最近的天气异常寒冷，大雪纷飞ing。就像我在朋友圈说的那样，能出来见面的都是生死之交，能出来工作的都是亡命之徒，能出来约会的绝对都是真爱！！太阳还叫太阳吗？那就是冰箱里的灯～～OK，总结收集了百来篇关于机器算法&深度学习方面的资料，而且原文也会不定期的更新，望看到文章的朋友能够学到更多。
《Brief History of Machine Learning》
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.
《Deep Learning in Neural Networks: An Overview》
介绍:这是瑞士人工智能实验室 Jurgen Schmidhuber 写的最新版本《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.
《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》
介绍:这是一份 python 机器学习库，如果您是一位 python 工程师而且想深入的学习机器学习.那么这篇文章或许能够帮助到你.
《How to Layout and Manage Your Machine Learning Project》
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
《Choosing a Machine Learning Classifier》
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
《An Introduction to Deep Learning: From Perceptrons to Deep Networks》
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
《The LION Way: Machine Learning plus Intelligent Optimization》
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
《信息时代的计算机科学理论(Foundations of Data Science)》
介绍：信息时代的计算机科学理论，目前国内有纸质书购买，iTunes 购买
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。
《Twenty Questions for Donald Knuth》
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。
《Automatic Construction and Natural-Language Description of Nonparametric Regression Models》
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 最新进展有兴趣的同学可以了解一下
《Introduction to Information Retrieval》
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 一直是北美最受欢迎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
《Machine learning in 10 pictures》
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。
《An Introduction to Statistical Learning with Applications in R》
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
Best Machine Learning Resources for Getting Started
介绍：机器学习最佳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。
Cross-Language Information Retrieval
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: 深度推荐引擎相关算法 - 协同过滤,探索推荐引擎内部的秘密，第 3 部分: 深度推荐引擎相关算法 - 聚类
《Advice for students of machine learning》
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，最后还引用了冯 . 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首次来到中国，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
《Machine Learning for Industry: A Case Study》
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 第一名得主，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
100 Best GitHub: Deep Learning
介绍:100 Best GitHub: Deep Learning
《UFLDL-斯坦福大学 Andrew Ng 教授"Deep Learning"教程》
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
《Machine Learning Summer School》
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 （需FQ）
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，机器学习数据挖掘免费电子书
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。
《Deep Learning and Shallow Learning》
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。
《Recommending music on Spotify with deep learning》
介绍:利用卷积神经网络做音乐推荐。
《Neural Networks and Deep Learning》
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。
《Machine Learning Theory: An Introductory Primer》
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，第一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。
《16 Free eBooks On Machine Learning》
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。
《A Large set of Machine Learning Resources for Beginners to Mavens》
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
《Neural Network & Text Mining》
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
《Deep Learning – important resources for learning and understanding》
介绍:Important resources for learning and understanding . Is awesome
《Machine Learning Theory: An Introductory Primer》
介绍:这又是一篇机器学习初学者的入门文章。值得一读
《Neural Networks and Deep Learning》
介绍:在线 Neural Networks and Deep Learning 电子书
《Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱》
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
《机器学习提升之道（Level-Up Your Machine Learning）》
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:深度学习阅资源列表
《Deep Learning: Methods and Applications》
介绍：这是一本来自微的研究员 li Peng 和 Dong Yu 所著的关于深度学习的方法和应用的电子书
《Machine Learning Summer School 2014》
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
《Building a deeper understanding of images》
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。
《Bayesian network 与 python 概率编程实战入门》
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。"
《机器学习&数据挖掘笔记_16（常见面试之机器学习算法思想简单梳理）》
介绍:常见面试之机器学习算法思想简单梳理
介绍：Videolectures 上最受欢迎的 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
《对话机器学习大神 Michael Jordan：深度模型》
介绍:对话机器学习大神 Michael Jordan
《Deep Learning 和 Knowledge Graph 引爆大数据革命》
介绍:还有２，３ 部分。http://blog.sina.com.cn/s/blog_46d0a3930101gs5h.html
介绍:是 Stanford 教授 Andrew Ng 的 Deep Learning 教程，国内的机器学习爱好者很热心的把这个教程翻译成了中文。如果你英语不好，可以看看这个
介绍:因为近两年来，深度学习在媒体界被炒作很厉害（就像大数据）。其实很多人都还不知道什么是深度学习。这篇文章由浅入深。告诉你深度学究竟是什么！
介绍:这是斯坦福大学做的一免费课程（很勉强），这个可以给你在深度学习的路上给你一个学习的思路。里面提到了一些基本的算法。而且告诉你如何去应用到实际环境中。中文版
介绍:这是多伦多大学做的一个深度学习用来识别图片标签／图转文字的 demo。是一个实际应用案例。有源码
《Deep learning from the bottom up》
介绍:机器学习模型，阅读这个内容需要有一定的基础。
介绍: (CRAN Task Views, 34 种常见任务，每个任务又各自分类列举若干常用相关工具包) 例如: 机器学习，自然语言处理，时间序列分析，空间信息分析，多重变量分析，计量经济学，心理统计学，社会学统计，化学计量学，环境科学，药物代谢动力学等
介绍: 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考.
