MachineLearning_resources.md

资源&教程&项目

综合资源

1. 深度学习入门教程&&优秀文章&&Deep Learning Tutorial--非常全面完整的深度学习资料，包括教程、发展史、文章、项目等
2. 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
3. 资源汇总 | 200多个最好的机器学习、NLP和Python相关教程
4. 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
5. StateOfTheArt.ai --AI 界的 State of the Art都在这里了
6. awesome-fashion-ai--有关 fashion 和 e-commerce 方面的研究论文、数据集等
7. 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
8. AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NLP
9. A complete ML study path, focused on TensorFlow and Scikit-Learn--机器学习的学习路线
10. Awesome-nlp:nlp 相关的资源、教程等
11. 深度学习网络模型大全（基于TensorFlow和PyTorch实现）
12. 深度学习工程师生存指南--讲述一个深度学习工程师所需的所有东西，配置选择工作站、本地电脑、Python库，Linux常用命令、常用数据集、网络模型等 
13. 十个最常用深度学习图像/视频数据标注工具
14. keras pytorch 构建模型对比
15. 卷积核可视化网站
16. Shift-AI-models-to-real-world-products--AI模型落地的建议
17. 计算机视觉领域资源汇总(Awesome-CV-Resources)
18. 机器学习免费资源中心：https://aihub.cloud.google.com/u/0/

---

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
• 图像处理100问
• B站最火数学视频3Blue1Brown是如何制作的，知乎链接：https://www.zhihu.com/question/57357012/answer/723888621
• 机器学习应用软件工程最佳实践大列表：https://github.com/SE-ML/awesome-seml

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
• 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
• spmallick/learnopencv：包含不少计算机视觉、深度学习的教程文章

CNN

• 深度概览卷积神经网络全景图，没有比这更全的了 论文：https://arxiv.org/pdf/1803.08834.pd
• 【DL知识拾贝】Pytorch版本第一篇：激活函数大汇总
• 【DL知识拾贝】Pytorch版本第二篇：损失函数大汇总

图神经网络

• 图卷积神经网络资源
• 一文带你入门目前大热的图神经网络
• 干货分享|深度学习与图网络从入门到进阶【内容丰富】
• ChandlerBang/awesome-self-supervised-gnn：图神经网络自监督&预训练
• Eilene/spatio-temporal-paper-list：基于时空的图网络论文
• https://github.com/LYuhang/GNN_Review：GNN 的综述报告

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
• 自然语言处理：从基础到RNN和LSTM 
• 【Deep Learning】通俗大白话详述RNN理论和LSTM理论
• 从零开始用 Python 构建循环神经网络

Attention

• 基於Attention之NLP paper - Attention Is All You Need
• 遍地开花的 Attention ，你真的懂吗？

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

场景文字识别检测

• HCIILAB/Scene-Text-Recognition：文字识别的 github

智能运维

综合资源

• linjinjin123/awesome-AIOps
• visenger/awesome-mlops

文章

• 异常检测：百度是这样做的

数据库

• 阿里开源4000台服务器真实数据集

特征工程

• Feature Engineering & Feature Selection : 特征工程和特征选择的介绍和代码实现

介绍的文章 https://mp.weixin.qq.com/s/dMuTcHNIyb5cpneZhdLE_Q

• 面向机器学习的特征工程：github
• 基于 Jupyter 的特征工程手册

NLP

• 面向深度学习研究人员的自然语言处理实例教程(TensorFlow/Pytorch
• 手把手：BERT入门到实战

模型压缩

• model-compression：基于pytorch实现模型压缩（1、量化：8/4/2 bits(dorefa)、三值/二值(twn/bnn/xnor-net)；2、剪枝：正常、规整、针对分组卷积结构的通道剪枝；3、分组卷积结构；4、针对特征A二值的BN融合）

