可能是史上最全的機器學習和Python（包括數學）速查表

標籤：targe   ccf   pytorch   examples   data   mmu   架構   hub   lin   

新手學習機器學習很難，就是收集資料也很費勁。所幸Robbie Allen從不同來源收集了目前最全的有關機器學習、Python和相關數學知識的速查表大全。強烈建議收藏！

機器學習有很多方面。 當我開始重新整理這個主題時，我遇到了各種“速查表”，僅僅列出了需要知道的給定主題的所有要點。 最後，我收集了與機器學習相關的速查表。有些我經常參考，認為其他人也可能從中受益。因此， 這篇文章把我在網上發現的很好的27個速查表分享出來，以供大家參考。

機器學習（Machine Learning）

有不少有用的流程圖和機器學習演算法表。 這裡只包括所發現的最全面的速查表。

神經網路架構（NeuralNetwork Architectures）

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

Microsoft Azure演算法流程圖（Microsoft AzureAlgorithm Flowchart）

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

SAS演算法流程圖（SAS Algorithm Flowchart）

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

演算法總結（AlgorithmSummary）

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

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

演算法優缺點（AlgorithmPro/Con）

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

Python

當然Python有很多線上資源。 對於本節只包括所遇到的最好的速查表。

演算法（Algorithms）

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

Python基礎（Python Basics）

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

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-cheatsheet

數學（Math）

如果你真的想瞭解機器學習，那麼需要對統計（特別是機率）、線性代數和微積分的理解打下堅實的基礎。在本科期間我輔修數學，但是我肯定需要複習這些知識。 這些速查表提供了大多數需要瞭解最常見的機器學習演算法背後的數學。

機率（Probability）

來源：

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

線性代數（Linear Algebra）

來源：

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

統計學（Statistics）

來源：

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

微積分（Calculus）

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

如果你想要所有的速查表，我把作者建立的包含所有27個速查表的zip檔案搬到了牆內。網盤：https://pan.baidu.com/s/1hs7n8LQ 提取密碼：bvq1 。歡迎下載！

原文參考：點擊閱讀全文可見（需FQ）。

「網路冷眼」，搜尋「網路冷眼」即可關注

可能是史上最全的機器學習和Python（包括數學）速查表