反复阅读

2、http://blog.csdn.net/matrix_space

研究方向：专注于图像处理，计算机视觉，机器学习。

作品：机器学习专栏http://lib.csdn.net/base/2

第二部分：学习资料大全

1、来自：http://blog.csdn.net/on2way/article/details/50094845

该篇小记一下学习到的一些好教程与资料。 关于深度学习，介绍性的文章与博客非常多，写的也非常好。一个综述点的博客系列就是Zouxy大神的文章：

DeepLearning（深度学习）学习笔记整理

如果你是刚入门的小白，建议收藏这位大神的系列文章，这一系列基本山涵盖了深度学习的所有基本东西，所以相对来说也是比较综述性质的，很多的细节是你需要有一点了解的才能看得懂。可能第一遍下去看不懂，或者只能懂很浅显的一部分，但是不要紧，建议每隔一段时间看一看这个大综述，每一次你都会有不同的收获的。

如果觉得光看别人写的很难理解，网络上相关的视频也是很多的，比如说复旦大学 吴立德教授的

《深度学习课程》

另外一个学习较好的教程是吴恩达的UFLDL教程，该教程也有网友翻译成中文版的了，可以说也是非常浅显易懂的，里面涉及到的代码也是有网友分享过。关于吴恩达，感觉研究深度学习的没几个不知道的，他还有比较经典的机器学习教程，这些可谓是更底层的原理介绍与一些浅层学习算法，对于较好的理解机器学习乃至深度学习非常有帮助。深度学习UFLDL教程教程如下：

http://ufldl.stanford.edu/wiki/index.php/UFLDL教程

其机器学习教程网址如下：

http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning

该机器学习教程有更早的斯坦福课堂上的版本，在哪里有网友翻译的中文字幕，可以搜一下学习学习，很不错。

当然还有很多很多很好的教程： 博客园上的网友总结系列，当你具体到学习某个部分的时候会很有用： http://www.cnblogs.com/tornadomeet/tag/Deep Learning/default.html?page=1

这位网友翻译的系列： 机器学习 其英文版的课程： CS231n:ConvolutionalNeuralNetworksforVisualRecognition.

在贴一个国外大牛还未出版的电子书： http://neuralnetworksanddeeplearning.com/index.html

还有一个好的教程（有英文视频） http://cl.naist.jp/~kevinduh/a/deep2014/

再就是DeepLearning的官网，里面好的好东西自己发现： http://deeplearning.net/

关于学习深度学习工具，似乎也有好多（matlab版，c++版，Python版等等深度学习库），视你自己熟悉而定。比如一个比较适合初学者学习原理的matlab版工具箱：

DeepLearnToolbox （后面会基于这个工具箱进行相关实验）。

Python下的工具箱：Theano；深度学习平台：caffe等等，这些只是看过也没有实际用过，属于比较高端下的深度学习应用范围了。

教程可谓是多不胜数，只待寻找适合自己的最重要，找到一个好的教程坚持学下去，一定会有所收获的。

2、机器学习的最佳入门学习资源

来自：http://blog.csdn.net/thomashtq/article/details/42487955

这是一篇很难写的文章，因为我希望这篇文章能对学习者有所启发。我在空白页前坐下，并且问自己了一个很难的问题：什么样的库、课程、论文和书籍对于机器学习的初学者来说，是最好的。

文章里到底写什么、不写什么，这个问题真的让我很烦恼。我必须把自己当做一个程序员和一个机器学习的初学者，站在这个角度去考虑最合适的资源。

我找出了每个类型中最适合的资源。如果你是一个真正的初学者，并且乐意于开始了解机器学习领域的相关知识，我希望，你可以在我的文章中，找到有用的资料。我的建议是，从中挑出一件来，一本书或者是一个库，反复阅读或者认真学习所有的相关教程。挑出一件并且坚持学习，直到你完全掌握，再重新选择一件，重复这个学习过程。现在就让我们开始吧！

ProgrammingLibraries编程库资源

我是一个“学习要敢于冒险和尝试”观念的倡导者。这是我学习编程的方式，我相信很多人也是这样学习程序设计的。先了解你的能力极限，然后去拓展你的能力。如果你了解如何编程，可以将编程经验很快借鉴到深入学习机器学习上。在你实现一个实际的产品系统之前，你必须遵循一些规则、学习相关数学知识。

找到一个库并且仔细阅读相关文档，根据教程，开始尝试实现一些东西。下面列出的是开源的机器学习库中最好的几种。我认为，并不是他们中的每一种都适合用在你的系统中，但是他们是你学习、探索和实验的好材料。

