机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
自然语言处理-
深入理解推荐系统：召回
-
【腾讯】揭秘微信 "看一看" 是如何为你推荐的
-
BiLSTM 上的 CRF，用命名实体识别任务来解释 CRF（4）
-
BiLSTM 上的 CRF，用命名实体识别任务来解释 CRF（3）推理
-
阿里文娱多模态视频分类算法中的特征改进
-
通俗的理解牛顿 - 莱布尼茨公式及其证明
-
白话条件随机场（conditional random field）
-
阿里文娱算法公开课 #02：算法工程师的进阶之路（进阶篇）
alg - http://www.6aiq.com
-
BiLSTM 上的 CRF，用命名实体识别任务来解释 CRF（2）损失函数
-
阿里文娱智能营销增益模型 (Uplift Model) 技术实践
-
BiLSTM 上的 CRF，用命名实体识别任务来解释 CRF（1）
-
从文本中进行关系抽取的几种不同的方法
-
深度学习在阿里 B2B 电商推荐系统中的实践
-
对 Reformer 的深入解读
-
Self-Attention 与 Transformer
-
通用的图像 - 文本语言表征学习：多模态预训练模型 UNITER
-
怎么理解基于机器学习“四大支柱”划分的学习排序方法
-
【全面总结】机器学习经典书 PRML 相关资料全面总结：中文译本，官方代码，课程视频，学习笔记等等
-
如何只使用标签来构建一个简单的电影推荐系统
-
信息流推荐在凤凰新闻的业务实践
-
机器学习加持的 Airbnb 体验搜索排序实践
-
理解计算机视觉中的损失函数
-
知识图谱辅助的个性化推荐系统
-
从阿里的 User Interest Center 看模型线上实时 serving 方法
-
深度学习在省钱快报推荐排序中的应用与实践
-
【超详细讲解】深入理解 GBDT 二分类算法
-
微软小冰：如何构建人格化的对话系统
-
【论文笔记】TEM: 结合 GBDT 叶节点嵌入的可解释推荐模型
-
图解 Reformer：一种高效的 Transformer
-
机器学习的可解释性：因果推理和稳定学习
-
图解自监督学习，人工智能蛋糕中最大的一块
-
浅谈流式模型训练体系
-
汽车之家推荐系统排序算法迭代之路
-
为什么机器学习项目非常难管理？
-
不要犯战略性的失误——如何合理制定推荐系统的优化目标？
-
BERT, ELMo, & GPT-2: 这些上下文相关的表示到底有多上下文化？
-
一些 NLP 的面试问题
-
视频 | 信息流推荐技术在凤凰网的业务实践
-
LinkedIn 招聘推荐系统中的机器学习的威力
-
为什么我们选择 LambdaMART 作为我们的酒店排序模型
-
如何（以及为什么需要）创建一个好的验证集
-
美团一站式机器学习平台建设实践
-
NLP 中文分词知识梳理
-
阿里 B2B：融合 Matching 与 Ranking 的个性化 CTR 预估模型
-
部署基于嵌入的机器学习模型的通用模式
-
如何增强推荐系统模型更新的实时性？
-
深度学习在花椒直播中的应用——排序算法篇
-
机器学习在马蜂窝酒店聚合中的应用初探
-
做机器学习项目的 checklist
-
机器学习在微博 O 系列广告中的应用
-
不仅仅用 CTR：通过人工评估得到更好的推荐
-
搜索，推荐，广告系统架构及算法技术资料大合集吐血整理——2019 年终分享
-
机器学习模型的可解释性
-
Query 理解和语义召回在知乎搜索中的应用
-
推荐系统技术演进趋势：从召回到排序再到重排
-
推荐系统的发展与简单回顾
-
NLP 技术在微博 feed 流中的应用
-
机器学习 - 一文理解 GBDT 的原理 -20171001
-
LR+FTRL 算法原理以及工程化实现
-
推荐场景中召回模型的演化过程
B3log
图像识别