AI正在迅速改变世界，对于程序员来说，这绝对是一个千载难逢的转型机会。机器学习是计算机科学的一个子领域，在人工智能领域，机器学习逐渐发展成模式识别和计算科学理论的研究。从2016年起，机器学习到达了不合理的火热巅峰。但是，有效的机器学习是困难的，因为机器学习本身就是一个交叉学科，没有科学的方法及一定的积累很难入门。
开头先奉上云栖社区翻译小组的年中总结！
请收下这份关于人工智能的根目录——博客整理系列（一）
关于数据科学的那些事——博客整理系列（二）
机器学习必备手册——博客整理系列（三）
扩展眼界的都在这——博客整理系列（四）
深度学习必备手册（上）——博客整理系列（五）
深度学习必备手册（下）——博客整理系列（六）
一．机器学习篇：
1. 机器学习算法选用指南
摘要：本文对机器学习的一些基本概念给出了简要的介绍，并对不同任务中使用不同类型的机器学习算法给出一点建议。
2. 支持向量机分类实战
摘要：对于机器学习者来说，SVM是非常重要的监督式学习模型之一，本文通过几个小例子，通俗的介绍了SVM的基本思想和关键信息，值得尝试。（文中源码）
3. 秒懂！看机器学习如何净化处理文本
摘要：通过本教程，你可以学到如何开发简单的文本净化工具，如何使用NLTK库中更复杂的方法，以及在使用现代文字表示方法时如何处理文本。
4. Raúl Garreta大神教你5步搭建机器学习文本分类器：MonkeyLearn
摘要：Raúl Garreta，《Learning scikit-learn: Machine Learning in Python》一书作者，手把手教你5步搭建机器学习文本分类器：1.定义类别树;2.数据收集;3.数据标记;4.训练分类器;5.测试&提升分类器。
5. 机器学习时代的到来，企业该如何驾驭
摘要：随着机器学习受到的关注和应用越来越多，作为一个想成为机器学习的公司，该如何做呢？本文从不同的方面详细介绍了一个机器学习公司应当做哪些准备。
6. 机器学习初学者必须知道的十大算法
摘要：还在为不知道学什么算法入门机器学习感到头疼？本文作者通过自身的学习向初学者介绍十大机器学习（ML）算法，并附有数字和实例以便于理解。
7. 机器学习小白如何成长为业内专家？
摘要：作者用了十八个月的时间从一个机器学习小白成长为业内专家，总结了一套属于自己的机器学习入门方法。
8. 7步掌握Python机器学习
摘要：如今，网络上的Python机器学习资源纷繁复杂，使得刚入门的小白们眼花缭乱。究竟从哪里开始？如何进行？读完这篇文章，相信你就会有自己的答案。
9. 机器学习必知的15大框架
摘要：不管你是一个研究人员，还是开发者，亦或是管理者，想要使用机器学习，需要使用正确的工具来实现。本文介绍了当前最流行15个机器学习框架。
10. 机器学习案例 — 闻声识鸟
摘要：TensorFlow是一个开源的机器学习库—对任何人都是开放的。公司、非营利性组织、研究人员和开发人员已经在一些领域使用了TensorFlow。
11. 机器学习基础：分类vs回归
摘要：在机器学习中我们也许会对分类和回归两个算法有所混淆或者困惑，看完本文相信会有所收获。
12. 业内最流行机器学习在线课程汇总
摘要：机器学习界最流行的在线课程，技术进阶必备！
13. 2017年十大最受欢迎机器学习Python库
摘要：Python已经成为机器学习时代的最受欢迎的语言，业内大牛正在使用什么Python库呢？今天我们就来盘点一下2017年十大最受欢迎的机器学习Python库。
14.探秘机器是如何“长大成人”（含视频）
摘要：机器是如何“长大成人”的呢？让我们一起来探索……
15. 为什么机器学习难于应用