介绍: 很多干货，而且作者还总结了好几个系列。另外还作者还了一个文章导航.非常的感谢作者总结。
Deep Learning（深度学习）学习笔记整理系列之（二）
Deep Learning（深度学习）学习笔记整理系列之（三）
Deep Learning（深度学习）学习笔记整理系列之（四）
Deep Learning（深度学习）学习笔记整理系列之（五）
Deep Learning（深度学习）学习笔记整理系列之（六）
Deep Learning（深度学习）学习笔记整理系列之（七）
DeepLearning（深度学习）学习笔记整理系列之（八）
《Tutorials Session A - Deep Learning for Computer Vision》
介绍:传送理由：Rob Fergus 的用深度学习做计算机是觉的 NIPS 2013 教程。有 mp4, mp3, pdf 各种下载 他是纽约大学教授，目前也在 Facebook 工作，他 2014 年的 8 篇论文
介绍:FudanNLP，这是一个复旦大学计算机学院开发的开源中文自然语言处理（NLP）工具包 Fudan NLP 里包含中文分词、关键词抽取、命名实体识别、词性标注、时间词抽取、语法分析等功能，对搜索引擎文本分析等极为有价值。
介绍:LinkedIn 开源的机器学习工具包，支持单机， Hadoop cluster，和 Spark cluster 重点是 logistic regression 算法
介绍:对于英语不好，但又很想学习机器学习的朋友。是一个大的福利。机器学习周刊目前主要提供中文版，还是面向广大国内爱好者，内容涉及机器学习、数据挖掘、并行系统、图像识别、人工智能、机器人等等。谢谢作者
《线性代数》
介绍：《线性代数》是《机器学习》的重要数学先导课程。其实《线代》这门课讲得浅显易懂特别不容易，如果一上来就讲逆序数及罗列行列式性质，很容易让学生失去学习的兴趣。我个人推荐的最佳《线性代数》课程是麻省理工 Gilbert Strang 教授的课程。课程主页
介绍:大数据数据处理资源、工具不完备列表，从框架、分布式编程、分布式文件系统、键值数据模型、图数据模型、数据可视化、列存储、机器学习等。很赞的资源汇总。
《machine learning for smart dummies》
介绍:雅虎邀请了一名来自本古里安大学的访问学者，制作了一套关于机器学习的系列视频课程。本课程共分为 7 期，详细讲解了有关 SVM, boosting, nearest neighbors, decision trees 等常规机器学习算法的理论基础知识。
《Entanglement-Based Quantum Machine Learning》
介绍:应对大数据时代，量子机器学习的第一个实验paper 下载
《How a Math Genius Hacked OkCupid to Find True Love》
介绍:Wired 杂志报道了 UCLA 数学博士 Chris McKinlay （图1）通过大数据手段+机器学习方法破解婚恋网站配对算法找到真爱的故事，通过 Python 脚本控制着 12 个账号，下载了婚恋网站 2 万女用户的 600 万问题答案，对他们进行了统计抽样及聚类分析（图2，3），最后终于收获了真爱。科技改变命运！
介绍:MIT 的 Underactuated Robotics 于 2014 年 10 月 1 日开课，该课属于 MIT 研究生级别的课程，对机器人和非线性动力系统感兴趣的朋友不妨可以挑战一下这门课程！
介绍:mllib 实践经验分享
《Google Turns To Deep Learning Classification To Fight Web Spam》
介绍:Google 用 Deep Learning 做的 antispam (反垃圾邮件)
介绍:NLP 常用信息资源*《NLP 常用信息资源》
介绍:机器学习速查表
《Best Papers vs. Top Cited Papers in Computer Science》
介绍：从 1996 年开始在计算机科学的论文中被引用次数最多的论文
介绍：把今年的一个 ACM Trans. on Graphics (TOG)论文中的代码整理为一个开源的算法框架，共享出来了。欢迎大家使用。可以实时的采集 3D 数据、重建出三维模型。Online learning，GPU Random forest，GPU CRF 也会后续公开。
《Hacker‘s guide to Neural Networks》
介绍：【神经网络黑客指南】现在，最火莫过于深度学习（Deep Learning），怎样更好学习它？可以让你在浏览器中，跑起深度学习效果的超酷开源项目 convnetjs 作者 karpathy 告诉你，最佳技巧是，当你开始写代码，一切将变得清晰。他刚发布了一本图书，不断在线更新
