介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep Learning.
介绍:这是瑞士人工智能实验室 Jurgen Schmidhuber 写的***版本《神经网络与深度学习综述》本综述的特点是以时间排序，从 1940 年开始讲起，到 60-80 年代，80-90 年代，一直讲到 2000 年后及最近几年的进展。涵盖了 deep learning 里各种 tricks，引用非常全面.
介绍:这是一份 python 机器学习库，如果您是一位 python 工程师而且想深入机器学习.那么这篇文章或许能够帮助到你.
介绍:这一篇介绍如果设计和管理属于你自己的机器学习项目的文章，里面提供了管理模版、数据管理与实践方法.
介绍:如果你还不知道什么是机器学习，或则是刚刚学习感觉到很枯燥乏味。那么推荐一读。这篇文章已经被翻译成中文，如果有兴趣可以移步 http://blog.jobbole.com/67616/
介绍:R语言是机器学习的主要语言，有很多的朋友想学习R语言，但是总是忘记一些函数与关键字的含义。那么这篇文章或许能够帮助到你
介绍:我该如何选择机器学习算法，这篇文章比较直观的比较了 Naive Bayes，Logistic Regression，SVM，决策树等方法的优劣，另外讨论了样本大小、Feature 与 Model 权衡等问题。此外还有已经翻译了的版本:http://www.52ml.net/15063.html
介绍：深度学习概述：从感知机到深度网络，作者对于例子的选择、理论的介绍都很到位，由浅入深。翻译版本：http://www.cnblogs.com/xiaowanyer/p/3701944.html
介绍:<机器学习与优化>这是一本机器学习的小册子， 短短 300 多页道尽机器学习的方方面面. 图文并茂， 生动易懂， 没有一坨坨公式的烦恼. 适合新手入门打基础， 也适合老手温故而知新. 比起 MLAPP/PRML 等大部头， 也许这本你更需要!具体内容推荐阅读:http://intelligent-optimization.org/LIONbook/
介绍:作者是来自百度，不过他本人已经在 2014 年 4 月份申请离职了。但是这篇文章很不错如果你不知道深度学习与支持向量机/统计学习理论有什么联系？那么应该立即看看这篇文章.
介绍:这本书是由谷歌公司和 MIT 共同出品的计算机科学中的数学：Mathematics for Computer Science，Eric Lehman et al 2013 。分为 5 大部分：1）证明，归纳。2）结构，数论，图。3）计数，求和，生成函数。4）概率，随机行走。5）递归。等等
介绍:这是一本由雪城大学新编的第二版《数据科学入门》教材：偏实用型，浅显易懂，适合想学习R语言的同学选读。
介绍:这并不是一篇文档或书籍。这是篇向图灵奖得主 Donald Knuth 提问记录稿： 近日， Charles Leiserson, Al Aho, Jon Bentley 等大神向 Knuth 提出了 20 个问题，内容包括 TAOCP，P/NP 问题，图灵机，逻辑，以及为什么大神不用电邮等等。
介绍：不会统计怎么办？不知道如何选择合适的统计模型怎么办？那这篇文章你的好好读一读了麻省理工 Joshua B. Tenenbaum 和剑桥 Zoubin Ghahramani 合作，写了一篇关于 automatic statistician 的文章。可以自动选择回归模型类别，还能自动写报告...
