Study-Notes
Study-Notes copied to clipboard
ccc013
机器学习&深度学习 资源&教程&文章&项目
综合资源
- Awesome Computer Vision--Github 上的一个9000+星的资源，包含书籍、课程、教程、论文、数据集、博客等等
- 资源汇总 | 200多个最好的机器学习、NLP和Python相关教程
- AI算法工程师手册--包含数学基础、机器学习、深度学习、计算机视觉和NLP等知识
- StateOfTheArt.ai --AI 界的 State of the Art都在这里了
- awesome-fashion-ai--有关 fashion 和 e-commerce 方面的研究论文、数据集等
- AlphaTree-graphic-deep-neural-network--介绍了深度学习的一些模型，并且有图示，包含了图像分类、物体检测、人脸检测与识别等方向
- AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NLP
- A complete ML study path, focused on TensorFlow and Scikit-Learn--机器学习的学习路线
网上教程
机器学习
- 机器学习100天[中文翻译]
- Machine Learning in Python--手把手教你利用Python对图像数据进行机器学习（使用scikit-learn 和Keras）：Machine Learning in Python 注：含KNN、朴素贝叶斯、Logistic回归、SVM、决策树、随机森林、神经网络和深度神经网络和CNN等算法
- CS229 机器学习速查表
- 机器学习笔记--机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等
深度学习
- deep_learning_cookbook--基于TensorFlow和Keras的深度学习书籍《Deep Learning Cookbook》,代码很详细，包含多个项目！
- 深度学习教程整理 | 干货--整理深度学习方面的教程，包括基础网络、框架总结、网络设计和转换等
- CS230 深度学习速查表
- deeplearning.ai（吴恩达老师的深度学习课程笔记及资源），吴恩达老师的机器学习课程个人笔记--同一个作者对吴恩达老师两门课程的笔记和资源
- 零基础入门深度学习(1) - 感知器--总共七章内容，从感知器、CNN到RNN、LSTM
CNN
-
论文：https://arxiv.org/pdf/1803.08834.pd
RNN & LSTM
- Simple RNN, LSTM and Differentiable Neural Computer in pure Numpy[介绍]--纯 Numpy 实现 RNN 和 LSTM
- A Beginner's Guide to LSTMs and Recurrent Neural Networks--初学者入门 LSTM 的教程！
- 完全图解RNN、RNN变体、Seq2Seq、Attention机制
- 人人都能看懂的LSTM
- Understanding LSTM Networks--参考这篇文章翻译，LSTM入门总结
人脸
- face-alignment-with-opencv-and-python--人脸对齐
- facial-landmarks-dlib-opencv-python--利用 dlib 进行人脸关键点检测
- Implementing Face Detection using Python and OpenCV--利用 opencv 实现人脸检测
视频课程
- Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP lectures--深度学习、强化学习、机器学习、计算机视觉、NLP方面的课程
机器学习
- 吴恩达老师的课程 [Couresa] [网易云]
- 李宏毅老师的 2019 机器学习课程 [youtube][B站] [课程资料链]
- 斯坦福大学的 CS229 机器学习课程
- 给程序员的实践深度学习课程[介绍]--整个课程一共7节，带你从理论到应用学成深度学习，计算机视觉、NLP、推荐系统等等一课打尽。并且非常偏向于实践，深受好评！
- 林轩田老师的两门课程
机器学习基石 [课程主页] [b站视频] 配套书籍：Learning From Data 笔记和习题
机器学习技法 [b站视频]
深度学习
书籍
机器学习
- 《统计学习方法》
代码：https://github.com/wzyonggege/statistical-learning-method
https://github.com/WenDesi/lihang_book_algorithm
https://blog.csdn.net/tudaodiaozhale
https://github.com/fengdu78/lihang-code
https://github.com/SmirkCao/Lihang
- 《机器学习》--周志华
南瓜书： https://github.com/datawhalechina/pumpkin-book 对书中公式的补充推导
- 《机器学习实战》
- 《hands-on-ml-with-sklearn-and-tf》[电子书][中文版翻译][Code]
- 《百面机器学习》
- [译] 面向机器学习的特征工程
深度学习
网站
国内
- (推荐)机器之心
- PaperWeekly
- 通天塔--论文阅读，中英文翻译对比
国外
- Arxiv--寻找最新论文的网站
- Arxiv Sanity Preserver[Code] --对 arXiv 更好的展示论文
- （强力推荐）Papers With Code--论文及其实现代码
- （强力推荐）Browse state-of-the-art--记录了16个大类，总共950+个任务的当前最先进的技术