你可以从一个由你熟悉的语言编写的库开始学习，然后再去学习其他功能强大的库。如果你是一个优秀的程序员，你会知道怎样从一种语言，简单合理地迁移到另一种语言。语言的逻辑都是相同的，只是语法和API稍有不同。

RProjectforStatisticalComputing：这是一个开发环境，采用一种近似于Lisp的脚本语言。在这个库中，所有你想要的与统计相关的功能都通过Ｒ语言提供，包括一些复杂的图标。CRAN(你可以认为是机器学弟的第三方包)中的机器学习目录下的代码，是由统计技术方法和其他相关领域中的领军人物编写的。如果你想做实验，或是快速拓展知识，R语言都是必须学习的。但它可能不是你学习的第一站。WEKA：这是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的API、命令行和图形化用户接口。你可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时可以通过第三方插件执行其他算法。除了WEKA之外， Mahout是Hadoop中为机器学习提供的一个很好的JAVA框架，你可以自行学习。如果你是机器学习和大数据学习的新手，那么坚持学习WEKA，并且全心全意地学习一个库。ScikitLearn:这是用Python编写的，基于NumPy和SciPy的机器学习库。如果你是一个Python或者Ruby语言程序员，这是适合你用的。这个库很用户接口友好，功能强大，并且配有详细的文档说明。如果你想试试别的库，你可以选择Orange。

Octave:如果你很熟悉MatLab，或者你是寻求改变的NumPy程序员，你可以考虑Octave。这是一个数值计算环境，与MatLab像是，借助Octave你可以很方便地解决线性和非线性问题，比如机器学习算法底层涉及的问题。如果你有工程背景，那么你可以由此入手。

BigML:可能你并不想进行编程工作。你完全可以不通过代码，来使用WEKA那样的工具。你通过使用BigMLS的服务来进行更加深入的工作。BigML通过Web页面，提供了机器学习的接口，因此你可以通过浏览器来建立模型。

挑选出一个平台，并且在你实际学习机器学习的时候使用它。不要纸上谈兵，要去实践！

VideoCourses视频课程

很多人都是通过视频资源开始接触机器学习的。我在YouTube和VideoLectures上看了很多于机器学习相关的视频资源。这样做的问题是，你可能只是观看视频而并不实际去做。我的建议是，你在观看视频的时候，应该多记笔记，及时后来你会抛弃你的笔记。同时，我建议你将学到的东西付诸实践。

坦白讲，我没有看见特别合适初学者的视频资源。视频资源都需要你掌握一定的线性代数、概率论等知识。AndrewNg在斯坦福的讲解可能是最适合初学者的，下面是我推荐的一些视频资源。

StanfordMachineLearning斯坦福的机器学习课程：可以在Coursera上观看，这门课是由AndrewNg讲解的。只要注册，你可以随时观看所有的课程视频，从StanfordCS229course下载讲义和笔记。这门课包括了家庭作业和小测试，课程主要讲解了线性代数的知识，使用Octave库。

CaltechLearningfromData加利福尼亚理工学院的数据分析课程：你可以在edX上学习这门课程，课程是由YaserAbu-Mostafa讲解的。所有的课程视频和资料都在加利福尼亚理工学院的网站上。与斯坦福的课程类似，你可以根据自己的情况安排学习进度，完成家庭作业和小论文。它与斯坦福的课程主题相似，关注更多的细节和数学知识。对于初学者来说，家庭作业可能稍有难度。

MachineLearningCategoryonVideoLectures.Net网站中的机器学习目录：这是个很容易令人眼花缭乱的资源库。你可以找出比较感兴趣的资源，并且深入学习。不要纠结于不适合你的视频，或者对于感兴趣的内容你可以做笔记。我自己会一直重复深入学习一些问题，同时发现新的话题进行学习。此外，在这个网站上你可以发现是这个领域的大师是什么样的。

“GettingInShapeForTheSportOfDataScience”–由JeremyHoward讲授：这是与机器学习竞赛者的对话，他们是一些实践中的R语言用户。这是非常珍贵的资源，因为很少有人会讨论研究一个问题的完整过程和究竟怎样做。我曾经幻想过在网上找到一个TV秀，记录机器学习竞赛的全过程。这就是我开始学习机器学习的经历！

OverviewPapers综述论文

如果你并不习惯阅读科研论文，你会发现论文的语言非常晦涩难懂。一篇论文就像是一本教科书的片段，但是论文会介绍一个实验或者是领域中其他的前沿知识。然而，如果你准备从阅读论文开始学习机器学习的话，你还是可以找到一些很有意思的文章的。

