Over 200 av de beste maskinlærings-, NLP- og Python-veiledningene - 2018-utgaven

Når vi skriver boken Machine Learning in Practice (kommer tidlig i 2019), legger vi utkast til utdrag her.

Gi oss beskjed om hva du synes, gi oss en klaff nedenfor hvis du liker det du leser, og følg @InfiniaML og @RobbieAllen på Twitter for de siste oppdateringene!

Foto av Glen Noble på Unsplash

I fjor skrev jeg et innlegg som var ganske populært (161K leser i medium), hvor jeg listet opp de beste opplæringsprogrammene jeg fant mens jeg gravet inn i en rekke maskinlæringsemner. Tretten måneder senere, og nå er det dusinvis av nye tutorials om både tradisjonelle maskinlæringskonsepter så vel som den nyskapende teknikken som har dukket opp det siste året. Det store volumet av innhold som fortsatt skapes rundt maskinlæring, er svimlende.

Artikkelen inneholder det beste veiledningsinnholdet jeg hittil har funnet. Det er på ingen måte en uttømmende liste over hver ML-relatert opplæring på nettet - det vil være overveldende og duplikativt. I tillegg er det en haug med middels innhold der ute. Målet mitt var å koble til de beste tutorials jeg fant på de viktige underemnene innen maskinlæring og NLP.

Ved å veilede refererer jeg til introduksjonsinnhold som har til hensikt å lære et konsept kortfattet. Jeg har unngått å inkludere kapitler med bøker, som har større dekningsomfang, og forskningsartikler, som generelt ikke gjør en god jobb med å undervise i konsepter. Hvorfor ikke bare kjøpe en bok? Opplæringsprogrammer er nyttige når du prøver å lære et bestemt nisjeemne eller ønsker å få forskjellige perspektiver.

Jeg har delt dette innlegget i fire seksjoner: Machine Learning, NLP, Python og Math. Jeg har tatt med en prøvetaking av emner i hver seksjon, men gitt materialets enorme bredde, kan jeg umulig ta med alle mulige emner.

Hvis det er gode opplæringsprogrammer, er du klar over at jeg mangler, vennligst gi meg beskjed! Jeg prøver å begrense hvert emne til fem eller seks opplæringsprogrammer, siden mye utover det ville være repeterende. Hver lenke skal ha forskjellig materiale fra de andre koblingene eller presentere informasjon på en annen måte (f.eks. Kode versus lysbilder kontra langform) eller fra et annet perspektiv.

Maskinlæring

Start her med Machine Learning (machinelearningmastery.com)

Maskinlæring er morsomt! (Medium.com/@ageitgey)

Regler for maskinlæring: beste praksis for ML-teknikk (martin.zinkevich.org)

Machine Learning Crash Course: Del I, Del II, Del III (Machine Learning at Berkeley)

En introduksjon til maskinlæringsteori og dens anvendelser: En visuell veiledning med eksempler (toptal.com)

En mild guide til maskinlæring (monkeylearn.com)

Hvilken maskinlæringsalgoritme skal jeg bruke? (Sas.com)

The Machine Learning Primer (sas.com)

Tutorial for maskinlæring for nybegynnere (kaggle.com/kanncaa1)

Aktiverings- og tapsfunksjoner

Sigmoid nevroner (neuralnetworksanddeeplearning.com)

Hva er rollen til aktiveringsfunksjonen i et nevralt nettverk? (Quora.com)

Omfattende liste over aktiveringsfunksjoner i nevrale nettverk med fordeler / ulemper (stats.stackexchange.com)

Aktiveringsfunksjoner og det er typer - Hvilken er bedre? (Medium.com)

Making Sense of Logarithmic Tap (exegetic.biz)

Tapsfunksjoner (Stanford CS231n)

L1 vs. L2 Tapfunksjon (rishy.github.io)

Funksjonen på tvers av entropykostnader (neuralnetworksanddeeplearning.com)

Partiskhet

Bias 'rolle i nevrale nettverk (stackoverflow.com)

Skjevheter i nevrale nettverk (makeyourownneuralnetwork.blogspot.com)

Hva er skjevhet i kunstig nevralt nettverk? (Quora.com)

Perceptron

Perceptrons (neuralnetworksanddeeplearning.com)

Oppfatningen (natureofcode.com)

Enkellags nevrale nettverk (Perceptrons) (dcu.ie)

Fra perceptrons til dype nettverk (toptal.com)

regresjon

Introduksjon til lineær regresjonsanalyse (duke.edu)

Linear Regression (ufldl.stanford.edu)

Lineær regresjon (readthedocs.io)

Logistic Regression (readthedocs.io)

Enkel lineær regresjonsopplæring for maskinlæring (machinelearningmastery.com)

Logistisk regresjonsopplæring for maskinlæring (machinelearningmastery.com)

Softmax Regression (ufldl.stanford.edu)

