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

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！