Open:Материалы для изучения ML/DL

Литература

1. "Грокаем глубокое обучени", Эндрю Траск - идеально подходит для начинающих, т.к. вся теория разбирается без использования фреймворков. Для чтения необходимо только базовое понимание Python.
2. "Глубокое обучение. Погружение в мир нейронных сетей", С.И. Николенко, Е.В. Архангельская, А. Кадурин - вариант для более продвинутых, т.к. большая часть книге посвящена математике, но зато есть примеры на Tensorflow. Из недостатков - мало внимания уделено байесовским сетям и Reinforcement Learning.
3. "Машинное обучение с использованием Python. Сборник рецептов", Элбон Крис - около 200 примеров решения задач машинного обучения. Книга полезна для демонстрации возможностей, но новичкам, возможно, не совсем подойдет.

Лекции

1. "Введение в глубокое обучение", Р.Г. Нейчев - курс является серией курсов по ИИ от МГУ. Они в открытом доступе и есть блокноты в colab.
2. "Машинное обучени", ШАД, К.В. Воронцов - крайне полезный курс лекций от Школы Анализа Данных. Разбирается вся необходимая математика.
3. "Введение в импульсные нейронные сети", М. Киселёв - лучше смотреть после всех остальных материалов. Очень специфическая тема, с нуля точно ничего не будет понятно.

Практика

1. https://moleculenet.org/datasets-1 - датасеты на естественно-научную тематику.
2. https://github.com/kjappelbaum/awesome-chemistry-datasets - название репозитория говорит само за себя.