值得收藏的27個機器學習的小抄
機器學習(Machine Learning)有很多方面，當我開始研究學習它時，我發現了各種各樣的「小抄」，它們簡明地列出了給定主題的關鍵知識點。最終，我彙集了超過 20 篇的機器學習相關的小抄，其中一些我經常會翻閱，而另一些我也獲益匪淺。這篇文章裡面包含了我在網上找到的 27 個小抄，如果你發現我有所遺漏的話，請告訴我。
機器學習領域的變化是日新月異的，我想這些可能很快就會過時，但是至少在目前，它們還是很潮的。
機器學習
這裡有一些有用的流程圖和機器學習演算法表，我只包括了我所發現的最全面的幾個。
神經網路架構
來源： http://www.asimovinstitute.org/neural-network-zoo/
神經網路公園
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
用於微軟 Azure 機器學習工作室的機器學習演算法
SAS 演算法流程圖
來源： http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
SAS：我應該使用哪個機器學習演算法?
演算法總結
來源： http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
機器學習演算法指引
來源： http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
已知的機器學習演算法哪個最好?
演算法優劣
來源： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
自然而然，也有許多在線資源是針對 Python 的，這一節中，我僅包括了我所見過的最好的那些小抄。
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
如果你希望了解機器學習，那你就需要徹底地理解統計學(特別是概率)、線性代數和一些微積分。我在本科時輔修了數學，但是我確實需要複習一下了。這些小抄提供了機器學習演算法背後你所需要了解的大部分數學知識。
概率
來源： http://www.wzchen.com/s/probability_cheatsheet.pdf
概率小抄 2.0
線性代數
來源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
四頁內解釋線性代數
統計學
來源： http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
統計學小抄
微積分
來源： http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
微積分小抄
來源：網路大數據
近期熱文
乾貨 | NLP中的self-attention【自-注意力】機制
推薦 | 機器學習中的這12條經驗，希望對你有所幫助
圖解機器學習的常見演算法
利用Python實現卷積神經網路的可視化
乾貨｜淺談強化學習的方法及學習路線
廣告、商業合作
請添加微信：guodongwe1991
（備註：商務合作）
