收藏 | 40个机器学习&深度学习最佳资源集合（书籍、课程、新闻博客、论文等）...
来源：专知
本文共1200字，建议阅读5分钟。
本文收集了丰富的机器学习、深度学习、人工智能领域最优质的学习资料，供各位AI-er查阅，一起学习。
目录
书籍
课程
博客
论文/代码
书籍 Books
1. 《Grokking Deep Learning》
简介：
深度学习的使用方法
作者：
Andrew Trask
地址：
https://www.manning.com/books/grokking-deep-learning?ref=bestofml.com
2. 《Deep Learning Book》
简介：
经典深度学习书籍
作者：
Goodfellow, Yoshua Benjio和Aaron Courville
地址：
https://www.deeplearningbook.org/?ref=bestofml.com
3. 《Neural Networks and Deep Learning》
简介：
免费在线书籍
地址：
http://neuralnetworksanddeeplearning.com/?ref=bestofml.com
4. 《Deep Learning with Python》
简介：
用python语言和强大的keras库进行深度学习
地址：
https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438/?ref=bestofml.com
5. 《Hands-On Machine Learning》
简介：
简单、高效的工具，实现从数据中学习的程序
地址：
https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291/?ref=bestofml.com
6. 《Deep Learning - A Practitioner's Approach》
简介：
机器学习-尤其是深层神经网络-如何才能对你的公司产生真正的影响？
地址：
https://www.amazon.com/Deep-Learning-Practitioners-Josh-Patterson/dp/1491914254/?ref=bestofml.com
7. 《Introduction to Machine Learning with Python - A Guide for Data Scientists》
简介：
机器学习已成为许多商业应用和研究项目的组成部分，但这一领域并不仅仅局限于大型公司和研究团队。如果你是Python的使用者，甚至初学者，这本书将教会你构建自己的机器学习解决方案的实用方法。
地址：
https://www.amazon.com/Introduction-Machine-Learning-Python-Scientists/dp/1449369413?ref=bestofml.com
课程 Courses
1. Machine Learning by Andrew Ng
简介：
最受欢迎的机器学习课程之一
地址：
https://www.coursera.org/learn/machine-learning?ref=bestofml.com
2. Machine Learing by ColumbiaX
简介：
机器学习算法要点
地址：
https://www.edx.org/course/machine-learning?ref=bestofml.com
3. Machine Learning A-Z
简介：
Udemy的动手Python课程
作者：
Kirill Eremenko
地址：
https://www.udemy.com/machinelearning/?ref=bestofml.com
4. Intro to Machine Learning
简介：
Udacity的免费基础机器学习课程
地址：
https://cn.udacity.com/course/intro-to-machine-learning--ud120
5. Machine Learning for Trading
简介：
机器学习在交易中的应用
地址：
https://www.udacity.com/course/machine-learning-for-trading--ud501
6. Oxford Deep NLP
简介：
牛津大学2017年开设的深度自然语言处理课程
地址：
https://github.com/oxford-cs-deepnlp-2017/?ref=bestofml.com
7. Stanford UFLDL Tutorial
简介：
本教程介绍无监督的特征学习和深度学习的主要思想
地址：
http://deeplearning.stanford.edu/tutorial/?ref=bestofml.com
8. Stanford CS231n
简介：
包含视觉识别的卷积神经网络
地址：
http://cs231n.stanford.edu/?ref=bestofml.com
9. Stanford CS224d
简介：
自然语言处理中的深度学习
地址：
http://cs224d.stanford.edu/?ref=bestofml.com
10. Fast.ai
简介：
完全免费并广受好评的深度学习课程
地址：
https://www.fast.ai/?ref=bestofml.com
11. Introduction to Deep Learning
简介：
本课程的目的是让学习者了解现代神经网络及其在计算机视觉和自然语言理解中的应用
地址：
https://www.coursera.org/learn/intro-to-deep-learning?ref=bestofml.com
新闻/博客 News &Blogs
1. Towards Data Science
简介：
以数据科学为中心的媒体出版物
地址：
https://towardsdatascience.com/?ref=bestofml.com
AI Weekly
简介：
关于AI当前媒体覆盖的每周新闻简报
地址：
http://aiweekly.co/?ref=bestofml.com
2. Deep Learning Weekly
简介：
关于深度学习中的新发现、论文和探索的每周简报
地址：
https://www.deeplearningweekly.com/?ref=bestofml.com
3. The Algorithm
简介：
麻省理工关于AI的简报
地址：
https://go.technologyreview.com/newsletters/the-algorithm/?ref=bestofml.com
4. Import AI
简介：
Jack Clark（OpenAI）关于AI的博客
地址：
https://jack-clark.net/?ref=bestofml.com
5. Machine Learing Mastery
简介：
关于机器学习项目、tricks的很棒的初学者资源
地址：
https://machinelearningmastery.com/blog/?ref=bestofml.com
6. FastML
简介：
数据科学和机器学习的项目、技巧
地址：
http://fastml.com/?ref=bestofml.com
7. Starts & Bots
简介：
机器学习，数据分析等
地址：
https://blog.statsbot.co/?ref=bestofml.com
8. Machine Learning Subreddit
地址：
https://www.reddit.com/r/machinelearning?ref=bestofml.com
9. Dynamically Typed Newsletter
简介：
每两周一次的时事简报，有关于人工智能、机器学习技术和技术/创业行业的想法和链接
地址：
https://dynamicallytyped.com/?ref=bestofml.com
10. Skynet today
简介：
致力于提供最新的人工智能新闻和趋势，和深入的社论，可访问和知情的报道。
地址：
https://www.skynettoday.com/?ref=bestofml.com
11. The Gradient
简介：
旨在使AI&ML的研究民主化，并对最新发展和长期趋势的最重要的新论文和观点进行无障碍和技术知情的报道。
地址：
https://thegradient.pub/?ref=bestofml.com
12. Distill
简介：
一本在线杂志，以一种清晰、动态和生动的方式预告ML研究
地址：
https://distill.pub/?ref=bestofml.com
13. Stanford AI Lab Blog
简介：
一个让学生、教师和研究人员与公众分享他们的工作的地方。
地址：
https://ai.stanford.edu/blog/?ref=bestofml.com
14. Lil'Lgo
地址：
https://lilianweng.github.io/lil-log/?ref=bestofml.com
15. Colah's blog
地址：
https://colah.github.io/?ref=bestofml.com
论文/代码 Papers
1. Arxiv Stats
地址：
https://arxiv.org/list/stat.ML/recent?ref=bestofml.com
2. Arxiv Sanity Preserver
地址：
http://www.arxiv-sanity.com/?ref=bestofml.com
3. Papers with Code
简介：
不同主题的论文及其代码实现
地址：
https://paperswithcode.com/?ref=bestofml.com
原文链接：
https://bestofml.com
