《Brief History of Machine Learning》
《Deep Learning in Neural Networks: An Overview》
《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》
《How to Layout and Manage Your Machine Learning Project》
《Choosing a Machine Learning Classifier》
《An Introduction to Deep Learning: From Perceptrons to Deep Networks》
《The LION Way: Machine Learning plus Intelligent Optimization》
《信息时代的计算机科学理论(Foundations of Data Science)》
《Twenty Questions for Donald Knuth》
《Automatic Construction and Natural-Language Description of Nonparametric Regression Models》
《Introduction to Information Retrieval》
《Machine learning in 10 pictures》
《An Introduction to Statistical Learning with Applications in R》
Best Machine Learning Resources for Getting Started
Cross-Language Information Retrieval
《Advice for students of machine learning》
《Machine Learning for Industry: A Case Study》
Some Notes on Applied Mathematics for Machine Learning
《UFLDL-斯坦福大学 Andrew Ng 教授“Deep Learning”教程》
*《Deep Learning for Natural Language Processing and Related Applications》
《Machine Learning Summer School》
《Deep Learning and Shallow Learning》
《Recommending music on Spotify with deep learning》
《Neural Networks and Deep Learning》
介绍：机器学习最基本的入门文章，适合零基础者
《16 Free eBooks On Machine Learning》
《A Large set of Machine Learning Resources for Beginners to Mavens》
《Neural Network & Text Mining》
介绍:计算机视觉入门之前景目标检测1（总结）
《Deep Learning – important resources for learning and understanding》
《Machine Learning Theory: An Introductory Primer》
《Neural Networks and Deep Learning》
《Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱》
《机器学习提升之道（Level-Up Your Machine Learning）》
《Deep Learning: Methods and Applications》
《Machine Learning Summer School 2014》
《Building a deeper understanding of images》
《Bayesian network 与 python 概率编程实战入门》
介绍:常见面试之机器学习算法思想简单梳理
介绍:对话机器学习大神 Michael Jordan
介绍:还有２，３ 部分。http://blog.sina.com.cn/s/blog_46d0a3930101gs5h.html
《Deep learning from the bottom up》
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（四）
Deep Learning（深度学习）学习笔记整理系列之（七）
《Tutorials Session A – Deep Learning for Computer Vision》
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
《machine learning for smart dummies》
《Entanglement-Based Quantum Machine Learning》
《How a Math Genius Hacked OkCupid to Find True Love》
《Google Turns To Deep Learning Classification To Fight Web Spam》
《Best Papers vs. Top Cited Papers in Computer Science》
《Hacker’s guide to Neural Networks》
《Building a Production Machine Learning Infrastructure》
《Deep Learning Sentiment Analysis for Movie Reviews using Neo4j》
《DeepLearning.University – An Annotated Deep Learning Bibliography》
《A primer on deeping learning》
《Machine learning is teaching us the secret to teaching 》
《scikit-learn：用于机器学习的 Python 模块》
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
《Bengio 组（蒙特利尔大学 LISA 组）深度学习教程 》
《学习算法的 Neural Turing Machine 》
《Learning to Rank for Information Retrieval and Natural Language Processing》
《Rumor has it: Identifying Misinformation in Microblogs》
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》
《经典论文 Leo Breiman：Statistical Modeling: The Two Cultures 》
《Reproducing Kernel Hilbert Space》
《Hacker’s guide to Neural Networks》
介绍：【语料库】语料库资源汇总
《Reproducible Research in Computational Science》
《Machine Learning Open Source Software》
《100 Best GitHub: Deep Learning》
《Undergraduate machine learning at UBC》
介绍:此外作者还有一篇元算法、AdaBoost python 实现文章
介绍:空间数据挖掘常用方法
介绍:Python 实现线性回归，作者还有其他很棒的文章推荐可以看看
《使用 RNN 和 Paragraph Vector 做情感分析》
《NLPIR/ICTCLAS2015 分词系统大会上的技术演讲 》
《LambdaNet，Haskell 实现的开源人工神经网络库 》
《深度 RNN/LSTM 用于结构化学习 0) 序列标注 Connectionist Temporal ClassificationICML06》
《Machine learning open source software》
《A Tour of Machine Learning Algorithms》
介绍:这是一篇关于图像分类在深度学习中的文章
《Using convolutional neural nets to detect facial keypoints tutorial》
《书籍推荐:Advanced Structured Prediction》
《An Introduction to Matrix Concentration Inequalities》
《The free big data sources you should know》
《A Brief Overview of Deep Learning》
《A Deep Dive into Recurrent Neural Nets》
《Statistical foundations of machine learning》
《A Deep Learning Tutorial: From Perceptrons to Deep Networks》
《Research priorities for robust and beneficial artificial intelligence》
《FAIR open sources deep-learning modules for Torch》
介绍:本文虽然是写于 2012 年，但是这篇文章完全是作者的经验之作。
《Deep learning from the bottom up》
《Hands-On Data Science with R Text Mining》
