Всем привет!
Ни для кого не секрет, что интерес к машинному обучению и искусственному интеллекту растет в лучшем случае по экспоненте. Тем временем мой Яндекс Диск превратился в огромную свалку пейперс, а закладки в Google Chrome превратились в список, длина которого стремится к бесконечности с каждым днем. Таким образом, дабы упростить жизнь себе и вам, решил структурировать информацию и дать множество ссылок на интересные ресурсы, которые изучал я и которые рекомендую изучать вам, если вы только вначале пути (буду пополнять список постоянно).
Путь для развития новичка я вижу примерно так:
Попробуйте для начала начать с малого, если у вас нет за спиной 6 лет специалитета ВМК по методам прогнозирования, не стоит сразу скачивать архив лекций Е. Соколова или К. Воронцова, возможно статьи на Medium будут для вас оптимальнее. Также сложности могут возникнуть с понимаением алгоритмов, если вы плохо ориентируетесь в теории вероятностей, теории оптимизации и статистике, поэтому советую заглянуть на Ozon, в Московский Дом Книги и запастись курсами лекций по математике. Далее, ознакомившись с теорией будет проще применять знания в решении задач. Далее я приведу для вас список интересных ресурсов, которые я сам когда-то изучал. Желаю успехов :)
Новичку:
Лайфхак по быстрому выбору моделей от команды Sklearn
Data Science Glossary (англ.)
Crash-Course по базовым статьям по deep learning на Medium
Туториал TensorFlow
Python vs. R — различия (англ.)
Видеолекции открытого курса от Open Data Science на Хабре
Отличный ML CheatSheet (англ.)
Арифметика сверточных нейронных сетей от команды Theano (англ.)
Отличные видеоуроки по анализу данных и эконометрике на языке R
Наивный байессовский классификатор своими руками с Хабра
Хорошие объяснения того, как работает ROC-AUC
www.youtube.com/watch?v=21Igj5Pr6u4
www.youtube.com/watch?v=vtYDyGGeQyo
Machine Learning Basics (англ.)
Продолжающему:
GitHub Евгения Соколова с лекциями по Machine Learning в НИУ ВШЭ
Блог организации Open Data Science на Хабре (рекомендую)
Отбор и оценка моделей — основы (Себастьян Рашка, англ.)
Математические методы обучения по прецедентам (теория обучения машин), К. Воронцов (рекомендую)
Книга по natural language toolkit (nltk, англ.)
Машины опорных векторов на практике (англ.)
Keras.js — машинное обучение в браузере, можно потрогать руками работу алгоритмов машинного обучения, помогает при изучении
Алгоритмы Data Mining с использованием R — интерактивная книга по изучению машинного обучения на R
Преимущества и недостатки AUC и accuracy (англ.)
Нейронные сети для перенося стиля на фото (англ) (рекомендую)
Перенос стиля с помощью TensorFlow (англ.)
Ritchie Ng — собрание ресурсов по машинному обучению (англ.)
Обзор методов оптимизации градиентным спуском на практике (англ.)
Лекции по машинам опорных векторов от университета Utah (англ.)
Функции потерь для задачи классификации (англ.)
