机器学习参考资料：
机器学习参考书籍：
《机器学习》周志华著
《南瓜书》：
https://datawhalechina.github.io/pumpkin-book/
，
https://github.com/datawhalechina/pumpkin-book
《统计学习方法》李航著
《迁移学习》杨强等著
《联邦学习》杨强等著
Python Machine Learning：
https://github.com/rasbt/python-machine-learning-book
深度学习：英文版（
https://www.deeplearningbook.org/
）、中文版（
https://github.com/exacity/deeplearningbook-chinese
）
《强化学习Reinforcement Learning（第2版）》[加]Richard S.Sutton [美]Andrew G. Barto著，俞凯等译
《神经网络与深度学习》书籍及PPT：
https://nndl.github.io/
数学类参考书籍：
凸优化Convex Optimization（
http://stanford.edu/~boyd/cvxbook/
）、
线性代数
https://ocw.mit.edu/courses/mathematics/18-06sc-linear-algebra-fall-2011/index.htm
概率论与统计：1）斯坦福课程CS109 Probability for Computer Scientists：
http://web.stanford.edu/class/cs109/
；2）
Introduction to Probability, Statistics, and Random Processes：
https://www.probabilitycourse.com/
机器学习库/平台：
SKlearn（
https://scikit-learn.org/stable/
），
SKlearn的User Guide里总结了很多机器学习模型，可以学习下
https://scikit-learn.org/stable/user_guide.html
。上面提到的Python Machine Learning书籍中就大量使用SKlearn的API。
Pytorch：
https://pytorch.org/tutorials/
TensorFlow
Keras（
https://keras.io/
）等
。
线上课程：
吴恩达教授的视频教学课程（
https://www.coursera.org/learn/machine-learning
）
李宏毅-台湾大学（
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html
）
Google的深度学习课程（
https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187
）
李飞飞教授的计算机视觉课程（
http://cs231n.stanford.edu
）
Richard Socher 的自然语言处理课程（
http://cs224d.stanford.edu
）
等。
其他资料：
Machine Learning and Artificial Intelligence and their role in networking：
https://www.bilibili.com/video/av70398058/
链接：
https://pan.baidu.com/s/1qgYRbtfCLZE8d0MuCSrRLw
密码:1am4
链接：
https://pan.baidu.com/s/1YAujUyivMKZcOCUxB9GZlw
提取码：wru7