机器学习资源

时间 2019-12-17

标签机器学习资源繁體版

原文原文链接

教程

今天python

https://github.com/Eurus-Holmes/LIS-YNP 一个包含基础教程、提升参考资料、有趣实践项目的 PyTorch 教程。人生苦短，我用 PyTorchgit

http://www.52opencourse.com/49/%E6%96%AF%E5%9D%A6%E7%A6%8F%E5%A4%A7%E5%AD%A6%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86%E5%85%AC%E5%BC%80%E8%AF%BE%E8%AF%BE%E4%BB%B6%E6%B1%87%E6%80%BB 斯坦福nlp的课件github

https://github.com/afshinea/stanford-cs-229-machine-learning/tree/master/zh 机器学习 (CS 229 Stanford) 课件算法

https://github.com/virgili0/Virgilio 本资源库旨在为如下领域提供三种有机完整的学习路径：机器学习、商业智能、云计算。在此你将可以了解相关原理而且在项目实践中予以运用。若是仔细遵循这些学习路径，则能够从零开始构建完整的认识和得到始终可用的技能。事实上，这些学习路径不须要以前有相关知识，但基础编程和简单数学是理解和实践大多数相关概念的必要条件apache

书籍

http://www.deeplearningbook.org/ 《深度学习》编程

https://github.com/d2l-ai/d2l-zh 《Dive into Deep Learning 》翻译版，即《动手学深度学习》。服务器

代码实现

https://github.com/mnielsen/neural-networks-and-deep-learning 《神经网络与深度学习》相关代码 Python 实现，神经网络与深度学习－中文在线阅读，该书中的相关理论的 Python 代码实现网络

https://github.com/taki0112/Tensorflow-Cookbook 易学易用的 Tensorflow 教程架构

https://github.com/ZuzooVn/machine-learning-for-software-engineers 自上而下的学习路线，软件工程师的机器学习，中文版框架

https://github.com/rushter/MLAlgorithms 常见的机器学习算法，Python 实现：

https://github.com/Tencent/ncnn 腾讯开源的一个为手机端极致优化的高性能神经网络前向计算框架

https://github.com/MorvanZhou/tutorials 机器学习入门教程，十分详细包含视频教程、文字教程

https://github.com/astorfi/TensorFlow-World 简单易用的 TensorFlow 教程

https://github.com/vahidk/EffectiveTensorflow TensorFlow 最佳实践

https://github.com/exacity/deeplearningbook-chinese Deep Learning 中文版

https://github.com/Tencent/angel 腾讯开源的高性能分布式机器学习平台，具备普遍的适用性和稳定性，模型维度越高。它将高维度的大模型合理切分到多个参数服务器节点，并经过高效的模型更新接口和运算函数，以及灵活的同步协议，能够实现各类高效的机器学习算法

https://github.com/ypwhs/captcha_break 使用深度学习来破解 captcha（python 生成验证码的库）验证码。该项目会经过 Keras 搭建一个深度卷积神经网络来识别 captcha 生成的图片验证码，建议使用显卡来运行该项目。可视化代码都是在 jupyter notebook 中完成的，若是你但愿写成 python 脚本，稍加修改便可正常运行

https://github.com/apachecn/MachineLearning ApacheCN 制做的《机器学习实战》。配套视频：编码能力强，建议观看《机器学习实战 - 教学版》。编码能力弱，建议观看《机器学习实战 - 讨论版》

https://github.com/xitu/tensorflow-docs TensorFlow Docs 是由掘金翻译计划实时维护的 TensorFlow 官方文档中文版，维护者为全球各大公司开发人员和各著名高校研究者及学生

https://github.com/farzaa/DeepLeague 英雄联盟的机器学习项目，规模不大，适合研究一些 CV 和 ML 的算法应用

https://github.com/chenyuntc/pytorch-book 书籍《深度学习框架 PyTorch：入门与实践》的示例代码，能够做为一个独立的 PyTorch 入门指南和教程。

https://github.com/warmheartli/ChatBotCourse 该项目介绍了如何本身动手作聊天机器人。全面地介绍了所须要的技术：天然语言识别、分词、语料库、机器学习等，包含所需的 Java 和 Python 代码

https://github.com/exacity/simplified-deeplearning 《DeepLearningBook》读书笔记

https://github.com/IBM/elasticsearch-spark-recommender 使用 Apache Spark 的机器学习库 (MLlib) 来训练一个协同过滤推荐系统模型和 Elasticsearch 构建一个推荐系统教程，中文版阅读

https://github.com/junxiaosong/AlphaZero_Gomoku 使用 TensorFlow/Pytorch/Theano 实现 AlphaZero 算法，经过自我对弈从零训练五子棋 AI。实现简单、清晰，适合学习、了解 AlphaGo Zero 背后的关键思想和技术细节

https://github.com/Avik-Jain/100-Days-Of-ML-Code 《机器学习 100天》中文版

https://github.com/nndl/nndl.github.io 《神经网络与深度学习》该课程主要介绍神经网络与深度学习中的基础知识、主要模型（卷积神经网络、递归神经网络等）以及在计算机视觉、天然语言处理等领域的应用。在线阅读