介绍:对深度学习和 representation learning ***进展有兴趣的同学可以了解一下
介绍：这是一本信息检索相关的书籍，是由斯坦福 Manning 与谷歌副总裁 Raghavan 等合著的 Introduction to Information Retrieval 一直是北美***的信息检索教材之一。最近作者增加了该课程的幻灯片和作业。IR 相关资源：http://www-nlp.stanford.edu/IR-book/information-retrieval.html
介绍:Deniz Yuret 用 10 张漂亮的图来解释机器学习重要概念：1. Bias/Variance Tradeoff 2. Overfitting 3. Bayesian / Occam's razor 4. Feature combination 5. Irrelevant feature 6. Basis function 7. Discriminative / Generative 8. Loss function 9. Least squares 10. Sparsity. 很清晰
介绍：雅虎研究院的数据集汇总： 包括语言类数据，图与社交类数据，评分与分类数据，计算广告学数据，图像数据，竞赛数据，以及系统类的数据。
介绍：这是一本斯坦福统计学著名教授 Trevor Hastie 和 Robert Tibshirani 的新书，并且在 2014 年一月已经开课：https://class.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about
介绍：机器学习***入门学习资料汇总是专为机器学习初学者推荐的优质学习资源，帮助初学者快速入门。而且这篇文章的介绍已经被翻译成中文版。如果你不怎么熟悉，那么我建议你先看一看中文的介绍。
介绍:主要是顺着 Bengio 的 PAMI review 的文章找出来的。包括几本综述文章，将近 100 篇论文，各位山头们的 Presentation。全部都可以在 google 上找到。
介绍：这是一本书籍，主要介绍的是跨语言信息检索方面的知识。理论很多
介绍:本文共有三个系列，作者是来自 IBM 的工程师。它主要介绍了推荐引擎相关算法，并帮助读者高效的实现这些算法。探索推荐引擎内部的秘密，第 2 部分: 深入推荐引擎相关算法 - 协同过滤,探索推荐引擎内部的秘密，第 3 部分: 深入推荐引擎相关算法 - 聚类
介绍：康奈尔大学信息科学系助理教授 David Mimno 写的《对机器学习初学者的一点建议》， 写的挺实际，强调实践与理论结合，***还引用了冯 · 诺依曼的名言: "Young man, in mathematics you don't understand things. You just get used to them."
介绍：这是一本关于分布式并行处理的数据《Explorations in Parallel Distributed Processing: A Handbook of Models, Programs, and Exercises》，作者是斯坦福的 James L. McClelland。着重介绍了各种神级网络算法的分布式实现，做 Distributed Deep Learning 的童鞋可以参考下
介绍:【“机器学习”是什么？】John Platt 是微软研究院杰出科学家，17 年来他一直在机器学习领域耕耘。近年来机器学习变得炙手可热，Platt 和同事们遂决定开设博客，向公众介绍机器学习的研究进展。机器学习是什么，被应用在哪里？来看 Platt 的这篇博文
介绍：2014 年国际机器学习大会（ICML）已经于 6 月 21-26 日在国家会议中心隆重举办。本次大会由微软亚洲研究院和清华大学联手主办，是这个有着 30 多年历史并享誉世界的机器学习领域的盛会***来到中国，已成功吸引海内外 1200 多位学者的报名参与。干货很多，值得深入学习下
介绍：这篇文章主要是以 Learning to Rank 为例说明企业界机器学习的具体应用，RankNet 对 NDCG 之类不敏感，加入 NDCG 因素后变成了 LambdaRank，同样的思想从神经网络改为应用到 Boosted Tree 模型就成就了 LambdaMART。Chirs Burges，微软的机器学习大神，Yahoo 2010 Learning to Rank Challenge ***名得主，排序模型方面有 RankNet，LambdaRank，LambdaMART，尤其以 LambdaMART 最为突出，代表论文为： From RankNet to LambdaRank to LambdaMART: An Overview 此外，Burges 还有很多有名的代表作，比如：A Tutorial on Support Vector Machines for Pattern Recognition
Some Notes on Applied Mathematics for Machine Learning
介绍:100 Best GitHub: Deep Learning
介绍:本教程将阐述无监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果你不熟悉这些想法，我们建议你去这里机器学习课程，并先完成第 II，III，IV 章（到逻辑回归）。此外这关于这套教程的源代码在 github 上面已经有 python 版本了 UFLDL Tutorial Code
