TL;DR 本文章收集了一些机器学习相关的理论方面的入门级的资料，适合初学者作为入门课程101。
数学基础
线性代数
- Vector, Matrix, and Tensor Derivatives CS321n 介绍矩阵和向量导数的算法
- Properties of the Trace and Matrix Derivatives
- Matrix Differentiation ( and some other stuff ) 排版非常好看
神经网络
Backpropagation
- Calculus on Computational Graphs: Backpropagation 推荐入门 从计算图的角度介绍BP算法
LSTM
博文
- Exploring LSTMs 入门推荐 非常详细的用易于理解的方式介绍了LSTM中各种门，后面更大篇幅探索了一下LSTM在各种简单问题上的内部参数情况，但后面的部分，我暂时没看懂:(
- Understanding LSTM Networks Stanford CS224n 推荐阅读 非常细致的介绍了LSTM中的各种门，建议先阅读上一篇文章再看这个文章，在理解为什么需要各种门的基础上再学习各种门是怎么实现的会更加清晰来龙去脉。
MOOC
TODO
大学课程
- Stanford CS224n: Natural Language Processing with Deep Learning 没啥好介绍的，来自Stanford NLP group的，质量什么的没得说。