https://github.com/zziz/pwc 深度学习、机器学习论文集合（英文）

https://github.com/josephmisiti/awesome-machine-learning 一个精选的机器学习框架、库、软件的集合项目

https://github.com/fastai/fastai 利用当前最好的深度学习算法简化训练神经网络的过程。包含了不少“开箱即用”的工具，支持 Vision、Collab 等模型。示例代码：

https://github.com/google/deepvariant 一个数据分析工做流。可以使用深度神经网络从下一代 DNA 序列数据中调用遗传变异体，联想到了最近的基因编辑人类事件。关于如何工做的技术细节，以下图：

https://github.com/VivekPa/AlphaAI 使用无监督学习和监督学习来预测股票，有趣的项目。运行步骤以下：

https://github.com/google-research/bert 一种新的语言表征模型，来自 Transformer 的双向编码器表征。目前最强 NLP 预训练模型，横扫 11 项 NLP 任务记录

https://github.com/kpzhang93/MTCNN_face_detection_alignment 人脸检测领域经典之做，出自 2016 年 ECCV 一篇论文。目前在工业应用中落地比较成功，不少公司检测模块运用 MTCNN 或者其加速版，MTCNN 将人脸检测和关键点检测经过一个模型做为 MultiTasks 的方式进行训练，inference 时候可同时获得人脸框信息和关键点信息

https://github.com/zeusees/FaceBoxes 出自论文 FaceBoxes: A CPU Real-time Face Detector with High Accuracy，是一种能够在 CPU 上实现实时检测的方法，并且精度不错。该项目是 Caffe 版本，步骤讲解清晰，能够快速复现。鉴于 FaceBoxes 的检测速度很是快，也能够做为一种生产落地的方法，而且现有速度仍有必定的优化空间

https://github.com/mahyarnajibi/SSH 该项目是 ICCV2017 论文 SSH:Single Stage Headless Face Detector 做者本身开源的项目，算是官方开源项目，具备必定的权威性。SSH 也算是人脸检测中一个经典的方法，具备较高的精度和较快的速度。项目实现了论文中的不少细节，对复现过程也有详细的讲解，容易实现。美中不足的是论文中的 Pyramid 方式，该项目没有实现

大专栏机器学习资源>

https://github.com/yxlijun/S3FD.pytorch 该项目是论文 S3FD:Single Shot Scale-invariant Face Detector 的 pytorch 复现版本。S3FD 目前在 FDDB 的评测中排在前几位，属于精度较高的人脸检测方法。论文主要解决人脸尺度问题，进一步提高对小脸的检测

https://github.com/SnailTyan/deep-learning-papers-translation 主要内容是 CV 领域里一些论文的翻译，包括分类、检测、OCR和模型轻量化。不喜欢看英文原版论文的，能够关注该项目

https://github.com/openai/spinningup （英文）OpenAI 制做的教育资源，能够更容易地学习深层强化学习。官方项目，浅显易懂，提供练手的例子，方便初学者或对深层强化学习感兴趣的人群学习和入门

https://github.com/hindupuravinash/the-gan-zoo 生成对抗网络（Generative Adversarial Networks，简称GAN）的一个大集合，做者列举了生成对抗网络领域各式各样的应用集合，大部分为论文，包含少数的 GitHub 项目。该项目对于 GAN 领域覆盖面全面，论文列表整理清晰，GAN 方向的研究者能够从这个项目中查询到想看的经典的论文或者扩充本身的知识储备

https://github.com/huggingface/pytorch-pretrained-BERT Google 神级语言表示模型的 PyTorch 预训练模型和 PyTorch 框架结合，使得更加容易上手。PyTorch 版本更方便小白上手实验。示例代码：

https://github.com/daicoolb/RecommenderSystem-Paper 推荐系统论文整理列表，包括了行业顶尖会议 AAAI、NIPS 等发表的论文，以及 KDD 一些获奖论文。方便推荐系统方向以及文本表示方向等研究人员，跟踪阅读行业内经典论文和最新研究方向

https://github.com/GeorgeSeif/Semantic-Segmentation-Suite 图像语义分割模型组件整理，包含了模型、数据增广、准确率评价等模块。方便研究者快速搭建和试验一个图像语义分割模型，同时集成了一些 state-of-the-art 的模型

https://github.com/openai/gpt-2 OpenAI 发布的 15 亿参数量通用语言模型 GPT-2，迄今最大模型！展现了一种构建语言处理系统的潜在方式，即根据天然发生的演示学习执行任务。实例代码：

https://github.com/kmario23/deep-learning-drizzle 世界计算机名校的深度学习、强化学习、机器学习、计算机视觉、天然语言处理等方面的公开课

https://github.com/stanfordnlp/stanfordnlp 适用于多种人类语言的 Stanford NLP 官方 Python 库。包含用于运行 CoNLL 2018 共享任务的最新彻底神经管道以及访问 Java Stanford CoreNLP 服务器的软件包。实例代码：