《Building a Production Machine Learning Infrastructure》
介绍：前 Google 广告系统工程师 Josh Wills 讲述工业界和学术界机器学习的异同，大实话
《Deep Learning Sentiment Analysis for Movie Reviews using Neo4j》
介绍：使用Neo4j 做电影评论的情感分析。
《DeepLearning.University – An Annotated Deep Learning Bibliography》
介绍：不仅是资料，而且还对有些资料做了注释。
《A primer on deeping learning》
介绍：深度学习入门的初级读本
《Machine learning is teaching us the secret to teaching 》
介绍：机器学习教会了我们什么？
《scikit-learn：用于机器学习的 Python 模块》
介绍：scikit-learn 是在 SciPy 基础上构建的用于机器学习的 Python 模块。
《对话机器学习大神 Michael Jordan：解析领域中各类模型》
介绍：乔丹教授（Michael I. Jordan）教授是机器学习领域神经网络的大牛，他对深度学习、神经网络有着很浓厚的兴趣。因此，很多提问的问题中包含了机器学习领域的各类模型，乔丹教授对此一一做了解释和展望。
介绍：A*搜索是人工智能基本算法，用于高效地搜索图中两点的最佳路径， 核心是 g (n) +h(n): g (n)是从起点到顶点n的实际代价，h(n)是顶点n到目标顶点的估算代价。合集
介绍：本项目利用了 Microsoft Azure，可以在几分种内完成 NLP on Azure Website 的部署，立即开始对 FNLP 各种特性的试用，或者以 REST API 的形式调用 FNLP 的语言分析功能
介绍：现任复旦大学首席教授、计算机软件博士生导师。计算机科学研究所副所长.内部课程
介绍：好东西的干货真的很多
介绍：从硬件、图像到健康、生物、大数据、生物信息再到量子计算等，Amund Tveit 等维护了一个 DeepLearning.University 小项目：收集从 2014 年开始深度学习文献，相信可以作为深度学习的起点,github
介绍：EMNLP 上两篇关于stock trend 用到了 deep model 组织特征；Exploiting Social Relations and Sentiment for Stock Prediction 用到了 stock network。
《Bengio 组（蒙特利尔大学 LISA 组）深度学习教程》
介绍：作者是深度学习一线大牛 Bengio 组写的教程，算法深入显出，还有实现代码，一步步展开。
《学习算法的 Neural Turing Machine 》
介绍：许多传统的机器学习任务都是在学习 function，不过谷歌目前有开始学习算法的趋势。谷歌另外的这篇学习 Python 程序的Learning to Execute 也有相似之处
《Learning to Rank for Information Retrieval and Natural Language Processing》
介绍：作者是华为技术有限公司，诺亚方舟实验室，首席科学家的李航博士写的关于信息检索与自然语言处理的文章
《Rumor has it: Identifying Misinformation in Microblogs》
介绍：利用机用器学习在谣言的判别上的应用，此外还有两个。一个是识别垃圾与虚假信息的paper.还有一个是网络舆情及其分析技术
《R机器学习实践》
介绍：该课程是网易公开课的收费课程，不贵，超级便宜。主要适合于对利用R语言进行机器学习，数据挖掘感兴趣的人。
介绍：本章中作者总结了三代机器学习算法实现的演化：第一代非分布式的， 第二代工具如 Mahout 和 Rapidminer 实现基于 Hadoop 的扩展，第三代如 Spark 和 Storm 实现了实时和迭代数据处理。BIG DATA ANALYTICS BEYOND HADOOP
介绍：讲计算机视觉的四部奇书（应该叫经典吧）之一，另外三本是 Hartley 的《多图几何》、Gonzalez 的《数字图像处理》、Rafael C.Gonzalez / Richard E.Woods 的《数字图像处理》
《LinkedIn 最新的推荐系统文章 Browsemaps》
