资源 | 值得收藏的 27 个机器学习的小抄

2017 年 8 月 12 日 AI100 收藏党最爱


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。

-- Robbie Allen


在微信公公众号会话中回复“备忘”,下载本文收集的大部分机器学习备忘单。



本文授权转自Linux中国(ID:linux-cn)



本文导航



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


(via:http://www.asimovinstitute.org/neural-network-zoo/)


神经网络公园


微软 Azure 算法流程图


(via: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


(via: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


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


机器学习算法指引


(via: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


(via: 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


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



Python 基础


(via:http://datasciencefree.com/python.pdf)



数据科学Python入门备忘单


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



NumPy Cheat Sheet - Python for Data Science


(via:https://www.dataquest.io/blog/numpy-cheat-sheet/)



Numpy Cheat Sheet


(via: http://datasciencefree.com/numpy.pdf)



NumPy Cheat Sheet: Data Analysis in Python


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



Data-Science-Ipython-Notebooks(NumPy)


(via:https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/

numpy/numpy.ipynb)



Data Analysis with Pandas


(via:http://datasciencefree.com/pandas.pdf)



Pandas Cheat Sheet for Data Science in Python


(via:https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.

S4P4T=U)



Data-Science-Ipython-Notebooks(Pandas)


(via:https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/

pandas/pandas.ipynb)



Matplotlib Cheat Sheet: Plotting in Python


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



Data-Science-Ipython-Notebooks


(via: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/

matplotlib/matplotlib.ipynb)



Scikit Learn


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



Machine Learning Cheat Sheet (for scikit-learn)


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



ml_cheat_sheet


(via: https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.

ipynb)



TensorFlow-Examples


(via: https://github.com/aymericdamien/TensorFlow-Examples/blob/

master/notebooks/1_Introduction/basic_operations.ipynb)



Pytorch Cheatsheet


(via: 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


(via:http://www.wzchen.com/s/probability_cheatsheet.pdf)


概率小抄 2.0


线性代数


(via: https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf)


四页内解释线性代数


统计学


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


统计学小抄


微积分


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


微积分小抄




关注福利

关注AI科技大本营,进入公众号,回复对应关键词打包下载学习资料;回复“入群”,加入AI科技大本营学习群,和优秀的人一起成长!


回复:CCAI,下载 CCAI 2017嘉宾演讲干货(PPT) 

回复:路径128篇论文告诉你深度学习Paper阅读路径

回复:法则,《机器学习的四十三条经验法则》帮你踩坑

回复:美团,美团干货分享《深度学习在美团外卖的应用》、《NLP在美团点评的应用》

回复:沙龙,关于程序员转型AI这件事,三位老炮从产业、人才和实操跟你聊了这么些干货(PPT)

回复:对抗李宏毅老师教你学生成式对抗学习(视频教程+PPT)

回复:AI报告,麦肯锡、波士顿、埃森哲等知名咨询公司专业解读AI行业

回复:银行,下载银行和证券公司的AI报告

回复:人才, 2017 领英《全球AI领域人才报告》告诉你AI人才的价值

回复:发展,下载2017 全球人工智能发展报告

回复:设计,帮你了解《人工智能与设计的未来》

回复:1986,重温李开复老师经典论文:1986年《评价函数学习的一种模式分类方法》和1990年《The Development of a World Class Othello Program》

回复:中美,腾讯研究院为你解读《中美两国人工智能产业发展全面解读》

人类感知外界信息,80%以上通过视觉得到。2015年,微软在ImageNet大赛中,算法识别率首次超越人类,视觉由此成为人工智能最为活跃的领域。为此,AI100特邀哈尔滨工业大学副教授、视觉技术研究室负责人屈老师,为大家介绍计算机视觉原理及实战。扫描上图二维码或加微信csdn02,了解更多课程信息。


登录查看更多
3

相关内容

【实用书】Python机器学习Scikit-Learn应用指南,247页pdf
专知会员服务
266+阅读 · 2020年6月10日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
简明扼要!Python教程手册,206页pdf
专知会员服务
47+阅读 · 2020年3月24日
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
机器学习资源大全中文版
智能交通技术
15+阅读 · 2019年7月24日
干货收藏丨50个史上最佳机器学习公共数据集
七月在线实验室
5+阅读 · 2019年1月20日
【收藏】机器学习的Pytorch实现资源集合【附下载链接】
机器学习算法与Python学习
10+阅读 · 2018年9月8日
最全数据科学学习资源:Python、线性代数、机器学习...
人工智能头条
12+阅读 · 2018年5月14日
值得收藏的45个Python优质资源(附链接)
数据派THU
4+阅读 · 2018年2月10日
机器学习无敌小抄(下载收藏)
七月在线实验室
6+阅读 · 2018年1月26日
【资源】15个在线机器学习课程和教程
专知
8+阅读 · 2017年12月22日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Generating Rationales in Visual Question Answering
Arxiv
5+阅读 · 2020年4月4日
Arxiv
18+阅读 · 2019年1月16日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
3+阅读 · 2018年6月24日
Arxiv
9+阅读 · 2016年10月27日
VIP会员
相关VIP内容
【实用书】Python机器学习Scikit-Learn应用指南,247页pdf
专知会员服务
266+阅读 · 2020年6月10日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
简明扼要!Python教程手册,206页pdf
专知会员服务
47+阅读 · 2020年3月24日
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
相关资讯
机器学习资源大全中文版
智能交通技术
15+阅读 · 2019年7月24日
干货收藏丨50个史上最佳机器学习公共数据集
七月在线实验室
5+阅读 · 2019年1月20日
【收藏】机器学习的Pytorch实现资源集合【附下载链接】
机器学习算法与Python学习
10+阅读 · 2018年9月8日
最全数据科学学习资源:Python、线性代数、机器学习...
人工智能头条
12+阅读 · 2018年5月14日
值得收藏的45个Python优质资源(附链接)
数据派THU
4+阅读 · 2018年2月10日
机器学习无敌小抄(下载收藏)
七月在线实验室
6+阅读 · 2018年1月26日
【资源】15个在线机器学习课程和教程
专知
8+阅读 · 2017年12月22日
相关论文
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Generating Rationales in Visual Question Answering
Arxiv
5+阅读 · 2020年4月4日
Arxiv
18+阅读 · 2019年1月16日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
3+阅读 · 2018年6月24日
Arxiv
9+阅读 · 2016年10月27日
Top
微信扫码咨询专知VIP会员