Gradient Descent

Læring med gradient nedstigning (neuralnetworksanddeeplearning.com)

Gradient Descent (iamtrask.github.io)

Hvordan forstå Gradient Descent-algoritmen (kdnuggets.com)

En oversikt over algoritmer for optimalisering av gradientavstigning (sebastianruder.com)

Optimalisering: Stokastisk gradientnedstigning (Stanford CS231n)

Generativ læring

Generative læringsalgoritmer (Stanford CS229)

En praktisk forklaring av en Naive Bayes-klassifiserer (monkeylearn.com)

Støtt vektormaskiner

En introduksjon til Support Vector Machines (SVM) (monkeylearn.com)

Støtt vektormaskiner (Stanford CS229)

Lineær klassifisering: Support Vector Machine, Softmax (Stanford 231n)

backpropagation

Ja, du bør forstå backprop (medium.com/@karpathy)

Kan du gi en visuell forklaring på ryggformeringsalgoritmen for nevrale nettverk? (Github.com/rasbt)

Slik fungerer backpagmenteringsalgoritmen (neuralnetworksanddeeplearning.com)

Bakpropagering gjennom tid og forsvinnende graderinger (wildml.com)

En mild introduksjon til backpropagation Through Time (machinelearningmastery.com)

Backpropagation, intuitions (Stanford CS231n)

Dyp læring

En guide til dyp læring av YN² (yerevann.com)

Deep Learning Papers Reading Roadmap (github.com/floodsung)

Dyp læring i et nøtteskall (nikhilbuduma.com)

En veiledning om dyp læring (Quoc V. Le)

Hva er dyp læring? (Machinelearningmastery.com)

Hva er forskjellen mellom kunstig intelligens, maskinlæring og dyp læring? (Nvidia.com)

Deep Learning - The Straight Dope (gluon.mxnet.io)

Optimalisering og dimensjonal reduksjon

Syv teknikker for reduksjon av datadimensjonalitet (knime.org)

Principal component analysis (Stanford CS229)

Frafall: En enkel måte å forbedre nevrale nettverk (Hinton @ NIPS 2012)

Hvordan trene ditt Deep Neural Network (rishy.github.io)

Lang kortvarig minne (LSTM)

En skånsom introduksjon til lange kortvarige minne-nettverk av ekspertene (machinelearningmastery.com)

Forståelse av LSTM-nettverk (colah.github.io)

Utforske LSTMer (echen.me)

Alle kan lære å kode en LSTM-RNN i Python (iamtrask.github.io)

Konvolusjonelle nevrale nettverk (CNN)

Vi introduserer tvinningsnettverk (neuralnetworksanddeeplearning.com)

Deep Learning and Convolutional Neural Networks (medium.com/@ageitgey)

Conv Nets: A Modular Perspective (colah.github.io)

Understanding Convolutions (colah.github.io)

Gjentagende nevrale nett (RNNs)

Gjentakende nevrale nettverksopplæring (wildml.com)

Oppmerksomhet og forsterkede tilbakevendende nevrale nettverk (distill.pub)

Den urimelige effektiviteten av tilbakevendende nevrale nettverk (karpathy.github.io)

Et dypt dykk i tilbakevendende nevrale nett (nikhilbuduma.com)

Forsterkningslæring

Enkel nybegynnerveiledning for forsterkningslæring og implementering av dette (analyticsvidhya.com)

En tutorial for styrking læring (mst.edu)

Læring av forsterkning av læring (wildml.com)

Deep Reinforcement Learning: Pong from Pixels (karpathy.github.io)

Generative Adversarial Networks (GANs)

Adversarial Machine Learning (aaai18adversarial.github.io)

Hva er et generativt Adversarial-nettverk? (Nvidia.com)

Misbruk av generative adversarialnettverk for å lage 8-biters pixelkunst (medium.com/@ageitgey)

En introduksjon til Generative Adversarial Networks (med kode i TensorFlow) (aylien.com)

Generative Adversarial Networks for Beginners (oreilly.com)

Læring i flere oppgaver

En oversikt over læring i flere oppgaver i dype nevrale nettverk (sebastianruder.com)

NLP

Naturlig språkbehandling er gøy! (Medium.com/@ageitgey)

En grunnlegger om nevrale nettverksmodeller for naturlig språkbehandling (Yoav Goldberg)

The Definitive Guide to Natural Language Processing (monkeylearn.com)

Introduksjon til naturlig språkbehandling (algorithmia.com)

Opplæring om naturlig språkbehandling (vikparuchuri.com)

Natural Language Processing (nesten) fra Scratch (arxiv.org)

Deep Learning og NLP

Deep Learning anvendt på NLP (arxiv.org)

Deep Learning for NLP (uten magi) (Richard Socher)

Forståelse av involverte nevrale nettverk for NLP (wildml.com)

Deep Learning, NLP og Representations (colah.github.io)