摘要：本文主要讲述了如何管理机器学习应用方面的棘手问题。
16. Web开发工程师转型机器学习的实战经验
摘要：历经两个月对深度学习和计算机视觉领域进行探索，获得一些经验与总结。
17. 机器学习2017年重大进展汇总
摘要：2017年注定是机器学习快速发展的一年，特别是机器学习商业化的成功是的更多的人积极的投入到机器学习的学习当中。机器学习一定会成为未来的技术，让我们看看这项未来的技术现在发展到何种程度。
18. 机器学习必知的八大神经网络架构
摘要：机器学习八大神经网络架构的分类和历史发展。
19. 2017年机器学习开源项目TOP30
摘要：本文比较了2017年发布的8800多个开源的机器学习项目，通过考量受欢迎程度、参与度和新近度来等指标来评估这些参选项目，并选出前30名。
20. 机器学习与Docker容器
摘要：机器学习和Docker容器是如何相互配合出色完成任务的？我们将使用Tenserflow和Kontena来详细阐述。
21. 机器学习新手必学十大算法指南
摘要：本文为机器学习新手介绍了十种必备算法：线性回归、逻辑回归、线性判别分析、分类和回归树、朴素贝叶斯、K-近邻算法、学习向量量化、支持向量机、Bagging和随机森林、Boosting和AdaBoost。
22. 机器学习？人工智能？傻傻分不清楚？
摘要：机器学习就是人工智能？别在这样认为了，太傻了！看完本文，搞清楚它们之间的关系吧。
23. 数据科学、机器学习和AI的区别
摘要：本文详细讲解了数据科学、机器学习和AI的相同点与区别，并用实例进行说明。
24. 从超级玛丽说起，谈谈如何为机器赋予好奇心
摘要：如何让机器付有好奇心？加州大学伯克利分校研究团队给出了答案。
25. 盘点·GitHub最著名的20个Python机器学习项目
摘要：开源是技术创新和快速发展的核心。这篇文章向你展示Python机器学习开源项目以及在分析过程中发现的非常有趣的见解和趋势。
26. 脉冲神经网络——下一代机器学习？
摘要：脉冲神经网络是什么？本位对脉冲神经网络做了简要叙述。
27. 迁移学习——机器学习的下一个前沿阵地
摘要：深度学习作为机器学习的重要领域，在过去的几年时间里面发挥了巨大的作用。但是随着机器学习在不同领域的深入应用，迁移学习正在成为不可忽视的力量。
28. 从头了解Gradient Boosting算法
摘要：Gradient Boosting算法是机器学习中较为重要的算法，通过本文你能有清晰地了解和掌握
29. 迁移学习简述
摘要：什么是迁移学习，迁移学习的例子有哪些，在预测建模中如何使用迁移学习？本文将带你一步步深入探讨。
学习完机器学习，为什么不顺带了解一下AI，看看机器学习到底在创造一个什么样的“怪兽”！
二．人工智能扩展篇：
1. 是什么让 AI 时代真正到来
摘要：AI 已经在众多领域带来了革新，取代了众多人类的工作，改变未来学生必须具备的技能——这都是怎么发生的？
2. 不知道这些AI知识，可能你就out了！
摘要：为什么人工智能，机器学习突然之间成了热门话题，变成IT领域，甚至其他领域的人们都在讨论的热点？也许文章的作者会给你一点这方面的思考。
3. 从神经科学到计算机视觉：人类与计算机视觉五十年回顾
摘要：本文简单的介绍了神经网络近50年的发展历程，从1968年的Hubel和Wiesel开展的猫实验，一直到李飞飞教授等人的成果。从本质上讲解了人工神经网络的原理及学习过程，对于想了解神经网络起源及发展历程的读者而言，是一篇较为合适的文章。
4. “突发性死亡”的终结者
摘要：医疗AI历史性的一刻，让科技真正的转化为延续人类生命的方法。作者通过对斯坦福大学医院数据的汇总，开发了一套深度学习系统，并生成一篇论文。该论文在2017年IEEE生物信息学和生物医学国际会议上获得最佳学习论文奖。