介绍：里面基本没涉及到具体算法，但作者介绍了 CF 在 LinkedIn 的很多应用，以及他们在做推荐过程中获得的一些经验。最后一条经验是应该监控 log 数据的质量，因为推荐的质量很依赖数据的质量！
介绍：初学者如何查阅自然语言处理（NLP）领域学术资料
介绍：用树莓派和相机模块进行人脸识别
介绍：如何利用深度学习与大数据构建对话系统
《经典论文 Leo Breiman：Statistical Modeling: The Two Cultures 》
介绍：Francis Bach 合作的有关稀疏建模的新综述(书)：Sparse Modeling for Image and Vision Processing，内容涉及 Sparsity， Dictionary Learning, PCA, Matrix Factorization 等理论，以及在图像和视觉上的应用，而且第一部分关于 Why does the l1-norm induce sparsity 的解释也很不错。
《Reproducing Kernel Hilbert Space》
介绍：RKHS 是机器学习中重要的概念，其在 large margin 分类器上的应用也是广为熟知的。如果没有较好的数学基础，直接理解 RKHS 可能会不易。本文从基本运算空间讲到 Banach 和 Hilbert 空间，深入浅出，一共才 12 页。
《Hacker‘s guide to Neural Networks》
介绍：许多同学对于机器学习及深度学习的困惑在于，数学方面已经大致理解了，但是动起手来却不知道如何下手写代码。斯坦福深度学习博士 Andrej Karpathy 写了一篇实战版本的深度学习及机器学习教程，手把手教你用 Javascript 写神经网络和 SVM.
介绍：【语料库】语料库资源汇总
介绍：本文会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。
《Reproducible Research in Computational Science》
介绍：这个里面有很多关于机器学习、信号处理、计算机视觉、深入学习、神经网络等领域的大量源代码（或可执行代码）及相关论文。科研写论文的好资源
介绍：NYU 2014 年的深度学习课程资料，有视频
介绍：计算机视觉数据集不完全汇总
《Machine Learning Open Source Software》
介绍：机器学习开源软件
介绍：A Library for Support Vector Machines
介绍：数据挖掘十大经典算法之一
《100 Best GitHub: Deep Learning》
介绍：github 上面 100 个非常棒的项目
介绍：当前加州大学欧文分校为机器学习社区维护着 306 个数据集。查询数据集
介绍：Andrej Karpathy 是斯坦福大学 Li Fei-Fei 的博士生，使用机器学习在图像、视频语义分析领域取得了科研和工程上的突破，发的文章不多，但每个都很扎实，在每一个问题上都做到了 state-of-art.
介绍：Andrej Karpathy 的深度强化学习演示，论文在这里
介绍：CIKM Cup (或者称为 CIKM Competition)是 ACM CIKM 举办的国际数据挖掘竞赛的名称。
介绍：杰弗里.埃弗里斯特.辛顿 FRS 是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一，也是深度学习的积极推动者.
介绍：微软研究院深度学习技术中心在 CIKM2014 上关于《自然语言处理的深度学习理论与实际》教学讲座的幻灯片
介绍： 本文基于<支持向量机的高频限价订单的动态建模>采用了 Apache Spark 和 Spark MLLib 从纽约股票交易所的订单日志数据构建价格运动预测模型。(股票有风险，投资谨慎) GitHub 源代码托管地址.
介绍：徐宗本院士将于热爱机器学习的小伙伴一起探讨有关于机器学习的几个理论性问题，并给出一些有意义的结论。最后通过一些实例来说明这些理论问题的物理意义和实际应用价值。
介绍：作者还著有《这就是搜索引擎：核心技术详解》一书，主要是介绍应用层的东西
《Undergraduate machine learning at UBC》
介绍：机器学习课程
介绍：人脸识别必读文章推荐
介绍：推荐系统经典论文文献
介绍：人脸识别必读文章推荐
介绍：第十二届中国"机器学习及其应用"研讨会 PPT
paper 18 ：近200篇机器学习&深度学习资料分享（含各种文档，视频，源码等）
原文：http://www.cnblogs.com/molakejin/p/5152966.html