收藏 | 27個機器學習小抄(附學習資源)

本文多資源，建議收藏。
本文針對機器學習基本概念及編程和數學基礎，為你列出相應的學習資源。

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，我匯集了超過 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算法表，我只包括了我所發現的最全面的幾個。

1. 神經網絡架構

http://www.asimovinstitute.org/neural-network-zoo/

2. 神經網絡公園

微軟 Azure 算法流程圖

 

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算法

3. SAS 算法流程圖

SAS：我應該使用哪個機器學習算法?

http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

4. 算法總結

http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

5. 機器學習算法指引

已知的機器學習算法哪個最好?

http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/

6. 算法優劣

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。

1. 算法

https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/

2. Python 基礎

資源 1：http://datasciencefree.com/python.pdf

資源 2：https://www.datacamp.com /community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA

3. Numpy

資源1：https://www.dataquest.io/blog/numpy-cheat-sheet/

資源 2：http://datasciencefree.com/numpy.pdf

資源 3：https://www.datacamp.com /community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE

資源 4：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master /numpy /numpy.ipynb

4. Pandas

資源1：http://datasciencefree.com/pandas.pdf

資源 2：https://www.datacamp.com /community/blog/python-pandas-cheat-sheet#gs.S4P4T=U

資源 3：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master /pandas/pandas.ipynb

5. Matplotlib

資源 1：https://www.datacamp.com/ community/blog/python-matplotlib-cheat-sheet

資源 2：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master /matplotlib/matplotlib.ipynb

6. Scikit Learn

資源 1：https://www.datacamp.com /community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk

資源 2：http://peekaboo-vision.blogspot.de/2013 /01/machine-learning-cheat-sheet-for-scikit.html

資源 3：https://github.com/rcompton /ml_cheat_sheet/blob/master/supervised_learning.ipynb

7. Tensorflow

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks /1_Introduction/basic_operations.ipynb

8. Pytorch

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算法背後你所需要了解的大部分數學知識。

1. 概率

http://www.wzchen.com/s/probability_cheatsheet.pdf

2. 線性代數

四頁內解釋線性代數

https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf

3. 統計學

http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf

4. 微積分

http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N

原文連結：

https://unsupervisedmethods.com/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6