TheDisciplineofMachineLearning机器学习中的规则：这是由TomMitchell编著的白皮书，其中定义了机器学习的规则。Mitchell在说服CMU总裁为一个百年内都存在的问题建立一个独立的机器学习部门时，也用到了这本书中的观点。

AFewUsefulThingstoKnowaboutMachineLearning：这是一篇很好的论文，因为它以详细的算法为基础，又提出了一些很重要的问题，比如：选择特征的一般化，模型简化等。

我只是列出了两篇重要的论文，因为阅读论文会让你陷入困境。

BeginnerMachineLearningBooks给机器学习初学者的书

关于机器学习的书有很多，但是几乎没有为初学者量身定做的。什么样的人才是初学者呢？最有可能的情况是，你从另外一个完全不同的领域比如：计算机科学、程序设计或者是统计学，来到机器学习领域。那么，大部分的书籍要求你有一定的线性代数和概率论的基础。

但是，还有一些书通过讲解最少的算法来鼓励程序员学习机器学习，书中会介绍一些可以使用工具、编程函数库来让程序员尝试。其中最有代表性的书是：《ProgrammingCollectiveIntelligence》，《MachineLearningforHackers》，《Hackersand DataMining:PracticalMachineLearningToolsandTechniques》（Python版,R版,以及Java版）。如果感到迷惑的话，你可以选择其中一本开始学习。

ProgrammingCollectiveIntelligence:BuildingSmartWeb2.0Applications：这本书是为程序员写的。书中简略介绍相关理论，重点以程序为例，介绍web中的实际问题和解决办法。你可以买来这本书，阅读，并且做一些练习。

MachineLearningforHackers （中文版：机器学习:实用案例解析 ）：我建议你在阅读了《ProgrammingCollectiveIntelligence》一书之后，再阅读这本书。这本书中也提供了很多实践练习，但是涉及更多的数据分析，并且使用R语言。我个人很喜欢这本书！

MachineLearning:AnAlgorithmicPerspective：这本书是《ProgrammingCollectiveIntelligence》的高级版本。它们目的相同（让程序员开始了解机器学习），但是这本书包括一些数学知识，参考样例和phython程序片段。如果你有兴趣的话，我建议你在看完《ProgrammingCollectiveIntelligence》之后来阅读这本书。

数据挖掘：实用机器学习工具与技术（英文版·第3版） ：我自己是从这本书开始了解机器学习的，那时是2000年这本书还是第一版。我那时是Java程序员，这本书和WEKA库为我的学习和实践提供了一个很好的环境。我通过这样的平台和一些插件，实现我的算法，并且真正开始实践机器学习和数据挖掘的过程。我强烈推荐这本书，和这样的学习过程。

MachineLearning（中文版：计算机科学丛书:机器学习 ）：这是一本很老的书，包括了一些规则和很多参考资料。这是一本教科书，为每个算法提供了相关讲解。

有一些人认为那些经典的机器学习教科书很了不起。我也赞同，那些书的确非常好。但是，我认为，对于初学者来说，这些书可能并不合适。

FurtherReading继续阅读

在写这篇文章时，我认真思考了相关问题，同时也参考了其他人推荐的资料，以确保我没有遗漏任何重要参考资料。为了确保文章的完整性，下面也列出了一些网上流行的，可以供初学者使用的材料。.

AListofDataScienceandMachineLearningResources:这是一份仔细整理的列表。你可以花一些时间，点击链接，仔细阅读作者的建议。值得一读！

WhataresomegoodresourcesforlearningaboutmachinelearningWhy：这个问题的第一个答案令人吃惊。每次我阅读这篇文章的时候，都会做好笔记，并且插入新的书签。答案中对我最有启发的部分是机器学习课程列表，以及相应的课程笔记和问答网站。

OverwhelmedbyMachineLearning:isthereanML101book：这是StackOverflow上的问题。并且提供了一系列机器学习推荐书籍。JeffMoser提供的第一个答案是很有用的，其中有课程视频和讲座的链接。

你是不是以及读过或者用过上面的一些资源了呢？你怎么看这个问题？

我是不是如愿为那些对机器学习有兴趣的初学者提供了重要、有用的资源呢？请留下你的建议，让我们分享！

 翻译： 伯乐在线 - programmer_lin

 译文链接： http://blog.jobbole.com/56256/

 原文连接：http://www.open-open.com/news/view/fab75c

3、DeepLearning（深度学习）

来自：http://blog.csdn.net/augusdi/article/details/20238157

DeepLearning（深度学习）

ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一

ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二

Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。

deeplearning.net主页，里面包含的信息量非常多，有software,readinglist,researchlab,dataset,demo等，强烈推荐，自己去发现好资料。