5. 2018年AI面临的五大难题
摘要：本文作者介绍了2018年摆在人工智能面前的五大难题：理解人类语言，机器人附能，防黑客，玩游戏，辨别是非。如何解决这些问题，让AI继续造福人类社会将成为所有AI从业者的首要任务。
6. 总结2017年AI之十大“败笔”
摘要：AI并非全能选手，汇总2017年AI出的糗事。
7. 2017 AI医学领域的年终总结：进展、问题与趋势
摘要：本文总结了2017年医学人工智能领域的相关发展，并对自己2016年预测的结果与2017年的实际情况相比对，说明了医学人工智能领域的发展趋势。
8. 2017年，那些让人难以忘记的AI成果
摘要：盘点2017年AI领域最具影响力的成就，发布2017 AI成就榜：发现八行星太阳系、击败围棋高手、击败德州扑克高手、自学写代码。
9. 煮酒论AI，看看大牛怎么说
摘要：回望2017，AI取得了突飞猛进的发展，预见2018，AI将何去何从，听大牛煮酒论AI。
10. 时代聚焦AI安全——可解释性
摘要：随着人工智能的发展，越来越多的人开始关注人工智能的安全问题。今年的NIPS多集中人工智能安全上，作者列举了在会议上出现的解决人工智能安全问题的比较不错的论文。
11. 面向开发者的2018年AI趋势分析
摘要：本文从开发者的角度分析2018年AI的趋势：拿来即用的AI领域、算法与技术。例如GANs、ONNX、Zoo、AutoML、语音识别、时间序列分析、NLP、高智能机器人等。
12. 人工智能最受欢迎的10大TED演讲
摘要：本文汇总了人工智能最受欢迎的10大TED演讲，让你全面了解人工智能和机器学习。
13. 五类受自然启发的AI算法
摘要：本文主要讲解了受自然启发的五类AI算法以及各自的实际用例：神经网络、遗传算法、群集集体智慧、强化学习、人体免疫。
14. 人工智能并非是“神”
摘要：人工智能将要毁灭人类？人工智能让更多的人失去工作？是不是媒体过于夸大了人工智能的能力？人工智障还是人工智能？今天我们就来看看人工智能到底有什么样的缺点！
15. WIRED网站给出的一份人工智能完全指南
摘要：本文是WIRED博客网站给出的一份人工智能完全智能，首先回顾人工智能发展历程，并着重介绍了几个大的科技里程碑；之后对人工智能的未来进行了简单的预测，并简单介绍了人工智能的相关知识。
16. 人工智能系统安全性分析
摘要：人工智能研究人员轻易地欺骗了一个图像识别系统，使得香蕉被错误地识别为烤面包机。这引发了一系列安全性的担忧，如何确保人工智能系统的安全呢？
17. 流行AI框架和库的优缺点比较
摘要：不知道自己应该选用那个AI框架和库？看看本文就行了，本文为AI开发的工程师们梳理了现在最流行的框架，并简单的分析了它们的优缺点。
18. Keras缔造者：François Chollet专访
摘要：François Chollet作为人工智能时代的先行者，为无数的开发者提供了开源深度学习框架Keras。时代需要这样的巨人，这样开发者才能站在巨人的肩膀上走的更远。文中可以下载他的新书《deep-learning-with-python》！
19. 深度学习与人工智能革命：part I
摘要：人工智能始于思想实验，深入了解AI和深度学习的历史，并了解它们为什么现在取得快速的发展。
20. 深度学习与人工智能革命：part II
摘要：本文是该系列内容的第2部分内容，主要介绍人工智能、机器学习和深度学习三者的差别，着重介绍机器学习中的有监督学习和无监督学习。
21. 深度学习与人工智能革命：part III