Docker

• Docker，救你于「深度学习环境配置」的苦海
• 【杂谈】您想要的docker环境来了！

环境配置

• 【杂谈】手把手带你配置深度学习环境

---

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] 笔记
• 李宏毅老师的 2019 机器学习课程 [youtube][B站] [课程资料链] [笔记&作业代码]
• 李宏毅老师的 2020 机器学习课程【B 站】
• 李宏毅老师的 2020 机器学习+深度学习完整版课程 【B 站】
• 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

• 李宏毅老师的深度学习课程
• CS231n课程
• Andrew Ng 的 deeplearning.ai   Coursera 网易云课堂，deeplearning.ai课程笔记及资源
• fast.ai--深度学习实战课程

---

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，在线阅读地址：https://datawhalechina.github.io/pumpkin-book

• 《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

• 《深度学习》
• 《动手学深度学习》[pdf][中文Github][英文 Github][Home]，PyTorch 版本代码
• 深度学习图解[代码]
• 《21个项目玩转深度学习———基于TensorFlow的实践详解》[code]

---

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
• 在线工具：程序员常用开发工具
• Miku:同样是工具，包括视频网站下载器、Linux命令查询等
• 卖萌屋Arxiv服务: 只包含 arxiv 当日更新的论文。优点在于把作者机构也展示出来。仍在改进。

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--图像处理和计算机视觉

---

工具

综合

1. AI 研究工具：https://github.com/bighuang624/AI-research-tools

文献翻译

1. CopyTranslator：最大的优点在于有置顶、点按复制、监听剪贴板等功能，阅读文献配合使用时可以无缝切换，非常方便。

---

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 2019 accepted paper：http://openaccess.thecvf.com/CVPR2019.py 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

• ICCV2019 | 一文看尽70篇论文(含目标检测/GAN/超分辨率/深度估计等)
• 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]

网站

• arxiv
• Semantic Sanity: A Personalized Adaptive Feed
• arxiv sanity
• CVPR2019可视化网站
• amusi/CVPR2020-Code：CVPR2020论文开源项目合集

---

项目 & 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
• nvidia-smi输出强化工具
• ImageTagger：在线协同图像标记平台
• 谷歌的Colab项目，网站，github：awesome-google-colab，awesome-machine-learning-jupyter-notebooks-for-colab
• gpustat--监控gpu的使用情况
• ml_visuals--绘制神经网络结构图

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。
• faceswap-GAN : 利用 GAN 实现换脸的项目
• 人脸数据集
• 一款入门级的人脸、视频、文字检测以及识别的项目

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
• 图像修复(补全)文献大列表
• 迁移学习资料大全
• 视频目标检测文献大列表
• 计算机摄影学系列--介绍图像处理相关的知识和代码练习，https://github.com/yourwanghao/CMUComputationalPhotography
• 开源可视化图像标注工具(支持人脸关键点/不规则四边形/多边形标注) 
• 图片数据增强工具
• Grad-CAM.pytorch & Grad-CAM++

GAN

• gans-awesome-applications
• 18 Impressive Applications of Generative Adversarial Networks (GANs)
• GAN — Some cool applications of GANs.

---

博客

国内

1. 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。
2. 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。
3. Machine Learning--也是有关机器学习的一个博客。
4. 美团技术团队
5. 苏剑林的博客
6. **火光摇曳：**腾讯技术大牛们的博客

国外

公司&组织

1. OpenAI--OpenAI
2. Distill--Distill
3. Google AI Blog--谷歌AI的博客
4. Notes on machine learning
5. BAIR Blog--伯克利大学AI小组博客
6. DeepMind Blog--DeepMind的博客
7. FAIR Blog--Facebook AI博客
8. **Netflix：**Netflix技术博客
9. Towards Data Science
10. Learn Opencv
11. (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！
12. machinelearningmastery

个人

1. SALu--有关于 GAN 方面的文章
2. Colah’s Blog--神经网络理解方面的入门，以及深度学习知识
3. Ruder’s Blog--多任务学习、迁移学习
4. inFERENCe
5. Andrew Trask’s Blog
6. Adit Deshpande’s Blog--比较适合入门神经网络
7. Graduate Descent

