【原】资料分享：推荐一本《李宏毅机器学习》开源电子书！

背景

今天在 github 上看到了 datawhale 发布的 李宏毅机器学习笔记。

https://datawhalechina./leeml-notes

其目录如下：

• P1 机器学习介绍

• P2 为什么要学习机器学习

• P3 回归

• P4 回归-演示

• P5 误差从哪来？

• P6 梯度下降

• P7 梯度下降（用 AOE 演示）

• P8 梯度下降（用 Minecraft 演示）

• P9 作业 1-PM2.5 预测

• P10 概率分类模型

• P11 logistic 回归

• P12 作业 2-赢家还是输家

• P13 深度学习简介

• P14 反向传播

• P15 深度学习初试

• P16 Keras2.0

• P17 Keras 演示

• P18 深度学习技巧

• P19 Keras 演示 2

• P20 Tensorflow 实现 Fizz Buzz

• P21 卷积神经网络

• P22 为什么要「深度」学习？

• P23 半监督学习

• P24 无监督学习-线性降维

• P25 无监督学习-词嵌入

• P26 无监督学习-领域嵌入

• P27 无监督学习-深度自编码器

• P28 无监督学习-深度生成模型 I

• P29 无监督学习-深度生成模型 II

• P30 迁移学习

• P31 支持向量机

• P32 结构化学习-介绍

• P33 结构化学习-线性模型

• P34 结构化学习-结构化支持向量机

• P35 结构化学习-序列标签

• P36 循环神经网络 I

• P37 循环神经网络 II

• P38 集成学习

• P39 深度强化学习浅析

• P40 机器学习的下一步

由于李宏毅的课程内容通俗易懂，对于想入门机器学习又想看中文讲解的人来说绝对是非常推荐的。

李宏毅（Hung-yi Lee）目前任台湾大学电机工程学系和电机资讯学院的助理教授，他曾于 2012 年获得台湾大学博士学位。2012年9月至2013年8月，Academia Sinica信息技术创新研究中心博士后。2013年9月至2014年7月，麻省理工学院计算机科学和人工智能实验室( CSAIL )语言系统组的访问科学家。他的研究方向主要是机器学习（深度学习）和语音识别。

---

机器学习

视频资料

课程目录：

• 1、The Next Step for Machine Learning

• 2、Anomaly Detection

• 3、Attack ML Models

• 4、Explainable ML

• 5、Life Long Learning

• 6、Meta Learning - MAML

• 7、Meta Learning - Gradient Descent as LSTM

• 8、Meta Learning – Metric-based

• 9、Meta Learning - Train+Test as RNN

• 10、More about Auto-encoder

• 11、Network Compression

• 12、GAN (Quick Review)

• 13、Flow-based  Generative Model

• 14、Transformer

• 15、ELMO, BERT, GPT

课程视频：

https://www.bilibili.com/video/av46561029/

课程主页：

http://speech.ee./~tlkagk/courses_ML19.html

---

深度学习

视频资料

课程目录：

• 1、Introduction of  Machine Learning

• 2、Why we need to learn machine learning

• 3、Regression - Case Study

• 4、Regression - Demo

• 5、Where does the error come from

• 6、Gradient Descent

• 7、Gradient Descent (Demo by AOE)

• 8、Gradient Descent (Demo by Minecraft)

• 9、Classification

• 10、Logistic Regression

• 11、Brief Introduction of Deep Learning

• 12、Backpropagation

• 13、“Hello world” of deep learning

• 14、Keras 2.0

• 15、Keras Demo

• 16、Tips for Training DNN

• 17、Keras Demo 2

• 18、Fizz Buzz in Tensorflow (sequel)

• 19、Convolutional Neural Network

• 20、Why Deep

• 21、Semi-supervised

• 22、Unsupervised Learning - Linear Methods

• 23、Unsupervised Learning - Word Embedding

• 24、Unsupervised Learning - Neighbor Embedding

• 25、Unsupervised Learning - Auto-encoder

• 26、Unsupervised Learning - Deep Generative Model (Part I)

• 27、Unsupervised Learning - Deep Generative Model (Part II)

• 28、Transfer Learning

• 29、Support Vector Machine (SVM)

• 30、Structured Learning - Introduction

• 31、Structured Learning - Linear Model

• 32、Structured Learning - Structured SVM

• 33、Structured Learning - Sequence Labeling

• 34、Recurrent Neural Network (Part I)

• 35、Recurrent Neural Network (Part II)

• 36、Ensemble

• 37、Deep Reinforcement Learning

• 38、Policy Gradient (Supplementary Explanation)

• 39、Reinforcement Learning (including Q-learning)

课程视频：

https://www.bilibili.com/video/av19144978/

课程主页：

http://speech.ee./~tlkagk/courses_ML17.html

---

深度学习理论

视频资料

课程目录：

• 1、Can shallow network fit any function

• 2、Potential of Deep

• 3、Is Deep better than Shallow

• 4、When Gradient is Zero

• 5、Deep Linear Network

• 6、Does Deep Network have Local Minima

• 7、Geometry of Loss Surfaces (Conjecture)

• 8、Geometry of Loss Surfaces (Empirical)

• 9、Generalization Capability of Deep Learning

• 10、Indicator of Generalization

课程视频：

https://www.bilibili.com/video/av20961661

---

图书推荐：

1. 区块链技术及应用

• 作　者：华为区块链技术开发团队 著

• 出版社：清华大学出版社

2. 区块链核心算法解析

• 作　者：[美] Roger，Wattenhofer（罗格.瓦唐霍费尔） 著，陈晋川 等 译

• 出版社：电子工业出版社

3. 区块链原理、设计与应用

• 作　者：杨保华，陈昌 著

• 出版社：机械工业出版社

4. 从零开始自己动手写区块链

• 作　者：裴尧尧 著

• 出版社：机械工业出版社

5. 区块链：定义未来金融与经济新格局

• 作　者：张健 著

• 出版社：机械工业出版社

---

相关图文：

• 资料分享：数学建模资料分享 -- 图论部分

• 资料分享：数学建模资料分享 -- 神经网络部分

• 如何利用 C# 实现 K 最邻近算法？

• 如何利用 C# 实现 K-D Tree 结构？

• 如何利用 C# + KDTree 实现 K 最邻近算法？

• 如何利用 C# 对神经网络模型进行抽象？

• 如何利用 C# 实现神经网络的感知器模型？

• 如何利用 C# 实现 Delta 学习规则？

• 如何利用 C# 实现 误差反向传播 学习规则？

• 如何利用 C# 爬取带 Token 验证的网站数据？

• 如何利用 C# 向 Access 数据库插入大量数据？

• 如何利用 C# + Python 破解猫眼电影的反爬虫机制？

---

经过8年多的发展，LSGO软件技术团队在「地理信息系统」、「数据统计分析」、「计算机视觉」等领域积累了丰富的研发经验，也建立了人才培养的完备体系，目前深耕的领域为「机器学习与量化金融」，欢迎对计算机技术感兴趣的同学加入，与我们共同成长进步。