内容简介：机器学习、Python和数学学习资料汇总
机器学习保罗万象，在学习这门技术时，最好可以有一些速查手册之类的东西在手边，它们列出了需要了解的关键点。 Robbie Allen 整理了20多个与机器学习相关的速查资料，并分享出来，或许也可以帮助其他学习这门技术的人。
机器学习领域正发生着日新月异的变化，这些资料总有一天会过时，不过至少在目前看来，它们仍然十分有用。如果不想一个接一个地下载这些资料，可以从这里打包下载所有的资料。
机器学习
下面是机器学习算法的一些图表，非常有用。
- 神经网络架构： http://www.asimovinstitute.org/neural-network-zoo/
- 微软Azure算法图表： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
- SAS算法图表： http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
-
算法总结： http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/ - 算法的优劣对比： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
网络上有很多 Python 相关的学习课程，下面列出最好的部分资料。
- 算法： https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
-
Python基础： http://datasciencefree.com/python.pdf
https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA -
Numpy： https://www.dataquest.io/blog/numpy-cheat-sheet/
http://datasciencefree.com/numpy.pdf
https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb -
Pandas： http://datasciencefree.com/pandas.pdf
https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb -
Matplotlib： https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb -
Scikit Learn： https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb - TensorFlow： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
- PyTorch： https://github.com/bfortuner/pytorch-cheatsheet
数学
如果要学习机器学习，需要了解统计学、线性代数和微积分。以下的资料可以帮助你很好地了解机器学习背后的数学。
- 概率学： http://www.wzchen.com/s/probability_cheatsheet.pdf
- 线性代数： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
- 统计学： http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
- 微积分： http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
感谢陈思对本文的审校。
给InfoQ中文站投稿或者参与内容翻译工作，请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博（@InfoQ，@丁晓昀），微信（微信号： InfoQChina ）关注我们。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 一文读懂自学机器学习的误区和陷阱（附学习资料）
- Flutter 学习资料
- 架构师学习资料分享
- Python 学习资料推荐
- 这里有一份学习资料，熊市学习牛市升值丨HelloDaily（12月11日）
- Python Web 学习资料总结
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