- RSIP vision--图像处理和计算机上视觉
- Learn Opencv
- (推荐)PyimageSearch--计算机视觉、opencv等，并且都是详细实现代码，每一步实现都解释得很清楚！
论文
顶会
- AAAI: 顶级人工智能综合会议
2019年accepted paper:
https://aaai.org/Conferences/AAAI-19/wp-content/uploads/2018/11/AAAI-19_Accepted_Papers.pdf
2018年accepted paper:
https://aaai.org/Conferences/AAAI-18/wp-content/uploads/2017/12/AAAI-18-Accepted-Paper-List.Web_.pdf
2017年accepted paper:
https://www.aaai.org/Conferences/AAAI/2017/aaai17accepted-papers.pdf
- IJCAI: 顶级人工智能综合会议
2018年accepted paper:
http://www.ijcai-18.org/accepted-papers/index.html
2017年accepted paper:
https://ijcai-17.org/accepted-papers.html
- ICML :顶级机器学习会议
2018年accepted paper:
https://icml.cc/Conferences/2018/Schedule?type=Poster
2017年accepted paper:
https://icml.cc/Conferences/2017/Schedule?type=Poster
- NIPS:顶级综合人工智能会议
2018年accepted paper:
https://nips.cc/Conferences/2018/Schedule?type=Poster
2017年accepted paper:
https://nips.cc/Conferences/2017/Schedule?type=Poster
- CVPR：计算机视觉和模式识别
CVPR 2018 accepted paper：http://openaccess.thecvf.com/CVPR2018.py
CVPR 2017 accepted paper：http://openaccess.thecvf.com/CVPR2017.py
- ICCV：国际计算机视觉大会
ICCV 2017 accepted paper：http://openaccess.thecvf.com/ICCV2017.py
- ECCV：欧洲计算机视觉国际会议
ECCV 2018 accepted paper：http://openaccess.thecvf.com/ECCV2018.py
综合资源
- deep-learning-papers-translation--Github 深度学习论文翻译，包括分类论文，检测论文等
- deep-learning-papers--深度学习的论文，包括视觉、文本、音频，最新更新是2017年10月
- 各种机器学习任务的顶级结果（论文）汇总--汇总多个任务，包括视觉、语音、NLP、强化学习等方向的最顶级结果的论文
- CV 领域常见单词 [一] [二]
项目 & Github
- Tensorflow/models--TensorFlow 官方 Github
- gluon-cv--GluonCV 提供了当前计算机视觉性能最优的深度学习模型
- imgaug--Image augmentation for machine learning experiments.数据增强库
- DPED--增强图片质量
- Deep Learning - All You Need to Know--深度学习资源，包含了论文、网络模型、教程、数据集、博客、框架等等
人脸
- awesome-Face_Recognition:近十年的人脸相关的所有论文合集
- face_recognition:人脸识别库，可以实现识别、检测、匹配等等功能。
计算机视觉
- Awesome Image Classification--图像分类方面的汇总，常用的网络模型的性能结果，代码实现以及论文。
- Awesome-Image-Inpainting--图像修复方面的资料汇总
博客
国内
- 机器学习--tornadomeet--这是别人学习机器学习和深度学习做下笔记的博客，有好几十篇博文呢。
- zouxy09的专栏--这个博客不只有机器学习内容，还有一个深度学习的系列。
- Machine Learning--也是有关机器学习的一个博客。
- 美团技术团队
- 苏剑林的博客
- **火光摇曳：**腾讯技术大牛们的博客
国外
公司&组织
- OpenAI--OpenAI
- Distill--Distill
- Google AI Blog--谷歌AI的博客
- Notes on machine learning
- BAIR Blog--伯克利大学AI小组博客
- DeepMind Blog--DeepMind的博客
- FAIR Blog--Facebook AI博客
- **Netflix：**Netflix技术博客
- Towards Data Science
个人
- SALu--有关于 GAN 方面的文章
- Colah’s Blog--神经网络理解方面的入门，以及深度学习知识
- Ruder’s Blog--多任务学习、迁移学习
- inFERENCe
- Andrew Trask’s Blog
- Adit Deshpande’s Blog--比较适合入门神经网络
- Graduate Descent
比赛
比赛网站
比赛经验
- Kaggle 入门指南
- 分分钟带你杀入Kaggle Top 1%
- 6次Kaggle计算机视觉类比赛赛后感
- 参加kaggle竞赛是怎样一种体验？
- Kaggle入门，看这一篇就够了
