本文包含了迄今为止我发现的最佳教程内容。它绝不是网上每个ML相关教程的详尽列表 - 这将是压倒性的和重复的。此外，还有一堆平庸的内容。我的目标是链接到我在机器学习和NLP中的重要子主题上找到的最佳教程。
通过教程，我指的是打算简明扼要地教授概念的介绍性内容。我避免包括具有更广泛覆盖范围的书籍章节和研究论文，这些论文通常在教学概念方面做得不好。为什么不买书呢？当您尝试学习特定的利基主题或想要获得不同的观点时，教程会很有帮助。
我将这篇文章分为四个部分：机器学习，NLP，Python和数学。我在每个部分都包含了一些主题，但考虑到材料的广泛性，我不可能包含所有可能的主题。
如果有很好的教程你知道我错过了，请告诉我！我试图将每个主题限制为五到六个教程，因为除此之外还有重复性。每个链接应该具有与其他链接不同的材料或以不同的方式呈现信息（例如，代码与幻灯片与长形式）或从不同的角度。
机器学习
从机器学习入手（machinelearningmastery.com）
机器学习很有趣！（medium.com/@ageitgey）
机器学习规则：ML工程的最佳实践（martin.zinkevich.org）
机器学习速成课程：第一部分，第二部分，第三部分（伯克利机器学习）
机器学习理论及其应用简介：带示例的视觉教程（toptal.com）
机器学习的温和指南（monkeylearn.com）
我应该使用哪种机器学习算法？（sas.com）
机器学习入门（sas.com）
初学者机器学习教程（kaggle.com/kanncaa1）
激活和丢失功能
Sigmoid神经元（neuralnetworksanddeeplearning.com）
激活函数在神经网络中的作用是什么？（quora.com）
具有优缺点的神经网络中激活函数的综合列表（stats.stackexchange.com）
激活功能及其类型 - 哪个更好？（medium.com）
理解对数损失（exegetic.biz）
损失函数（斯坦福CS231n）
L1与L2损失函数（rishy.github.io）
交叉熵成本函数（neuralnetworksanddeeplearning.com）
偏压
偏差在神经网络中的作用（stackoverflow.com）
神经网络中的偏置节点（makeyourownneuralnetwork.blogspot.com）
什么是人工神经网络的偏见？（quora.com）
感知
感知器（neuralnetworksanddeeplearning.com）
感知（natureofcode.com）
单层神经网络（感知器）（dcu.ie）
从Perceptrons到Deep Networks（toptal.com）
回归
线性回归分析介绍（duke.edu）
线性回归（ufldl.stanford.edu）
线性回归（readthedocs.io）
Logistic回归（readthedocs.io）
机器学习的简单线性回归教程（machinelearningmastery.com）
机器学习的Logistic回归教程（machinelearningmastery.com）
Softmax回归（ufldl.stanford.edu）
梯度下降
用梯度下降学习（neuralnetworksanddeeplearning.com）
渐变下降（iamtrask.github.io）
如何理解梯度下降算法（kdnuggets.com）
梯度下降优化算法概述（sebastianruder.com）
优化：随机梯度下降（斯坦福CS231n）
生成学习
生成学习算法（斯坦福CS229）
朴素贝叶斯分类器（monkeylearn.com）的实用解释
支持向量机
支持向量机（SVM）简介（monkeylearn.com）
支持向量机（斯坦福CS229）
线性分类：支持向量机，Softmax（Stanford 231n）
反向传播
是的你应该了解 backprop（medium.com/@karpathy）
你能给出神经网络反向传播算法的直观解释吗？（github.com/rasbt）
反向传播算法的工作原理（neuralnetworksanddeeplearning.com）
时间反向传播的温和介绍（machinelearningmastery.com）
反向传播，直觉（斯坦福CS231n）
深度学习
YN²深度学习指南（yerevann.com）
深度学习论文阅读路线图（github.com/floodsung）
坚果中的深度学习（nikhilbuduma.com）
深度学习教程（Quoc V. Le）
什么是深度学习？（machinelearningmastery.com）
人工智能，机器学习和深度学习之间有什么区别？（nvidia.com）
深度学习 - 直接涂料（gluon.mxnet.io）
优化和降维
数据维数减少的七种技术（knime.org）
主成分分析（斯坦福CS229）
辍学：一种改善神经网络的简单方法（Hinton @ NIPS 2012）
如何训练您的深度神经网络（rishy.github.io）
长期短期记忆（LSTM）
专家对长短期记忆网络的简要介绍（machinelearningmastery.com）
了解LSTM Networks（colah.github.io）
探索LSTM（echen.me）
任何人都可以学习用Python编写LSTM-RNN（iamtrask.github.io）
卷积神经网络（CNN）
引入卷积网络（neuralnetworksanddeeplearning.com）
深度学习和卷积神经网络（medium.com/@ageitgey）
Conv Nets：模块化视角（colah.github.io）
了解卷积（colah.github.io）
递归神经网络（RNN）
循环神经网络教程（wildml.com）
注意和增强的递归神经网络（distill.pub）
回归神经网络的不合理有效性（karpathy.github.io）
强化学习
简单初学者强化学习及其实施指南（analyticsvidhya.com）
强化学习教程（mst.edu）
学习强化学习（wildml.com）
深度强化学习：来自像素的乒乓球（karpathy.github.io）
