值得收藏的27个机器学习的小抄

机器学习（有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。

机器学习领域的变化是日新月异的，我想这些可能很快就会过时，但是至少在 2017 年 6 月 1 日时，它们还是很潮的。

如果你喜欢这篇文章，那就分享给更多人，如果你想感谢我，就到原帖地址（https://unsupervisedmethods.com/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6）点个赞吧。

机器学习

这里有一些有用的流程图和机器学习算法表，我只包括了我所发现的最全面的几个。

神经网络架构

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

神经网络公园

微软 Azure 算法流程图

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

用于微软 Azure 机器学习工作室的机器学习算法

SAS 算法流程图

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

SAS：我应该使用哪个机器学习算法？

算法总结

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

机器学习算法指引

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

已知的机器学习算法哪个最好？

算法优劣

来源： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend

Python

自然而然，也有许多在线资源是针对 Python 的，这一节中，我仅包括了我所见过的最好的那些小抄。

算法

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

Python 基础

来源： http://datasciencefree.com/python.pdf

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

Numpy

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

来源： http://datasciencefree.com/numpy.pdf

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

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

Pandas

来源： http://datasciencefree.com/pandas.pdf

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

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

Matplotlib

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

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

Scikit Learn

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

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

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

Tensorflow

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

Pytorch

来源： https://github.com/bfortuner/pytorch-cheatsheet

数学

如果你希望了解机器学习，那你就需要彻底地理解统计学（特别是概率）、线性代数和一些微积分。我在本科时辅修了数学，但是我确实需要复习一下了。这些小抄提供了机器学习算法背后你所需要了解的大部分数学知识。

概率

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

概率小抄 2.0

线性代数

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

四页内解释线性代数

统计学

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

统计学小抄

微积分

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

微积分小抄

作者 | Robbie Allen

译者 | wxy

出处：https://linux.cn/article-8754-1.html

版权申明：内容来源网络，版权归原创者所有。除非无法确认，我们都会标明作者及出处，如有侵权烦请告知，我们会立即删除并表示歉意。谢谢。

-END-

架构文摘

ID：ArchDigest

互联网应用架构丨架构技术丨大型网站丨大数据丨机器学习

更多精彩文章，请点击下方：阅读原文