2022机器学习好网站大收藏

目前，
一般从事传统机器学习(决策树、逻辑回归、SVM等)的人，
不需要关注人工智能(深度学习、NLP等)方面的知识，

但五花八门的网站，往往无法聚焦到传统机器学习中。
笔者花了近十天时间，到各个网站上去玩了一遍，
精心筛选出传统机器学习的干货网站和资源，并分类整理如下。

一、学习网站(专门只讲技术的干货网站)

二、社区

三、比赛网站

四、数据

五、论文与会议

六、关于搜索的技巧

一、学习网站(专门只讲技术的干货网站)

【AI算法工程师手册】： https://www.huaxiaozhuan.com/

《Python 大战机器学习》作者华校专的笔记，内容质量非常高，可贵的是仍不断更新。
里面包括数学基础、机器学习算法、深度学习、推荐系统等等等等算法内容，
丰富到作者介绍不过来，赶紧新自去看看吧。

【老饼讲解-系列】
《老饼讲解-机器学习》 https://ml.bbbdata.com/
《老饼讲解-BP神经网络》 https://bp.bbbdata.com/

老饼系列主要是入门教程和软件包的算法解读。

跟随老饼教程可以获得软件包的一手算法原理。
《机器学习》是逻辑回归、决策树、ADBOOST、GBDT等传统算法的源码解读、讲解和python实现。《BP神经网络》则是作者扒取matlab神经网络工具箱源码后整理出来的简易教程。传统机器学习可以不关注BP神经网络。

【白板推导系列】：https://www.bilibili.com/video/BV1aE411o7qd?p=1

质量非常高的公式推导视频，踏实，干货，跟着视频走一遍，胜读十本书。
里面的推导非常细节、周到，这是很多教程没有涉及到的，属于想理论深造的首推之作。

【ApacheCN系列】
《机器学习与数据挖掘译文集》：https://docs.apachecn.org/ml/#/
《人工智能知识树》https://apachecn.org/#/docs/tree/README
《XGBoost中文文档》 https://docs.apachecn.org/xgboost/#/docs/13

这可是ApacheCN（布客iBooker）提供的豪华套餐
《文集》上翻译了很多机器学习的书，《知识树》则是根据知识点梳理出来的好文章,《XGBoost中文文档》专讲XGBOOTS，E文不好的看中文文档较舒服，

【机器学习(天赋好书)】： https://www.cntofu.com/type-7-1-1.html

上面有大量机器学习相关的电子书，
书目列表这里就不一一展示了，自己上去看一下就知道。

【机器学习公式详解】：https://linklearner.com/datawhale-homepage/#/learn/detail/10

DataWhale对周志华的《机器学习》里比较难理解的公式加以补充、推导。
需要结合周志华的书籍去看哦。

二、社区

【和鲸社区】：https://www.heywhale.com

一个丰富的社区，可以找到不少项目实例

【showmeAI】：https://www.showmeai.tech/

人工智能领域的资料库和学习社区，覆盖Python、数据科学、机器学习、深度学习、自然语言处理、计算机视觉等方向。
非常精美，可以感受到站长是个有心人。

【apacheCn】：https://www.apachecn.org/

翻译各种外文书籍，与机器学习相关的目录主要有：数据科学、人工智能、datawhale等。
《ApacheCN 人工智能知识树》，《aiLearning》都是不错的学习材料模块。

【dataWhale】：http://www.datawhale.club/

Datawhale发展于2018年12月6日。
团队成员规模在不断扩大，有来自双非院校的优秀同学，也有来自上交、武大、清华等名校的小伙伴，同时也有来自微软、字节、百度等企业的工程师。