Deeplearning的toolbox，matlab实现的，对应源码来学习一些常见的DL模型很有帮助，这个库我主要是用来学习算法实现过程的。

2013年龙星计划深度学习教程，邓力大牛主讲，虽然老师准备得不充分，不过还是很有收获的。

Hinton大牛在coursera上开的神经网络课程，DL部分有不少，非常赞，没有废话，课件每句话都包含了很多信息，有一定DL基础后去听收获更大。

Larochelle关于DL的课件，逻辑清晰，覆盖面广,包含了rbm系列，autoencoder系列，sparsecoding系列，还有crf，cnn，rnn等。虽然网页是法文，但是课件是英文。

CMU大学2013年的deeplearning课程，有不少readingpaper可以参考。

达慕思大学LorenzoTorresani的2013Deeplearning课程readinglist.

DeepLearningMethodsforVision(余凯等在cvpr2012上组织一个workshop，关于DL在视觉上的应用)。

斯坦福Ng团队成员链接主页，可以进入团队成员的主页，比较熟悉的有RichardSocher, HonglakLee, QuocLe等。

多伦多ML团队成员链接主页，可以进入团队成员主页，包括DL鼻祖hinton，还有RuslanSalakhutdinov, AlexKrizhevsky等。

蒙特利尔大学机器学习团队成员链接主页，包括大牛Bengio，还有IanGoodfellow 等。

纽约大学的机器学习团队成员链接主页，包括大牛Lecun，还有RobFergus等。

豆瓣上的脑与deeplearning读书会，有讲义和部分视频，主要介绍了一些于deeplearning相关的生物神经网络。

LargeScaleML的课程，由Lecun和Langford讲的，能不推荐么。

YannLecun的2014年DeepLearning课程主页，强烈推荐。

一些常见的DLcode列表，csdn博主zouxy09的博文，DeepLearning源代码收集-持续更新…

DeepLearningforNLP(withoutMagic)，由DL界5大高手之一的RichardSocher小组搞的，他主要是NLP的。

2012GraduateSummerSchool:DeepLearning,FeatureLearning，高手云集，深度学习盛宴，几乎所有的DL大牛都有参加。

matlab下的maxPooling速度优化，调用C++实现的。

2014年ACL机器学习领域主席KevinDuh的深度学习入门讲座视频。

 

MachineLearning（机器学习）：

介绍图模型的一个ppt，非常的赞，ppt作者总结得很给力，里面还包括了HMM，MEM,CRF等其它图模型。反正看完挺有收获的。

机器学习一个视频教程，youtube上的，翻吧，内容很全面，偏概率统计模型，每一小集只有几分钟。 

龙星计划2012机器学习，由余凯和张潼主讲。

demonstrate的blog:关于PGM(概率图模型)系列，主要按照DaphneKoller的经典PGM教程介绍的，大家依次google之。

FreeMind的博客，主要关于机器学习的。

TomMitchell大牛的机器学习课程，他的machinelearning教科书非常出名。

CS109,DataScience,用python介绍机器学习算法的课程。

 

ComputerVision（计算机视觉）：

MIT2013年秋季课程：AdvancesinComputerVision，有练习题，有些有code.

IPAM一个计算机视觉的短期课程，有不少牛人参加。

 

OpenCV相关：

http://opencv.org/

2012年7月4日随着opencv2.4.2版本的发布，opencv更改了其最新的官方网站地址。

http://www.opencvchina.com/

好像12年才有这个论坛的，比较新。里面有针对《learningopencv》这本书的视频讲解，不过视频教学还没出完，正在更新中。对刚入门学习opencv的人来说很不错。

http://www.opencv.org.cn/forum/

opencv中文论坛，对于初次接触opencv的学者来说比较不错，入门资料多，opencv的各种英文文档也翻译成中文了。不足是感觉这个论坛上发帖提问很少人回答，也就是说讨论不够激烈。

http://opencv.jp/

opencv的日文网站，里面有不少例子代码，看不懂日文可以用网站自带的翻译，能看个大概。

http://code.opencv.org/projects/opencv

opencv版本bug修补，版本更新，以及各种相关大型活动安排,还包含了opencv最近几个月内的活动路线，即未来将增加的功能等，可以掌握各种关于opencv进展情况的最新进展。