- 零基础自学两月后三月三次轻松进入kaggle比赛top20小结
数据集
- Datasets for machine learning [收藏：全网最大机器学习数据集，视觉、NLP、音频都在这了]--包含机器学习领域的数据集，
八大机器学习数据集
1. Kaggle 数据集
数据集地址：
https://www.kaggle.com/datasets
每个数据集都是一个小型社区，用户可以在其中讨论数据、查找公共代码或在内核中创建自己的项目。包含各式各样的真实数据集。
用户还可以看到与每个数据集相关的“内核”，许多数据科学家还提供了相关手册来分析数据集。
2. Amazon 数据集
数据集地址：
https://registry.opendata.aws/
该数据源包含多个不同领域的数据集，如：公共交通、生态资源、卫星图像等。
网页中也有一个搜索框来帮助用户寻找想要的数据集，还有所有数据集的描述和使用示例，这些数据集信息丰富且易于使用！
数据集存储在Amazon Web Services (AWS)资源中，比如Amazon S3——云中的一个高度可伸缩的对象存储服务。
如果用户正在使用AWS进行机器学习实验和开发，这将非常方便，由于它是AWS网络的本地数据，因此数据集的传输将非常快。
3. UCI机器学习资源库
数据集地址：
https://archive.ics.uci.edu/ml/datasets.html
另一个来自加州大学信息与计算机科学学院的大型资源库，包含100多个数据集。
用户可以找到单变量和多变量时间序列数据集，分类、回归或推荐系统的数据集。
有些UCI的数据集已经是被清洗过的。
4. 谷歌数据集搜索引擎
数据集地址：
https://toolbox.google.com/datasetsearch
在2018年末，谷歌做了他们最擅长的事情，推出了另一项伟大的服务——它是一个可以按名称搜索数据集的工具箱。
他们的目标是统一成千上万个不同的数据集存储库，使这些数据能够且易被发现。
5. 微软数据集
数据集地址：
https://msropendata.com/
2018年7月，微软与外部研究社区共同宣布推出“Microsoft Research Open Data”。
它在云中包含一个数据存储库，用于促进全球研究社区之间的协作。它提供了一系列用于已发表研究的、经过处理的数据集。
6. Awesome Public Datasets Collection
数据集地址：
https://github.com/awesomedata/awesome-public-datasets
这是一个按“主题”组织的数据集，比如生物学、经济学、教育学等。
这里列出的大多数数据集都是免费的，但是在使用任何数据集之前，用户需要检查一下许可要求。
7. 政府数据集
政府相关数据集也很容易找到的。
许多国家为了提高透明度，向公众分享了各种数据集。以下是一些例子：
欧盟开放数据门户：欧洲政府数据集。
数据集地址：
https://data.europa.eu/euodp/data/dataset
美国政府数据：目前由于一些非政治性原因，暂时无法访问。
数据集地址：
https://www.data.gov/
新西兰政府数据集：
数据集地址：
https://catalogue.data.govt.nz/dataset
印度政府数据集：
数据集地址：
https://data.gov.in/
8. 计算机视觉数据集
数据集地址：
https://www.visualdata.io/
Visual Data包含一些可以用来构建计算机视觉(CV)模型的大型数据集。
用户可以通过特定的CV主题查找特定的数据集，如语义分割、图像标题、图像生成，甚至可以通过解决方案(自动驾驶汽车数据集)查找特定的数据集。
常用数据集
- Mnist：手写数字数据集，包含 60000 张训练集和 10000 张测试集。
- fashion-mnist [官网] [Github]
- Cifar：分为 Cifar10 和 Cifar100。前者包含 60000 张图片，总共10个类别，每类 6000 张图片。后者是 100 个类别，每个类别 600 张图片。类别包括猫狗鸟等动物、飞机汽车船等交通工具。
- Imagenet：应该是目前最大的开源图像数据集，包含 1500 万张图片，2.2 万个类别。
- lsun [官网] [Github]
- Open Images V4[Description][Download][Paper]--包含 600 个类别，900w 张数据集，包含图片标签、物体检测框以及视觉关系的标注信息。
人脸数据集
数据集介绍：https://blog.csdn.net/Cloudox_/article/details/78432517
百度云下载：https://pan.baidu.com/s/1eSNpdRG#list/path=%2FCelebA%2FImg
衣服数据集
数据集：Large-scale Fashion (DeepFashion) Database
论文：DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations.
文章：
论文：MVC: A Dataset for View-Invariant Clothing Retrieval and Attribute Prediction
数据集：数据集
面试资料
综合
- Algorithm_Interview_Notes-Chinese--2018/2019/校招/春招/秋招/算法/机器学习(Machine Learning)/深度学习(Deep Learning)/自然语言处理(NLP)/C/C++/Python/面试笔记
题目
- 深度学习500问
- BAT面试1000题--知乎专栏，面试题目
- machine-learning-interview-questions--英文版面试题目，包括深度学习、机器学习和数学
- 深度学习面试中文版--问题，以及给出在《深度学习》中答案所在的页码
- 技术面试必备基础知识--包含算法、操作系统、数据库、网络、JAVA等面试题目