https://github.com/taki0112/Tensorflow-Cookbook 易学易用的 Tensorflow 教程

https://github.com/ajbrock/BigGAN-PyTorch “Bye Bye TPU”，4 个 GPU 就能训练“史上最强” BigGAN！只需 4-8 个 GPU 便可训练，摆脱了算力束缚

https://github.com/clone95/Virgilio 本资源库旨在为如下领域提供三种有机完整的学习路径：机器学习、商业智能、云计算。在此你将可以了解相关原理而且在项目实践中予以运用。若是仔细遵循这些学习路径，则能够从零开始构建完整的认识和得到始终可用的技能。事实上，这些学习路径不须要以前有相关知识，但基础编程和简单数学是理解和实践大多数相关概念的必要条件

https://github.com/vietnguyen91/QuickDraw 谷歌开发的一个流行的在线游戏，神经网络会猜想你在画什么。神经网络从每幅图画中学习，提升正确猜想涂鸦内容的能力。如今你能够基于这个仓库，用 Python 构建本身的 Quick Draw 游戏

https://github.com/thunlp/GNNPapers 自从卷积神级网络面世以来，大部分人将其应用在规则的空间结构数据当中，好比图像。可是现实中存在更多的并不具有规则的空间结构的数据，所以研究人员提出了处理这部分数据的网络模型-GNN。该项目列举了 GNN 方面的论文，较为全面，适合有必定基础的人阅读

https://github.com/deepfakes/faceswap 这个工具能够对图片和视频进行换脸。能够很方便地处理图片和视频，搞些有意思的事情

https://github.com/CMU-Perceptual-Computing-Lab/openpose 基于卷积神经网络和监督学习的开源库，能够实现人的面部、躯干和四肢甚至手指的跟踪。适用于多人，且标记准确，同时具备较好的鲁棒性

https://github.com/TencentYoutuResearch/FaceDetection-DSFD 腾讯优图的双分支人脸检测器全新算法，该算法已经被计算机视觉顶级会议 CVPR 2019 接收。优图这次提出的 DSFD 人脸检测算法，主要有 3 点创新：

https://github.com/NVlabs/SPADE 英伟达（NVIDIA）新开源的绘图工具。利用生成对抗网络，根据几根简单的线条就能生成栩栩如生的图像

https://github.com/hzwer/LearningToPaint 一个深度强化学习项目，研究如何让机器用画笔画画。也可体验制做本身的绘画或根据一张图片生成一整个绘画过程

https://github.com/bentoml/bentoml 一个机器学习工具用来打包和发布模型。帮助数据科学家用不到 5 分钟把在 ipython notebook 里的模型发布到生产环境

https://github.com/afshinea/stanford-cs-229-machine-learning 斯坦福 CS229 教程讲义文档，该文档内容细致、条理清晰，方便入门者做为读书笔记学习。中文版

https://github.com/Yorko/mlcourse.ai 一套机器学习课程。课程全面细致，同时带有 demo 以及进阶的 Kaggle 比赛的样例，很是适合初学者逐步的深刻学习

https://github.com/fengdu78/lihang-code 机器学习领域经典书籍《统计学习方法》的课件和代码。这个项目提供了课件、代码资源，叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用

https://github.com/facebookresearch/maskrcnn-benchmark Facebook 开源的 PyTorch 版本的 Mask-RCNN。研究人员能够按照教程、示例代码逐步进行实现

https://github.com/Jiakui/awesome-bert 与 bert 相关的 nlp 论文、应用、资源集合。紧跟天然语言处理发展前沿，便于加速开展相关研究工做

https://github.com/itisyang/ImageMiniLab 图像迷你实验室，可进行图像实验、处理、分析。使用 PyQt5 结合 opencv-python 实现代码简洁易读，经过该工具能够快速演示图像算法效果，便于 cv 入门学习

https://github.com/PetrochukM/PyTorch-NLP 简称 torchnlp 是一个支持快速原型设计（包括数据集和神经网络层）的 PyTorch-NLP 工具包。该库封装好了神经网络层、文本处理模块和数据集库，有利于加速天然语言处理研究和实践。示例代码：

https://github.com/zihangdai/xlnet CMU 全新 XLNet 预训练模型。BERT 带来的影响还未平复，CMU 与谷歌大脑提出的 XLNet 在 20 个任务上的表现超过了 BERT，并在 18 个任务上取得了当前最佳效果。使人激动的是目前 XLNet 已经开放了训练代码和大型预训练模型，这回又有的玩了

https://github.com/rasbt/deeplearning-models 各类深度学习架构、模型和技巧的集合。TensorFlow 和 PyTorch 的各类深度学习架构、模型和技巧的 Jupyter 集合，很是适合学习

https://github.com/paddlepaddle/paddle 一个简单易用、高效灵活、可扩展的深度学习平台，由百度科学家和工程师共同开发