http://tech.groups.yahoo.com/group/OpenCV/

opencv雅虎邮件列表，据说是最好的opencv论坛，信息更新最新的地方。不过个人认为要查找相关主题的内容，在邮件列表中非常不方便。

http://www.cmlab.csie.ntu.edu.tw/~jsyeh/wiki/doku.php

台湾大学暑假集训网站，内有链接到与opencv集训相关的网页。感觉这种教育形式还蛮不错的。

http://sourceforge.net/projects/opencvlibrary/

opencv版本发布地方。

http://code.opencv.org/projects/opencv/wiki/ChangeLog#241   http://opencv.willowgarage.com/wiki/OpenCV Change Logs

opencv版本内容更改日志网页,前面那个网页更新最快。

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/tutorials.html

opencv中文教程网页，分几个模块讲解，有代码有过程。内容是网友翻译opencv自带的doc文件里的。

https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html

网友总结的常用带有cvpr领域常见算法code链接的网址，感觉非常的不错。

http://fossies.org/dox/OpenCV-2.4.2/

该网站可以查看opencv中一些函数的变量接口，还会列出函数之间的结构图。

http://opencv.itseez.com/

opencv的函数、类等查找网页，有导航，查起来感觉不错。

 

优化：

http://submodularity.org/

submodual优化。

 

数学：

http://www.youku.com/playlist_show/id_19465801.html

《计算机中的数学》系列视频，8位老师10讲内容，生动介绍微积分和线性代数基本概念在计算机学科中的各种有趣应用！

 

Linux学习资料：

http://itercast.com/library/1

linux入门的基础视频教程，对于新手可选择看第一部分，视频来源于LinuxCast.net网站，还不错。

 

OpenNI+Kinect相关：

http://1.yuhuazou.sinaapp.com/

网友晨宇思远的博客，主攻cvpr，ai等。

http://blog.csdn.net/chenli2010/article/details/6887646

kinect和openni学习资料汇总。

http://blog.csdn.net/moc062066/article/category/871261

OpenCV计算机视觉kinect的博客:

http://kheresy.wordpress.com/index_of_openni_and_kinect/comment-page-5/

网友Heresy的博客，里面有不少kinect的文章，写的比较详细。

http://www.cnkinect.com/

体感游戏中文网，有不少新的kinect资讯。

http://www.kinectutorial.com/

Kinect体感开发网。

http://code.google.com/p/openni-hand-tracker

openni_hand_trackinggooglecode项目。

http://blog.candescent.ch/

网友的kinect博客，里面有很多手势识别方面的文章介绍，还有源码，不过貌似是基于c#的。

https://sites.google.com/site/colordepthfusion/

一些关于深度信息和颜色信息融合（fusion）的文章。

http://projects.ict.usc.edu/mxr/faast/

kinect新的库，可以结合OpenNI使用。

https://sites.google.com/a/chalearn.org/gesturechallenge/

kinect手势识别网站。

http://www.ros.org/wiki/mit-ros-pkg

mit的kinect项目，有code。主要是与手势识别相关。

http://www.thoughtden.co.uk/blog/2012/08/kinecting-people-our-top-6-kinect-projects/

kinect2012年度最具创新的6个项目，有视频，确实够创新的！

http://www.cnblogs.com/yangyangcv/archive/2011/01/07/1930349.html

kinect多点触控的一篇博文。

http://sourceforge.net/projects/kinect-mex/

http://www.mathworks.com/matlabcentral/fileexchange/30242-kinect-matlab

有关matlabforkinect的一些接口。

http://news.9ria.com/2012/1212/25609.html

AIR和Kinect的结合，有一些手指跟踪的code。

http://eeeweba.ntu.edu.sg/computervision/people/home/renzhou/index.htm

研究kinect手势识别的，任洲。刚毕业不久。

 

其他网友cvpr领域的链接总结：

http://www.cnblogs.com/kshenf/

网友整理常用牛人链接总结，非常多。不过个人没有没有每个网站都去试过。所以本文也是我自己总结自己曾经用过的或体会过的。

 

OpenGL有关:

http://nehe.gamedev.net/

NeHe的OpenGL教程英文版。

http://www.owlei.com/DancingWind/

NeHe的OpenGL教程对应的中文版，由网友周玮翻译的。

http://www.qiliang.net/old/nehe_qt/

NeHe的OpengGL对应的Qt版中文教程。

http://blog.csdn.net/qp120291570

网友"左脑设计，右脑编程"的Qt_OpenGL博客,写得还不错。

http://guiliblearning.blogspot.com/

这个博客对opengl的机制有所剖析，貌似要翻墙才能进去。

 

cvpr综合网站论坛博客等：

http://www.cvchina.net/

中国计算机视觉论坛

http://www.cvchina.info/

这个博客很不错，每次看完都能让人兴奋，因为有很多关于cv领域的科技新闻，还时不时有视频显示。另外这个博客里面的资源也整理得相当不错。中文的。

http://www.bfcat.com/

一位网友的个人计算机视觉博客，有很多关于计算机视觉前沿的东西介绍，与上面的博客一样，看了也能让人兴奋。

http://blog.csdn.net/v_JULY_v/

牛人博客，主攻数据结构，机器学习数据挖掘算法等。

http://blog.youtueye.com/

该网友上面有一些计算机视觉方向的博客,博客中附有一些实验的测试代码.

