正在研究機器學(xué)習(xí)？我們幫你準備了27個小抄…

機器學(xué)習(xí)Machine Learning有很多方面，當(dāng)我開始研究學(xué)習(xí)它時，我發(fā)現(xiàn)了各種各樣的“小抄”，它們簡明地列出了給定主題的關(guān)鍵知識點。最終，我匯集了超過 20 篇的機器學(xué)習(xí)相關(guān)的小抄，其中一些我經(jīng)常會翻閱，而另一些我也獲益匪淺。這篇文章里面包含了我在網(wǎng)上找到的 27 個小抄，如果你發(fā)現(xiàn)我有所遺漏的話，請告訴我。

機器學(xué)習(xí)領(lǐng)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 2017 年 6 月 1 日時，它們還是很潮的。

如果你想要這些圖表，你無需向我一樣一張張下載，只需要從這里點擊下載就可以了。

如果你喜歡這篇文章，那就分享給更多人，如果你想感謝我，就到原帖地址點個贊吧。

機器學(xué)習(xí)

這里有一些有用的流程圖和機器學(xué)習(xí)算法表，我只包括了我所發(fā)現(xiàn)的最全面的幾個。

神經(jīng)網(wǎng)絡(luò)架構(gòu)

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

微軟 Azure 算法流程圖

來源： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet

用于微軟 Azure 機器學(xué)習(xí)工作室的機器學(xué)習(xí)算法：

SAS 算法流程圖

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

SAS：我應(yīng)該使用哪個機器學(xué)習(xí)算法？：

算法總結(jié)

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

機器學(xué)習(xí)算法指引：

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

已知的機器學(xué)習(xí)算法哪個最好？：

算法優(yōu)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(jié)中，我僅包括了我所見過的最好的那些小抄。

算法

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

Python 基礎(chǔ)

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-cheatshee

數(shù)學(xué)

如果你希望了解機器學(xué)習(xí)，那你就需要徹底地理解統(tǒng)計學(xué)（特別是概率）、線性代數(shù)和一些微積分。我在本科時輔修了數(shù)學(xué)，但是我確實需要復(fù)習(xí)一下了。這些小抄提供了機器學(xué)習(xí)算法背后你所需要了解的大部分數(shù)學(xué)知識。

概率

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

線性代數(shù)

來源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pd

統(tǒng)計學(xué)

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

微積分

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