Legge inn, kode, delta, forutsi: Den nye dype læringsformelen for toppmoderne NLP-modeller (explosion.ai)

Forstå naturlig språk med dype nevrale nettverk ved hjelp av fakkel (nvidia.com)

Deep Learning for NLP med Pytorch (pytorich.org)

Ordvektorer

Bag of Words Oppfyller Vesker med Popcorn (kaggle.com)

På embeddinger del I, del II, del III (sebastianruder.com)

Ordvektorenes fantastiske kraft (acolyer.org)

word2vec Parameter Learning Explained (arxiv.org)

Word2Vec veiledning - Skip-Gram-modellen, negativ prøvetaking (mccormickml.com)

Encoder-dekoder

Attention and Memory in Deep Learning and NLP (wildml.com)

Sequence to Sequence Models (tensorflow.org)

Sequence to Sequence Learning med nevrale nettverk (NIPS 2014)

Maskinlæring er morsom del 5: Språkoversettelse med dyp læring og magien om sekvenser (medium.com/@ageitgey)

Hvordan bruke en Encoder-Decoder LSTM for å ekko sekvenser av tilfeldige heltall (machinelearningmastery.com)

tf-seq2seq (google.github.io)

Python

Machine Learning Crash Course (google.com)

Awesome Machine Learning (github.com/josephmisiti)

7 trinn for å mestre maskinlæring med Python (kdnuggets.com)

Et eksempel på maskinlæringsnotatbok (nbviewer.jupyter.org)

Maskinlæring med Python (tutorialspoint.com)

eksempler

Hvordan implementere Perceptron-algoritmen fra riper i Python (machinelearningmastery.com)

Implementering av et nevralt nettverk fra Scratch i Python (wildml.com)

Et nevralt nettverk i 11 linjer med Python (iamtrask.github.io)

Implementere din egen k-nærmeste naboalgoritme ved bruk av Python (kdnuggets.com)

ML fra Scatch (github.com/eriklindernoren)

Python Machine Learning (2. utg.) Code Repository (github.com/rasbt)

Scipy og numpy

Scipy Lecture Notes (scipy-lectures.org)

Python Numpy Tutorial (Stanford CS231n)

En introduksjon til Numpy and Scipy (UCSB CHE210D)

Et krasjkurs i Python for forskere (nbviewer.jupyter.org)

scikit lære

PyCon scikit-learning opplæringsindeks (nbviewer.jupyter.org)

scikit-learning Klassifiseringsalgoritmer (github.com/mmmayo13)

scikit-learning Tutorials (scikit-learn.org)

Forkortede scikit-learning opplæringsprogrammer (github.com/mmmayo13)

tensorflow

Tensorflow Tutorials (tensorflow.org)

Introduksjon til TensorFlow - CPU vs GPU (medium.com/@erikhallstrm)

TensorFlow: En grunning (metaflow.fr)

RNNer i Tensorflow (wildml.com)

Implementering av et CNN for tekstklassifisering i TensorFlow (wildml.com)

Slik kjører du tekstoppsummering med TensorFlow (surmenok.com)

PyTorch

PyTorch-veiledninger (pytorch.org)

Et mildt intro til PyTorch (gaurav.im)

Opplæring: Deep Learning in PyTorch (iamtrask.github.io)

PyTorch-eksempler (github.com/jcjohnson)

PyTorch-veiledning (github.com/MorvanZhou)

PyTorch-opplæring for forskere på dyp læring (github.com/yunjey)

Matte

Matematikk for maskinlæring (ucsc.edu)

Matematikk for maskinlæring (UMIACS CMSC422)

Lineær algebra

En intuitiv guide til lineær algebra (betterexplained.com)

En programmerers intuisjon for matrisemultiplikasjon (betterexplained.com)

Forstå korsproduktet (betterexplained.com)

Forstå Dot-produktet (betterexplained.com)

Lineær algebra for maskinlæring (U. of Buffalo CSE574)

Lineær algebra jukseark for dyp læring (medium.com)

Linear Algebra Review and Reference (Stanford CS229)

Sannsynlighet

Forstå Bayes teorem med forhold (betterexplained.com)

Gjennomgang av Probability Theory (Stanford CS229)

Gjennomgang av sannsynlighetsteori for maskinlæring (Stanford CS229)

Probability Theory (U. of Buffalo CSE574)

Probability Theory for Machine Learning (U. i Toronto CSC411)

kalkulus

Hvordan forstå derivater: Den kvoterende regel, eksponenter og logaritmer (betterexplained.com)

Hvordan forstå derivater: Produkt-, strøm- og kjedereglene (betterexplained.com)

Vector Calculus: Forstå gradienten (betterexplained.com)

Differensialberegning (Stanford CS224n)

Calculus Oversikt (readthedocs.io)

For mer om maskinlæring, besøk InfiniaML.com.