http://blog.sciencenet.cn/u/jingyanwang

多看pami才扯谈的博客，其中有不少pami文章的中文介绍。

http://chentingpc.me/

做网络和自然语言处理的，有不少机器学习方面的介绍。

 

ML常用博客资料等：

http://freemind.pluskid.org/

由pluskid所维护的blog，主要记录一些机器学习、程序设计以及各种技术和非技术的相关内容，写得很不错。

http://datasciencemasters.org/

里面包含学ML/DM所需要的一些知识链接，且有些给出了视频教程，网页资料，电子书，开源code等，推荐！

http://cs.nju.edu.cn/zhouzh/index.htm

周志华主页，不用介绍了，机器学习大牛，更可贵的是他的很多文章都有源码公布。

http://www.eecs.berkeley.edu/~jpaisley/Papers.htm

JohnPaisley的个人主页，主要研究机器学习领域，有些文章有代码提供。

http://foreveralbum.yo2.cn/

里面有一些常见机器学习算法的详细推导过程。

http://blog.csdn.net/abcjennifer

浙江大学CS硕士在读，关注计算机视觉，机器学习，算法研究，博弈， 人工智能，移动互联网等学科和产业。该博客中有很多机器学习算法方面的介绍。

http://www.wytk2008.net/

无垠天空的机器学习博客。

http://www.chalearn.org/index.html

机器学习挑战赛。

http://licstar.net/

licstar的技术博客，偏自然语言处理方向。

 

国内科研团队和牛人网页：

http://vision.ia.ac.cn/zh/index_cn.html

中科院自动化所机器视觉课题小组，有相关数据库、论文、课件等下载。

http://www.cbsr.ia.ac.cn/users/szli/

李子青教授个人主页，中科院自动化所cvpr领域牛叉人！

http://www4.comp.polyu.edu.hk/~cslzhang/

香港理工大学教授leizhang个人主页，也是cvpr领域一大牛人啊，cvpr，iccv各种发表。更重要的是他所以牛叉论文的code全部公开，非常难得！

http://liama.ia.ac.cn/wiki/start

中法信息、自动化与应用联合实验室，里面很多内容不仅限而cvpr，还有ai领域一些其他的研究。

http://www.cogsci.xmu.edu.cn/cvl/english/

厦门大学特聘教授，cv领域一位牛人。研究方向主要为目标检测，目标跟踪，运动估计，三维重建，鲁棒统计学，光流计算等。

http://idm.pku.edu.cn/index.aspx

北京大学数字视频编码技术国家实验室。 

http://www.csie.ntu.edu.tw/~cjlin/libsvm/

libsvm项目网址，台湾大学的，很火！

http://www.jdl.ac.cn/user/sgshan/index.htm

山世光，人脸识别研究比较牛。在中国科学院智能信息处理重点实验室

 

国外科研团队和牛人网页：

https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html

常见计算机视觉资源整理索引，国外学者整理，全是出名的算法，并且带有代码的，这个非常有帮助，其链接都是相关领域很火的代码。

http://www.cs.cmu.edu/afs/cs/project/cil/ftp/html/txtv-groups.html

国外学者整理的各高校研究所团队网站

http://research.microsoft.com/en-us/groups/vision/

微软视觉研究小组，不解释，大家懂的，牛！

http://lear.inrialpes.fr/index.php

法国国家信息与自动化研究所，有对应牛人的链接，论文项目网页链接，且一些code对应链接等。

http://www.cs.ubc.ca/~pcarbo/objrecls/

Learningtorecognizeobjectswithlittlesupervision该篇论文的项目网页，有对应的code下载，另附有详细说明。

http://www.eecs.berkeley.edu/~lbourdev/poselets/

poselets相关研究界面，关于poselets的第一手资料。

http://www.cse.oulu.fi/CMV/Research

芬兰奥卢大学计算机科学与工程学院网页，里面有很多cv领域相关的研究，比如说人脸，脸部表情，人体行为识别，跟踪，人机交互等cv基本都涉及有。

http://www.cs.cmu.edu/~cil/vision.html

卡耐基梅隆大学计算机视觉主页，内容非常多。可惜的是该网站内容只更新到了2004年。

http://vision.stanford.edu/index.html

斯坦福大学计算机视觉主页，里面有非常非常多的牛人，比如说大家熟悉的lifeifei.

