27個機器學習圖表，幫你作弊一般飛速成長！

今天分享一篇機器學習的文章。翻了一半，發現Linux中國已經翻譯過了。。。乾脆搬過來，還有一個姊妹篇《My Curated List of AI and Machine Learning Resources from Around the Web》，明天準備發這個。

原文地址是：Cheat Sheet of Machine Learning and Python (and Math) Cheat Sheets

譯文地址是：值得收藏的 27 個機器學習的小抄

機器學習Machine Learning有很多方面，當我開始研究學習它時，我發現了各種各樣的「小抄」，它們簡明地列出了給定主題的關鍵知識點。最終，我彙集了超過 20 篇的機器學習相關的小抄，其中一些我經常會翻閱，而另一些我也獲益匪淺。這篇文章裡面包含了我在網上找到的 27 個小抄，如果你發現我有所遺漏的話，請告訴我。

機器學習領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，只需要從這裡點擊下載就可以了。

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。

機器學習

這裡有一些有用的流程圖和機器學習演算法表，我只包括了我所發現的最全面的幾個。

神經網路架構

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

微軟 Azure 演算法流程圖

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

用於微軟 Azure 機器學習工作室的機器學習演算法：

SAS 演算法流程圖

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

SAS：我應該使用哪個機器學習演算法？：

演算法總結

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

機器學習演算法指引：

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

已知的機器學習演算法哪個最好？：

演算法優劣

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，這一節中，我僅包括了我所見過的最好的那些小抄。

演算法

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

Python 基礎

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-cheatsheet

數學

如果你希望了解機器學習，那你就需要徹底地理解統計學（特別是概率）、線性代數和一些微積分。我在本科時輔修了數學，但是我確實需要複習一下了。這些小抄提供了機器學習演算法背後你所需要了解的大部分數學知識。

概率

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

線性代數

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

統計學

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

微積分

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

你想更深入了解學習Python知識體系，你可以看一下我們花費了一個多月整理了上百小時的幾百個知識點體系內容：

【超全整理】《Python自動化全能開發從入門到精通》筆記全放送