「20張圖玩轉機器學習」深度學習、神經網路和大數據信息梳理（下載）

1 新智元編譯

神經網路：搞清結構就看這張

人是視覺動物，要了解神經網路，沒有什麼比用圖將它們的形象畫出來更加簡單易懂了。這張信息圖示里囊括 26 種架構，雖然不都是神經網路，但卻覆蓋了幾乎所有常用的模型。直觀地看到這些架構有助於你更好地了解它們的數學含義。

一併附上神經網路數學公式：

機器學習概覽

機器學習：Scikit-learn 演算法

這張信息圖示能幫你快速定位你該用什麼估計函數——這可是編程中最困難的一部分。再下面的流程圖則對每種估計函數進行了詳細的介紹說明，有助你更好地理解問題和使用。

Scikit-Learn

Scikit-learn 是一個機器學習 Python 編程語言庫。有各種分類、回歸和聚類演算法，包括支持向量機、隨機森林、K-means 和 DBSCAN。此外，Scikit-learn 還支持 NumPy 和 SciPy。

微軟 Azure 機器學習演算法表

這張講解微軟 Azure 的機器學習演算法表將幫助你為預測分析解決方案，根據你的數據性質，找出適當的機器學習演算法。

數據科學 Python

TensorFlow

Keras：TensorFlow 介面

2017 年，谷歌 TensorFlow 團隊決定在 TensorFlow 核心庫中支持 Keras。作者 Chollet 解釋說，Keras 被作為介面，而不是一個端到端的機器學習框架。Keras 提供了更高級，更直觀的抽象集合，無論後端的科學計算庫是什麼，都可以輕鬆配置神經網路。

NumPy

NumPy 針對 Python 中 CPython reference 的實現，CPython 是一個非優化的位元組碼解釋器。針對這一版本 Python 編寫的數學演算法，運行速度通常比編譯的速度慢得多。NumPy 部分通過提供在數組上有效運行的多維數組和函數和運算符來解決速度慢的問題，需要重寫一些代碼，主要是使用 NumPy 的內部循環。

Pandas

「Pandas」一詞源於「Panel Data」，後者是多維結構化數據集的計量經濟學術語。

Data Wrangling

Data Wrangling with dplyr and tidyr

Scipy

SciPy 構建在 NumPy 數組對象上，是 NumPy 堆棧的一部分，包括 Matplotlib，pandas 和 SymPy 等工具，以及擴展的科學計算庫集。NumPy 堆棧與其他應用程序（如 MATLAB，GNU Octave 和 Scilab）在用戶構成上十分相似。NumPy 棧也有時被稱為 SciPy 棧。

Matplotlib

Matplotlib 是 Python 編程語言及其數學數學擴展 NumPy 的繪圖庫，提供了面向對象的 API，將圖形嵌入到應用程序中，這些應用程序使用 Tkinter，wxPython，Qt 或 GTK+ 等通用 GUI 工具包。

還有一個基於狀態機（如 OpenGL）的程序「pylab」介面，非常類似於 MATLAB 的介面，儘管不鼓勵使用。SciPy 使用 matplotlib。

pyplot 是 matplotlib 模塊，提供了一個類似 MATLAB 的界面。matplotlib 與 MATLAB 一樣，能夠使用 Python，而且是免費的。

數據可視化

PySpark

編譯來源：

https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！