機(jī)器學(xué)習(xí)(Machine Learning)有很多方面，當(dāng)我開(kāi)始研究學(xué)習(xí)它時(shí)，我發(fā)現(xiàn)了各種各樣的“小抄”，它們簡(jiǎn)明地列出了給定主題的關(guān)鍵知識(shí)點(diǎn)。最終，我匯集了超過(guò) 20 篇的機(jī)器學(xué)習(xí)相關(guān)的小抄，其中一些我經(jīng)常會(huì)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(gè)小抄，如果你發(fā)現(xiàn)我有所遺漏的話，請(qǐng)告訴我。

機(jī)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(huì)過(guò)時(shí)，但是至少在目前，它們還是很潮的。

機(jī)器學(xué)習(xí)

這里有一些有用的流程圖和機(jī)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(gè)。

神經(jīng)網(wǎng)絡(luò)架構(gòu)

來(lái)源： http://www.asimovinstitute.org/neural-network-zoo/

神經(jīng)網(wǎng)絡(luò)公園

微軟 Azure 算法流程圖

來(lái)源： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet

用于微軟 Azure 機(jī)器學(xué)習(xí)工作室的機(jī)器學(xué)習(xí)算法

SAS 算法流程圖

來(lái)源： http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

SAS：我應(yīng)該使用哪個(gè)機(jī)器學(xué)習(xí)算法?

算法總結(jié)

來(lái)源： http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

機(jī)器學(xué)習(xí)算法指引

來(lái)源： http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/

已知的機(jī)器學(xué)習(xí)算法哪個(gè)***?

算法優(yōu)劣

來(lái)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(duì) Python 的，這一節(jié)中，我僅包括了我所見(jiàn)過(guò)的***的那些小抄。

算法

來(lái)源： https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/

Python 基礎(chǔ)

來(lái)源： http://datasciencefree.com/python.pdf

來(lái)源： https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA

Numpy

來(lái)源： https://www.dataquest.io/blog/numpy-cheat-sheet/

來(lái)源： http://datasciencefree.com/numpy.pdf

來(lái)源： https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE

來(lái)源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb

Pandas

來(lái)源： http://datasciencefree.com/pandas.pdf

來(lái)源： https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U

來(lái)源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb

Matplotlib

來(lái)源： https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet

來(lái)源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb

Scikit Learn

來(lái)源： https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk

來(lái)源： http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html

來(lái)源： https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb

Tensorflow

來(lái)源： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb

Pytorch

來(lái)源： https://github.com/bfortuner/pytorch-cheatsheet

數(shù)學(xué)

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

概率

來(lái)源： http://www.wzchen.com/s/probability_cheatsheet.pdf

概率小抄 2.0

線性代數(shù)

來(lái)源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf

四頁(yè)內(nèi)解釋線性代數(shù)

統(tǒng)計(jì)學(xué)

來(lái)源： http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf

統(tǒng)計(jì)學(xué)小抄

微積分

來(lái)源： http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N

微積分小抄