【AI研习社】：https://www.yanxishe.com/

提供研习、交流、实战、职业等模块。是论文研读和研究比赛实践的好去处。

三、比赛网站

比赛的网站还有很多，这里只列出比赛较多的平台

【Kaggle】   https: //www.kaggle.com/competitions
【coggle】： https://coggle.club/
【华为云-AI大赛】：https://competition.huaweicloud.com/competitions?track=107
【飞桨(百度)】：https://aistudio.baidu.com/aistudio/competition
【阿里天池】：https://tianchi.aliyun.com/competition/gameList/algorithmList
【迅飞-AI比赛】：https://challenge.xfyun.cn/
【和鲸数据科学竞赛】：https://www.heywhale.com/home/competition
【DF赛事】：https://www.datafountain.cn/competitions
【DataCastle】：https://challenge.datacastle.cn/v3/cmptlist.html
【全国人工智能大赛】：https://naic.pcl.ac.cn/

其中，Kaggle是国外人尽皆知的比赛网站，其它都是国内的比赛平台。

而值得注意的是，coggle上整合了国内外各个比赛平台的比赛项目信息，可以直接上coggle就可以找到大部分平台的信息。

四、数据

【UCI】：http://archive.ics.uci.edu/ml/index.php

加州大学欧文分校机器学习仓库,上面收集与维护了大量机器学习的数据集

【美国政府开放数据】:https://data.gov/

美国政府的开放数据,但并不是指政府相关的信息数据,上面的数据非常丰富

【VisualData】:https://visualdata.io/discovery

视觉数据,上面可以下载到很多计算机视觉学习的数据(图片数据集)

【Amazon数据集】:https://registry.opendata.aws/

亚马逊的开放数据,貌似不能直接下载，需要通过aws服务,反正我没下成功

补充：上面提到的每个比赛平台，都有“数据集”这一板块，都是找数据的好去处，这里不再重复哦。

五、论文与会议

由于机器学习的知识已经很固化了，一般不需要使用到，但可以先mark一下

【PapersWithCode】：https://paperswithcode.com/

总结与收集了机器学习论文及其实现代码

【catalyzex】：https://www.catalyzex.com/

按主题收集了各类型论文及代码，如目标检测，推荐系统，图像转换等

【arXiv】：http://arxitics.com/
arXiv是一个涉及物理、数学、非线性科学、计算机科学等领域的世界上最大的预印本网站。
预印本的意思就是在正式发表前，可以发到arXiv上，在网上先占个坑，表明这思想是我提的。

下面是关键会议的论文：

【dblp】：https://dblp.uni-trier.de/db/

提供有关主要计算机科学期刊和会议录的开放书目信息

【dblp-ICCV】：https://dblp.uni-trier.de/db/conf/iccv/index.html

dblp的ICCV库(国际计算机视觉大会)

【dblp-CVPR】：http://www.informatik.uni-trier.de/~ley/db/conf/cvpr/index.html

dblp的CVPR库(IEEE国际计算机视觉与模式识别会议)

【dblp-ECCV】：http://www.informatik.uni-trier.de/~ley/db/conf/eccv/index.html

dblp的ECCV库(欧洲计算机视觉国际会议)

【CVpapers】：http://www.cvpapers.com/

计算机视觉会议论文下载

六、关于搜索的技巧

很多同学，搜索内容的时候总是百度一下，然后出来很多CSDN的文章。
CSDN的文章有时质量偏下，深度不够。
这里分享一下笔者的搜索经验。

【百度开发者】：https://kaifa.baidu.com/
【稀土掘金】：https://juejin.cn/
【博客园】：https://www.cnblogs.com/
【CSDN】：https://blog.csdn.net/
【火龙果】：http://request.uml.com.cn/
【知乎】：https://www.zhihu.com/
【B站】：https://www.bilibili.com/

上面都是搜机器学习资源的好去处，但是是有区别的，
《百度开发者》是百度面向开发者的专用搜索引擎，可以搜出各种综合文章，比直接用百度的准确性会更加好。
《掘金》和《博客园》里搜索的文章则较为精品，文章多，质量好，视觉体验好。
《CSDN》的特点则是文章特别多，总能挑些好的，但也由于文章多，很多时候被水文盖掉了，要花些筛选成本。
《火龙果》收集了各平台筛选出来的一些高质量文章。在火龙果上搜索，可以省掉一些筛选水货的成本。
《知乎》则是话题性的，更多时候是想看下别人不同的看法，可以上知乎，相当于知识点的拓展和补充。
《B站》则以视频为主