生成对抗网络（GAN）
对抗机器学习（aaai18adversarial.github.io）
什么是生成性对抗网络？（nvidia.com）
滥用生成对抗网络制作8位像素艺术（medium.com/@ageitgey）
Generative Adversarial Networks简介（TensorFlow中的代码）（aylien.com）
初学者的生成性对抗网络（oreilly.com）
多任务学习
深度神经网络中多任务学习概述（sebastianruder.com）
NLP
自然语言处理很有趣！（medium.com/@ageitgey）
自然语言处理神经网络模型入门（Yoav Goldberg）
自然语言处理权威指南（monkeylearn.com）
自然语言处理简介（algorithmia.com）
自然语言处理教程（vikparuchuri.com）
自然语言处理（几乎）来自Scratch（arxiv.org）
深度学习和NLP
深度学习适用于NLP（arxiv.org）
NLP的深度学习（没有魔法）（Richard Socher）
了解NLP的卷积神经网络（wildml.com）
深度学习，NLP和表示（colah.github.io）
嵌入，编码，参与，预测：最先进的NLP模型的新深度学习公式（explosion.ai）
使用Torch深度神经网络理解自然语言（nvidia.com）
使用Pytorch深度学习NLP（pytorich.org）
单词向量
一袋字满足爆米花袋（kaggle.com）
关于词嵌入第一部分，第二部分，第三部分（sebastianruder.com）
单词向量的惊人力量（acolyer.org）
word2vec参数学习解释（arxiv.org）
Word2Vec教程 - Skip-Gram模型，负抽样（mccormickml.com）
编码器 - 解码器
深度学习和NLP中的注意力和记忆力（wildml.com）
序列模型序列（tensorflow.org）
使用神经网络进行序列学习的序列（NIPS 2014）
机器学习很有趣第五部分：深度学习的语言翻译和序列的魔力（medium.com/@ageitgey）
如何使用编码器 - 解码器LSTM来回显随机整数序列（machinelearningmastery.com）
tf-seq2seq（google.github.io）
Python
机器学习速成课程（google.com）
令人敬畏的机器学习（github.com/josephmisiti）
使用Python掌握机器学习的7个步骤（kdnuggets.com）
一个示例机器学习笔记本（nbviewer.jupyter.org）
使用Python进行机器学习（tutorialspoint.com）
例子
如何在Python中从头开始实现感知器算法（machinelearningmastery.com）
在Python中使用Scratch实现神经网络（wildml.com）
11行Python中的神经网络（iamtrask.github.io）
使用Python实现您自己的k-Nearest Neighbor算法（kdnuggets.com）
来自Scatch的ML（github.com/eriklindernoren）
Python机器学习（第2版）代码库（github.com/rasbt）
Scipy和numpy
Scipy讲义（scipy-lectures.org）
Python Numpy教程（斯坦福CS231n）
Numpy和Scipy简介（UCSB CHE210D）
Python中的科学家速成课程（nbviewer.jupyter.org）
scikit学习
PyCon scikit-learn教程索引（nbviewer.jupyter.org）
scikit-learn分类算法（github.com/mmmayo13）
scikit-learn教程（scikit-learn.org）
简短的scikit-learn教程（github.com/mmmayo13）
Tensorflow
Tensorflow教程（tensorflow.org）
TensorFlow简介 - CPU与GPU（medium.com/@erikhallstrm）
TensorFlow：引物（metaflow.fr）
Tensorflow中的RNN（wildml.com）
在TensorFlow中实现CNN进行文本分类（wildml.com）
如何使用TensorFlow运行文本摘要（surmenok.com）
PyTorch
PyTorch教程（pytorch.org）
PyTorch的温和介绍（gaurav.im）
教程：PyTorch中的深度学习（iamtrask.github.io）
PyTorch示例（github.com/jcjohnson）
PyTorch教程（github.com/MorvanZhou）
PyTorch深度学习研究人员教程（github.com/yunjey）
数学
机器学习数学（ucsc.edu）
机器学习数学（UMIACS CMSC422）
线性代数
线性代数直观指南（betterexplained.com）
程序员对矩阵乘法的直觉（betterexplained.com）
了解Cross产品（betterexplained.com）
了解Dot产品（betterexplained.com）
用于机器学习的线性代数（布法罗大学CSE574）
用于深度学习的线性代数备忘单（medium.com）
线性代数评论与参考（斯坦福CS229）
可能性
用比率理解贝叶斯定理（betterexplained.com）
评论概率论（斯坦福CS229）
机器学习的概率论评论（斯坦福CS229）
概率论（布法罗大学CSE574）
机器学习的概率论（多伦多大学CSC411）
微积分
如何理解衍生物：商数规则，指数和对数（betterexplained.com）
如何理解衍生品：产品，动力和链条规则（betterexplained.com）
矢量微积分：了解渐变（betterexplained.com）
微分学（斯坦福CS224n）
微积分概述（readthedocs.io）