摘要：本文是该系列内容的第3部分内容，主要介绍人工神经网络、深度学习的基本原理，着重介绍深度学习中数据库的选择需要考虑的问题。
22. 深度学习与人工智能革命：part IV
摘要：本文是该系列内容的第4部分内容，主要讨论深度学习为何使用MongoDB数据库，并提供相关使用实例。
23. 不容错过的2017数据科学15大热门GitHub项目
摘要：本文作者通过回顾2017年的数据科学发展路径，为数据科学爱好者汇总了2017年数据科学15大热门GitHub项目。
24. 2017年深度学习框架之争——看谁主沉浮？
摘要：本文总结并分析了2017年的相关深度学习框架之间的竞争，包含一些主流的框架比如TensorFlow、PyTorch等，以及一些相关的应用程序接口，比如Keras等，最后展望了下后续的发展。
25. 2017年十大最佳数据可视化项目
摘要：本文是作者在2017年总结自己最喜欢的十个数据可视化项目，涵盖范围广，项目生动、有趣且有深度。读者们可以选择自己感兴趣的项目动手体验一下吧。
26. 2017数据科学与机器学习行业现状调查 Python是最受欢迎的语言
摘要：最近，Kaggle这一互联网上最著名的数据科学竞赛平台首次进行了机器学习与数据科学现状调查。在超过 16000 名从业者的答卷中，我们可以一窥目前该行业的发展趋势。
27．AlphaGo Zero：从头开始学习
摘要：AlphaGo zero这几天在人工智能领域掀起了不小的风浪，AlphaGo zero到底是否能够达到我们所说的通用人工智能的标准呢？
28. 福利|热门技术看什么？这份书单告诉你！（内含PDF链接）
摘要：这是一份关于数据科学、商业分析、大数据、机器学习、算法、数据科学工具和相关程序语言的福利书单。又骗你买书？不，我们还有电子书！心动不如行动，赶快进来看看吧！
三．求职技巧篇：
1. 数据科学求职过程中总结的四点经验
摘要：本文是作者在求职数据科学岗位过程中总结出的四点经验：注重实践积累经验、多方出击充分准备、面对现实确定目标、认清自己明智抉择。相信对于找工作的相关读者有所帮助。
2. 每个数据科学家都应该学习4个必备技能
摘要：作为一个数据科学家你必须要掌握的四个必备技能，值得每个想要成为数据科学家和已经成为数据科学家的人去学习。
3. 考察数据科学家支持向量机（SVM）知识的25道题，快来测测吧
摘要：本套自测题专为SVM及其应用而设计，目前超过550人注册了这个测试，最终得满分的人却很少，[doge],一起来看看你的SVM知识能得多少分吧，顺便还能查漏补缺哦。
4. 三步走——带你打造一份完美的数据科学家简历|(附件有PPT福利)
摘要：本文介绍了关于写数据科学家简历的一些技巧，主要包含三个部分，分别为简历前的材料准备，写简历时应注意的地方以及对整个简历的整理。不管你是不是数据科学领域的工作者，本文对于即将求职或找实习的同学而言是一份不可多得的简历写法指南。
5. 数据科学家需要掌握的10项统计技术，快来测一测吧
摘要：本文给出了数据科学应用中的十项统计学习知识点，相信会对数据科学家有一定的帮助。
6. 开启数据科学职业生涯的8个基本技巧
摘要：本文为数据科学家开创数据科学事业铺平了道路。只要按照这八个小贴士来做，你就能让自己的职业生涯有一个良好的开端。
7. 数据科学家实操之路
摘要：Kaggle最近进行了一项旨在评估数据科学和机器学习当前发展状况的调查。 他们收到了将近17000份答卷，并利用这些答卷做出了大量的分析。
8. 数据分析师不是数据科学家
摘要：作者认为数据分析师是指能够使用Excel和SQL等工具分析数据，生成报告、图表和建议，但却提供不出代码的人员。作者这篇文章不是抨击分析师的，而是为了解决多数人对于数据分析与数据科学之间的误解。
