网络上有大量视频课程和教程，其中许多都是免费的。也有一些很好的付费课程，但本文主要提供免费内容的推荐。有相当多的大学课程都提供在线课程材料，但没有视频。以下课程可以足够你忙上几个月了：
Coursera — 机器学习（Machine Learning）
授课：Andrew Ng
https://www.coursera.org/learn/machine-learning#syllabus
Coursera — 机器学习神经网络（Neural Networks for Machine Learning）
授课：Geoffrey Hinton
https://www.coursera.org/learn/neural-networks
Udacity — 机器学习导论（Intro to Machine Learning）
授课：Sebastian Thrun
https://classroom.udacity.com/courses/ud120
Udacity — 机器学习（Machine Learning）
授课：Georgia Tech
https://www.udacity.com/course/machine-learning--ud262
Udacity — 深度学习（Deep Learning）
授课：Vincent Vanhoucke
https://www.udacity.com/course/deep-learning--ud730
机器学习（Machine Learning）
授课：mathematicalmonk
https://www.youtube.com/playlist?list=PLD0F06AA0D2E8FFBA
给程序员的机器学习实践课程（Practical Deep Learning For Coders）
授课：Jeremy Howard & Rachel Thomas
http://course.fast.ai/start.html
Stanford CS231n —面向视觉识别的卷积神经网络（ Convolutional Neural Networks for Visual Recognition） (Winter 2016)
授课：李飞飞、Justin Johnson & Serena Yeung
http://cs231n.stanford.edu/
Stanford CS224n — 深度学习与自然语言处理（Natural Language Processing with Deep Learning）(Winter 2017)
授课：Chris Manning & Richard Socher
http://web.stanford.edu/class/cs224n/
哈佛深度NLP课程（Oxford Deep NLP 2017 ）
授课：Phil Blunsom et al.
https://github.com/oxford-cs-deepnlp-2017/lectures
强化学习（Reinforcement Learning）
授课：David Silver
http://www.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
Python实践机器学习教程（Practical Machine Learning Tutorial with Python）
授课：sentdex
https://www.youtube.com/watch?list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v&v=OGxgnH8y2NM
书籍
有很多书籍，涵盖机器学习，深度学习和NLP的一些方面。在本节中，我将聚焦于可以直接从网页访问或下载的免费书籍。
机器学习：
理解机器学习，从理论到算法（Understanding Machine Learning From Theory to Algorithms，http://101.96.8.164/www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf）
Machine Learning Yearning，作者：Andrew Ng，www.mlyearning.org/）
机器学习课程（A Course in Machine Learning，http://ciml.info）
机器学习（Machine Learning，https://www.intechopen.com/books/machine_learning）
神经网络与机器学习（Neural Networks and Deep Learning，neuralnetworksanddeeplearning.com/）
深度学习图书（Deep Learning Book，www.deeplearningbook.org/）
强化学习导论（Reinforcement Learning: An Introduction，incompleteideas.net/sutton/book/the-book-2nd.html）
强化学习（Reinforcement Learning，https://www.intechopen.com/books/reinforcement_learning）
NLP
对话与语言处理（第三版）（Speech and Language Processing (3rd ed. draft)，https://web.stanford.edu/~jurafsky/slp3/）
Python自然语言处理（Natural Language Processing with Python，www.nltk.org/book/）
信息检索概论（An Introduction to Information Retrieval，https://nlp.stanford.edu/IR-book/html/htmledition/irbook.html）
数学
统计思维概论（Introduction to Statistical Thought，people.math.umass.edu/~lavine/Book/book.pdf）
贝叶斯统计学概论 （Introduction to Bayesian Statistics，https://www.stat.auckland.ac.nz/~brewer/stats331.pdf）
概率论概论（Introduction to Probability，https://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/amsbook.mac.pdf）
统计思维：面向Python程序员的概率论与统计学（Think Stats: Probability and Statistics for Python programmers，greenteapress.com/wp/think-stats-2e/）
概率论与统计学实践指南（The Probability and Statistics Cookbook，statistics.zone/）
线性代数（Linear Algebra，joshua.smcvt.edu/linearalgebra/book.pdf）
线性代数错误集锦（Linear Algebra Done Wrong，www.math.brown.edu/~treil/papers/LADW/book.pdf）
线性代数（理论与实践）（Linear Algebra, Theory And Applications，https://math.byu.edu/~klkuttle/Linearalgebra.pdf）
面向计算机科学的数学（Mathematics for Computer Science，https://courses.csail.mit.edu/6.042/spring17/mcs.pdf）
微积分学（Calculus，https://ocw.mit.edu/ans7870/resources/Strang/Edited/Calculus/Calculus.pdf）
计算机科学与统计学学生用的微积分学（Calculus I for Computer Science and Statistics Students，www.math.lmu.de/~philip/publications/lectureNotes/calc1_forInfAndStatStudents.pdf）