http://www.wavelet.org/index.php

关于wavelet研究的网页。

http://civs.ucla.edu/

加州大学洛杉矶分校统计学院，关于统计学习方面各种资料，且有相应的网上公开课。

http://www.cs.cmu.edu/~efros/

卡耐基梅隆大学Alexei(Alyosha)Efros教授个人网站，计算机图形学高手。

http://web.mit.edu/torralba/www//

mit牛人Associate教授个人网址，主要研究计算机视觉人体视觉感知，目标识别和场景理解等。

http://people.csail.mit.edu/billf/

mit牛人WilliamT.Freeman教授，主要研究计算机视觉和图像学

http://www.research.ibm.com/peoplevision/

IBM人体视觉研究中心，里面除了有其研究小组的最新成果外，还有很多测试数据(特别是视频）供下载。

http://www.vlfeat.org/

vlfeat主页，vlfeat也是一个开源组织，主要定位在一些最流行的视觉算法开源上，Ｃ编写，其很多算法效果比opencv要好,不过数量不全，但是非常有用。

http://www.robots.ox.ac.uk/~az/

AndrewZisserman的个人主页，这人大家应该熟悉，《计算机视觉中的多视几何》这本神书的作者之一。

http://www.cs.utexas.edu/~grauman/

KristenGrauman教授的个人主页，是个大美女，且是2011年“马尔奖”获得者，”马尔奖“大家都懂的，计算机视觉领域的最高奖项，目前无一个国内学者获得过。她的主要研究方法是视觉识别。

http://groups.csail.mit.edu/vision/welcome/

mit视觉实验室主页。

http://code.google.com/p/sixthsense/

曾经在网络上非常出名一个视频，一个作者研究的第六感装置，现在这个就是其开源的主页。

http://vision.ucsd.edu/~pdollar/research.html#BehaviorRecognitionAnimalBehavior

PiotrDollar的个人主要，主要研究方向是人体行为识别。

http://www.mmp.rwth-aachen.de/

移动多媒体处理，将移动设备，计算机图像学，视觉，图像处理等结合的领域。

http://www.di.ens.fr/~laptev/index.html

IvanLaptev牛人主页，主要研究人体行为识别。有很多数据库可以下载。

http://blogs.oregonstate.edu/hess/

RobHess的个人主要，里面有源码下载，比如说粒子滤波，他写的粒子滤波在网上很火。

http://morethantechnical.googlecode.com/svn/trunk/

cvpr领域一些小型的开源代码。

http://iica.de/pd/index.py

做行人检测的一个团队，内部有一些行人检测的代码下载。

http://www.cs.utexas.edu/~grauman/research/pubs.html

UT-Austin计算机视觉小组，包含的视觉研究方向比较广，且有的文章有源码，你只需要填一个邮箱地址，系统会自动发跟源码相关的信息过来。

http://www.robots.ox.ac.uk/~vgg/index.html

visualgeometrygroup

 

图像:

http://blog.sina.com.cn/s/blog_4cccd8d301012pw5.html

交互式图像分割代码。

http://vision.csd.uwo.ca/code/

graphcut优化代码。

 

语音：

http://danielpovey.com/kaldi-lectures.html

语音处理中的kaldi学习。

 

算法分析与设计（计算机领域的基础算法）：

http://www.51nod.com/focus.html

该网站主要是讨论一些算法题。里面的李陶冶是个大牛，回答了很多算法题。

 

一些综合topic列表：

http://www.cs.cornell.edu/courses/CS7670/2011fa/

计算机视觉中的些topic（SpecialTopicsinComputerVision），截止到2011年为止，其引用的文章都是非常顶级的topic。

 

书籍相关网页：

http://www.imageprocessingplace.com/index.htm

冈萨雷斯的《数字图像处理》一书网站，包含课程材料，matlab图像处理工具包，课件ppt等相关素材。

ConsumerDepthCamerasforComputerVision

很优秀的一本书，不过很贵，买不起啊！做深度信息的使用这本书还不错，google图中可以预览一部分。

Making.Things.See

针对Kinect写的，主要关注深度信息，较为基础。书籍中有不少例子，貌似是Java写的。

 

国内一些AI相关的研讨会：

http://www.iipl.fudan.edu.cn/MLA13/index.htm

中国机器学习及应用研讨会(这个是2013年的)

 

