本文主要向大家介绍了机器人之27个机器学习的小抄你值得收藏，通过具体的内容向大家展现，希望对大家学习机器人有所帮助。

机器学习(Machine Learning)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，但是至少在目前，它们还是很潮的。

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

机器学习算法指引

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

统计学小抄

微积分

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

微积分小抄   

原文链接：https://unsupervisedmethods.com/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6

整理：机器学习算法与自然语言处理

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能智能机器人频道！