*《Deep Learning for Natural Language Processing and Related Applications》
介绍:这份文档来自微软研究院，精髓很多。如果需要完全理解，需要一定的机器学习基础。不过有些地方会让人眼前一亮，毛塞顿开。
介绍:这是一篇介绍图像卷积运算的文章，讲的已经算比较详细的了
介绍：每天请一个大牛来讲座，主要涉及机器学习，大数据分析，并行计算以及人脑研究。https://www.youtube.com/user/smolix
介绍：一个超级完整的机器学习开源库总结，如果你认为这个碉堡了，那后面这个列表会更让你惊讶：【Awesome Awesomeness】，国内已经有热心的朋友进行了翻译中文介绍
介绍:ACL 候任主席、斯坦福大学计算机系 Chris Manning 教授的《自然语言处理》课程所有视频已经可以在斯坦福公开课网站上观看了（如 Chrome 不行，可用 IE 观看） 作业与测验也可以下载。
介绍:对比 Deep Learning 和 Shallow Learning 的好文，来着浙大毕业、MIT 读博的 Chiyuan Zhang 的博客。
介绍:利用卷积神经网络做音乐推荐。
介绍：神经网络的免费在线书，已经写了三章了，还有对应的开源代码：https://github.com/mnielsen/neural-networks-and-deep-learning 爱好者的福音。
介绍：Java 机器学习相关平台和开源的机器学习库，按照大数据、NLP、计算机视觉和 Deep Learning 分类进行了整理。看起来挺全的，Java 爱好者值得收藏。
介绍：机器学习最基本的入门文章，适合零基础者
介绍：机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，***个方面是学习的方式，第二个方面是算法的类似性。
介绍：看题目你已经知道了是什么内容，没错。里面有很多经典的机器学习论文值得仔细与反复的阅读。
介绍：视频由加州理工学院（Caltech）出品。需要英语底子。
介绍：总结了机器学习的经典书籍，包括数学基础和算法理论的书籍，可做为入门参考书单。
介绍:16 本机器学习的电子书，可以下载下来在 pad，手机上面任意时刻去阅读。不多我建议你看完一本再下载一本。
介绍:标题很大，从新手到专家。不过看完上面所有资料。肯定是专家了
介绍：入门的书真的很多，而且我已经帮你找齐了。
介绍：Sibyl 是一个监督式机器学习系统，用来解决预测方面的问题，比如 YouTube 的视频推荐。
介绍：Yoshua Bengio, Ian Goodfellow， Aaron Courville 著
介绍:关于(Deep) Neural Networks 在 NLP 和 Text Mining 方面一些 paper 的总结
介绍:计算机视觉入门之前景目标检测1（总结）
介绍:计算机视觉入门之行人检测
介绍:Important resources for learning and understanding . Is awesome
介绍:这又是一篇机器学习初学者的入门文章。值得一读
介绍:在线 Neural Networks and Deep Learning 电子书
介绍:python 的 17 个关于机器学习的工具
介绍:下集在这里神奇的伽玛函数(下)
介绍:作者王益目前是腾讯广告算法总监，王益博士毕业后在 google 任研究。这篇文章王益博士 7 年来从谷歌到腾讯对于分布机器学习的所见所闻。值得细读
介绍:把机器学习提升的级别分为0~4 级，每级需要学习的教材和掌握的知识。这样，给机器学习者提供一个上进的路线图，以免走弯路。另外，整个网站都是关于机器学习的，资源很丰富。
介绍:机器学习各个方向综述的网站
介绍:深入学习阅资源列表
介绍：这是一本来自微的研究员 li Peng 和 Dong Yu 所著的关于深入学习的方法和应用的电子书
介绍:2014 年七月 CMU 举办的机器学习夏季课刚刚结束有近 50 小时的视频、十多个 PDF 版幻灯片，覆盖深度学习，贝叶斯，分布式机器学习，伸缩性等热点话题。所有 13 名讲师都是牛人：包括大牛 Tom Mitchell （他的［机器学习］是名校的常用教材），还有 CMU 李沐 .（1080P 高清哟）
介绍:在今年的 IEEE/IFIP 可靠系统和网络（DSN）国际会议上，Google 软件工程师 Tushar Chandra 做了一个关于 Sibyl 系统的主题演讲。 Sibyl 是一个监督式机器学习系统，用来解决预测方面的问题，比如 YouTube 的视频推荐。详情请阅读 google sibyl
介绍:谷歌研究院的 Christian Szegedy 在谷歌研究院的博客上简要地介绍了他们今年参加 ImageNet 取得好成绩的 GoogLeNet 系统.是关于图像处理的。
介绍:贝叶斯学习。如果不是很清可看看概率编程语言与贝叶斯方法实践
介绍:网友问伯克利机器学习大牛、美国双料院士 Michael I. Jordan："如果你有 10 亿美金，你怎么花？Jordan: "我会用这 10 亿美金建造一个 NASA 级别的自然语言处理研究项目。"
介绍:常见面试之机器学习算法思想简单梳理
介绍：Videolectures 上***的 25 个文本与数据挖掘视频汇总
介绍:在 Kaggle 上经常取得不错成绩的 Tim Dettmers 介绍了他自己是怎么选择深度学习的 GPUs, 以及个人如何构建深度学习的 GPU 集群: http://t.cn/RhpuD1G
介绍:对话机器学习大神 Michael Jordan