---

比赛

比赛网站

1. Kaggle
2. 天池
3. DataFountain
4. FlyAI
5. JData

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

比赛代码

• IJCAI18-阿里妈妈广告转化率预测代码（Rank29）
• 2018科大讯飞营销算法大赛（冠军方案）
• 2018-Tencent-social-advertising-algorithm-contest-rank11
• 2019腾讯广告算法大赛完整代码（冠军）：https://github.com/bettenW/Tencent2019_Finals_Rank1st
• FashionAI 天池竞赛 - Top5 技术方案简汇：服装属性标签识别的竞赛的 Top5 团队的技术方案 PPT 汇总

---

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
• Graviti Open Dataset**：**CV 数据集获取网站，收录了 400 多个高质量数据集，包括了目标检测、图像分割、图像分类、目标跟踪、OCR、姿态估计、无人驾驶等类别，另外还可以对数据可视化，预览数据内容。

八大机器学习数据集

文章介绍：[原文][翻译]

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

1. Mnist：手写数字数据集，包含 60000 张训练集和 10000 张测试集。
2. fashion-mnist [官网] [Github]
3. 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。
4. 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。
5. lsun [官网] [Github]
6. 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

1. LFW
2. CelebA

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

3. MS-Celeb-1M
4. CASIA-WebFace
5. FaceScrub
6. MegaFace

衣服数据集

1. Fashion Detection in the Wild (Deep Clothes Detector)

数据集：Large-scale Fashion (DeepFashion) Database

论文：DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations.

作者介绍[Home][PPT]

文章：

• deepfashion数据集相关及多标签学习
• DeepFashion: 服装公开数据集概述

2. MULTI-VIEW CLOTHING DATASET

论文：MVC: A Dataset for View-Invariant Clothing Retrieval and Attribute Prediction

数据集：数据集

3. DeepFashion2

Github:https://github.com/switchablenorms/DeepFashion2

---

面试资料

综合

• Algorithm_Interview_Notes-Chinese--面试算法/数据结构笔记
• amusi/AI-Job-Notes：AI算法岗求职攻略（涵盖准备攻略、刷题指南、内推和AI公司清单等资料）
• 100天学算法
• 面试季：如何在面试中介绍自己的项目经验
• Github | 备战秋招&社招，最全面试题集合！
• 重磅！AI 算法岗面试经验合集（谷歌/微软/BAT/字节跳动/京东/商汤/旷视/大疆等公司）
• Daily Interview
• GYee/CV_interviews_Q-A：本仓库汇总CV算法岗重要的一些知识点和面试问答，主要分为计算机视觉、机器学习、图像处理和、C++基础 四大块，每一块都有几十个问题，每个问题都会努力给出详细完整的解答，帮助你理清这些知识点细节。

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
• 2019年最新总结，阿里，腾讯，百度，美团，头条等技术面试题目，以及答案，专家出题人分析汇总。
• 计算机视觉及深度学习_面试问题（一）
• 深度学习和机器学习_面试问题（二）
• 盘点互联网公司最常见的面试编程题
• 46个经典Linux面试题！
• 机器学习与深度学习常见面试题（上）
• 机器学习与深度学习常见面试题（下）
• Deep-Learning-Interview-Book：深度学习面试宝典（含数学、机器学习、深度学习、计算机视觉、自然语言处理和SLAM等方向）
• 算法面试知识：https://github.com/sladesha/Reflection_Summary

简历制作

• Deedy-Resume，中文版：简历分为左右两栏，用 XeTeX 进行排版，双栏设计使页面可容纳更多信息。
• CV：简历模板的界面设计简洁清晰，技能堆栈、项目经历、实习经历、教育背景一目了然。
• ResumeSample：作为一款在 GitHub 上有着接近两万 Star 的简历模板，在技术圈内有较高的知名度，不少开发者对上面所提供的内容也赞赏有加。这个模板里面包含 PHP、iOS、Android、架构师、通用程序员等相关岗位的简历模板，其中的技能清单与技能关键字有比较高的参考价值。
• 适合中文的简历模板收集（LaTeX，HTML/JS and so on）