本文包含了迄今为止大家公认的最佳教程内容。它绝不是网上每个ML相关教程的详尽列表，而是经过精挑细选而成的，毕竟网上的东西并不全是好的。我作者汇总的目标是为了补充我即将出版的新书，为它寻找在机器学习和NLP领域中找到的最佳教程。
通过这些最佳教程的汇总，我可以快速的找到我想要得到的教程。从而避免了阅读更广泛覆盖范围的书籍章节和苦恼的研究论文，你也许知道，当你的数学功底不是很好的时候这些论文你通常是拿不下的。为什么不买书呢？没有哪一个作者是一个全能先生。当你尝试学习特定的主题或想要获得不同的观点时，教程可能是非常有帮助的。
我将这篇文章分为四个部分：机器学习，NLP，Python和数学。我在每个部分都包含了一些主题，但由于机器学习是一个非常复杂的学科，我不可能包含所有可能的主题。
如果有很好的教程你知道我错过了，请告诉我！我将继续完善这个学习教程。我在挑选这些链接的时候，都试图保证每个链接应该具有与其他链接不同的材料或以不同的方式呈现信息（例如，代码与幻灯片）或从不同的角度。
机器学习
从机器学习入手（）
机器学习很有趣！（
机器学习速成课程：第一部分，第二部分，第三部分（伯克利机器学习） 机器学习入门（） 激活函数和Dropout函数 激活函数及其类型对比（） 理解对数损失（exegetic.biz） 损失函数（斯坦福CS231n） L1与L2损失函数（rishy.github.io） 交叉熵成本函数（） 偏差（bias） 感知器 感知器（） 感知器（） 单层神经网络（感知器）（dcu.ie） 回归 线性回归分析介绍（duke.edu） 线性回归（ufldl.stanford.edu） 线性回归（readthedocs.io） Logistic回归（readthedocs.io） Softmax回归（ufldl.stanford.edu） 梯度下降 在梯度下降中学习（） 梯度下降（iamtrask.github.io） 优化：随机梯度下降（斯坦福CS231n） 生成学习（Generative Learning） 生成学习算法（斯坦福CS229） 支持向量机 支持向量机（斯坦福CS229） 线性分类：支持向量机，Softmax（Stanford 231n） 反向传播 你应该了解的backprop（
反向传播，直觉（斯坦福CS231n） 深度学习 深度学习教程（Quoc V.Le） 什么是深度学习？（） 深度学习–简单介绍 （gluon.mxnet.io） 最优化和降维 主成分分析（斯坦福CS229） Dropout：一种改善神经网络的简单方法（Hinton @ NIPS 2012） 如何训练你的深度神经网络?（rishy.github.io） 长短期记忆（LSTM） 了解LSTM 神经网络Networks（colah.github.io） 探索LSTM（echen.me） 任何人都可以学习用Python编写LSTM-RNN（iamtrask.github.io） 卷积神经网络（CNN） 卷积网络介绍（） Conv Nets：模块化视角（colah.github.io） 了解卷积（colah.github.io） 递归神经网络（RNN） 递归神经网络教程（） 注意和增强的递归神经网络（distill.pub） 递归神经网络的不合理有效性（karpathy.github.io） 强化学习 强化学习教程（mst.edu） 学习强化学习（） 深度强化学习：来自像素的乒乓球（karpathy.github.io） 生成对抗网络（GAN） 对抗机器学习简介（aaai18adversarial.github.io） Generative Adversarial Networks简介（TensorFlow中的代码）（） 多任务学习 NLP 自然语言处理神经网络模型入门（Yoav Goldberg） 自然语言处理简介（） 自然语言处理教程（） 深度学习和NLP NLP的深度学习（没有魔法）（Richard Socher） 深度学习、NLP、表示（colah.github.io） 最先进的NLP模型的新深度学习公式：嵌入、编码、参与、预测（explosion.ai） 词向量 使用词袋模型解决电影评论分类（） 词向量的惊人力量（） Word2Vec教程- Skip-Gram模型，负抽样（） 编码器-解码器 序列模型（） 使用神经网络进行序列学习（NIPS 2014） tf-seq2seq（google.github.io） Python 机器学习速成课程（） 实战案例 使用11行代码在Python中实现神经网络（iamtrask.github.io） 使用Python实现你自己的k-Nearest Neighbor算法（） Scipy和numpy Scipy讲义（scipy-） Python Numpy教程（斯坦福CS231n） Numpy和Scipy简介（UCSB CHE210D） Python中的科学家速成课程（） scikit学习 scikit-learn教程（scikit-） 简短的scikit-learn教程（
Tensorflow TensorFlow（metaflow.fr） PyTorch PyTorch的简单介绍（gaurav.im） 教程：PyTorch中的深度学习（iamtrask.github.io） 数学 机器学习数学（ucsc.edu） 机器学习数学（UMIACS CMSC422） 线性代数 线性代数直观指南（） 了解Dot产品（） 用于机器学习的线性代数（布法罗大学CSE574） 线性代数评论与参考（斯坦福CS229） 概率论 概率论入门（斯坦福CS229） 机器学习的概率论教程（斯坦福CS229） 概率论（布法罗大学CSE574） 机器学习的概率论（多伦多大学CSC411） 微积分 微分学（斯坦福CS224n） 微积分概述（readthedocs.io） 文章原标题《over-200-of-the-best-machine-learning-nlp-and-python-tutorials-2018-edition》 作者：Robbie Allen