期刊会议论文下载：

http://cvpapers.com/

几个顶级会议论文公开下载界面，比如说ICCV,CVPR,ECCV,ACCV,ICPR,SIGGRAPH等。

http://www.cvpr2012.org/

cvpr2012的官方地址，里面有各种资料和信息，其他年份的地址类似推理更改即可。

http://www.sciencedirect.com/science/journal/02628856

ICV期刊下载

http://www.computer.org/portal/web/tpami

TPAMI期刊，AI领域中可以算得上是最顶级的期刊了，里面有不少cvpr方面的内容。

http://www.springerlink.com/content/100272/

IJCV的网址。

http://books.nips.cc/

NIPS官网，有论文下载列表。

http://graphlab.org/lsrs2013/program/

LSRS（会议）地址，大规模推荐系统，其它年份依次类推。

 

会议期刊相关信息：

http://conferences.visionbib.com/Iris-Conferences.html

该网页列出了图像处理，计算机视觉领域相关几乎所有比较出名的会议时间表。

http://conferences.visionbib.com/Browse-conf.php

上面网页的一个子网页，列出了最近的CV领域提交paper的deadline。

 

cvpr相关数据库下载：

http://research.microsoft.com/en-us/um/people/jckrumm/WallFlower/TestImages.htm

微软研究院牛人WallflowerPaper的论文中用到的目标检测等测试图片

http://archive.ics.uci.edu/ml/

UCI数据库列表下载，最常用的机器学习数据库列表。

http://www.cs.rochester.edu/~rmessing/uradl/

人体行为识别通过关键点的跟踪视频数据库，Rochesteruniversity的

http://www.research.ibm.com/peoplevision/performanceevaluation.html

IBM人体视觉研究中心，有视频监控等非常多的测试视频。

http://www.cvpapers.com/datasets.html

该网站上列出了常见的cvpr研究的数据库。

http://www.cs.washington.edu/rgbd-dataset/index.html

RGB-DObjectDataset.做目标识别的。

 

AI相关娱乐网页：

http://en.akinator.com/

该网站很好玩，可以测试你心里想出的一个人名(当然前提是这个人必须有一定的知名度)，然后该网站会提出一系列的问题，你可以选择yesorno,orIdon’tknow等等，最后系统会显示你心中所想的那个人。

http://www.doggelganger.co.nz/

人与狗的匹配游戏，摄像头采集人脸，呵呵…

 

Android相关：

https://code.google.com/p/android-ui-utils/

该网站上有一些android图标,菜单等跟界面有关的设计工具,可以用来做一些简单的UI设计.

 

工具和code下载：

http://lear.inrialpes.fr/people/dorko/downloads.html

6种常见的图像特征点检测子，linux下环境运行。不过只提供了二进制文件，不提供源码。

http://www.cs.ubc.ca/~pcarbo/objrecls/index.html#code

ssmcmc的matlab代码,是Learningtorecognizeobjectswithlittlesupervision这一系列文章用的源码，属于目标识别方面的研究。

http://www.robots.ox.ac.uk/~timork/

仿射无关尺度特征点检测算子源码，还有些其它算子的源码或二进制文件。

http://www.vision.ee.ethz.ch/~bleibe/code/ism.html

隐式形状模型(ISM)项目主页，作者BastianLeibe提供了linux下运行的二进制文件。

http://www.di.ens.fr/~laptev/download.html#stip

IvanLaptev牛人主页中的STIP特征点检测code，但是也只是有二进制文件，无源码。该特征点在行为识别中该特征点非常有名。

http://ai.stanford.edu/~quocle/

斯坦福大学QuocV.Le主页，上有它2011年行为识别文章的代码。

 

开源软件：

http://mloss.org/software/

一些ML开源软件在这里基本都可以搜到，有上百个。

https://github.com/myui/hivemall

ScalablemachinelearninglibraryforHive/Hadoop.

http://scikit-learn.org/stable/

 

基于Python的机器学习开源软件，文档写得不错。

 

挑战赛：

http://www.chioka.in/kaggle-competition-solutions/

kaggle一些挑战赛的code. 

 

公开课：

网易公开课，国内做得很不错的公开课，翻译了一些国外出名的公开课教程，与国外公开课平台coursera有合作。

coursera在线教育网上公开课，很新，有个邮箱注册即可学习，有不少课程，且有对应的练习，特别是编程练习，超赞。

斯坦福网上公开课链接，有统计学习，凸优化等课程。

udacity公开课程下载链接，其实速度还可以。里面有不少好教程。

机器学习公开课的连接，有不少课。

整理来自：时间的诗