如何快速掌握機器學習和Python?你一定需要這27張清單
GIF/1.7M
原文來源:unsupervised methods
作者:Robbie Allen
「機器人圈」編譯:嗯~阿童木呀、多啦A亮
毫無疑問,在AI領域中,機器學習涉及的面非常廣,當我開始對這個主題進行深度挖掘時,我遇到了各種各樣的「明細清單」,它們都簡潔地列出了我所需要知道的關於這個主題的所有要點。最後,根據對各種相關資料的搜集和整理,我編寫了機器學習及相關知識的超過20種以上的明細清單。這裡面有些是我經常引用參考的,而且我認為其他人也會從中受益。這篇文章裡面包含了我在網上發現較好的明細清單中的27個。
鑒於機器學習的發展速度非常快,清單裡面的很多知識也許會過時,但對現在說來,還是很有收藏、參考價值的。(註:本文中所有圖片均可點擊放大)
如果你想一次性獲得全部的明細清單,而不必像我一樣單獨一一下載,那麼,你可以從我創建的壓縮文件夾中獲取。
(https://www.dropbox.com/s/v3yg8djhdf24g6v/UnsupervisedMethods.com%20-%20Cheat%20Sheets.zip?dl=0)
機器學習
這裡有一些關於機器學習演算法的有用的流程圖和表格,當然,這裡所包含的只是我所發現的最全面的種類。
神經網路架構
來源:
http://www.asimovinstitute.org/neural-network-zoo/
神經網路匯總
微軟Azure演算法流程圖
來源:
https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
微軟 Azure機器學習工作室的機器學習演算法明細表
SAS演算法流程圖
來源:
http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
SAS:我應該使用哪種機器學習演算法?
演算法匯總
來源:
https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
機器學習演算法匯總
來源:
http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/?utm_source=datafloq&utm_medium=ref&utm_campaign=datafloq
哪一種機器學習演算法是最好的
演算法對比
來源:
https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
意料之中的是,Python也有很多可用的在線來源。因此在這一節中,清單裡面所包含是我遇到過的最好的各種來源。
演算法
來源:
https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Python基礎
來源:
http://datasciencefree.com/python.pdf
來源:
https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Numpy
來源:
https://www.dataquest.io/blog/numpy-cheat-sheet/
來源:
http://datasciencefree.com/numpy.pdf
來源:
https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
來源:
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Pandas
來源:
http://datasciencefree.com/pandas.pdf
來源:
https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
來源:
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Matplotlib
來源:
https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
來源:
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
Scikit Learn
來源:
https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
來源:
http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
來源:
https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Tensorflow
來源:
https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
Pytorch
來源:
https://github.com/bfortuner/pytorch-cheatsheet
數學
如果你想真正地理解機器學習,你需要有紮實的統計學(尤其是概率論)知識基礎,線性代數以及微積分基礎。我在上大學的時候學的是數學專業,但是我肯定還是需要對這些數學知識進行複習。如果你想理解常用機器學習演算法背後的數學原理,那麼下面的這些明細清單將會是你需要的。
概率論
來源:
概率論明細清單v2.0
線性代數
來源:
https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
論文四頁紙中所闡述的線性代數
統計學
來源:
http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
統計學明細清單
微積分
來源:
微積分明細清單
點擊展開全文
※AWD-LSTM語言模型是如何實現的
※漲姿勢!「手動」調試神經網路,可以這樣做
※從線性回歸到神經網路,機器學習工程師的進階之路
※用Python實現CNN長短期記憶網路!你也行
※詳解徑向基函數神經網路RBNN,它和多層感知器MLP有何區別
TAG:機器人圈 |
※Percy Liang:機器學習的可解釋性如此重要,我在努力,我們都需要努力
※學習如何使用 Python 構建你自己的 Twitter 機器人
※機器學習如何從Python 2遷移到Python 3
※機器學習如何從Python 2遷移到Python 3
※Pick一下?Python機器學習實用技巧
※Pick 一下?Python 機器學習實用技巧
※專欄 | 像訓練Dota2一樣訓練真實機器人?Gibson Environment環境了解一下
※每小時拆 200 部 iPhone,蘋果機器人 Daisy 手速比你快多了
※蘋果機器人拆 iPhone ,誰敢 PK ?
※70個NumPy練習:在Python下一舉搞定機器學習矩陣運算
※這款智能3D列印剪草機器人可以通過Playstation遊戲手柄進行控制
※想在一加5/5T 上看 HD的Netflix 視頻?你需要先把機器寄回
※為什麼Python更適合做AI/機器學習?五位專家給你答案
※AI先驅Judea Pearl:機器人一定會有自由意志
※機器學習為Photoshop和Premiere帶來智能化突破
※五位專家跟你講講為啥Python更適合做AI/機器學習
※實戰microPython(三)uPyBoard是如何控制機器人的
※Python與機器學習
※Intelligent Robots:挑戰 Kiva,倉儲機器人不應「高大上」,而應「快穩省」
※Intelligent Robots:挑戰Kiva,倉儲機器人不應「高大上」,而應「快穩省」