没有统计学基础可以学python-机器学习和Python怎样快速掌握？你一定需要这27张清单...

以你之姓@ 2022-11-21 14:04 85阅读 0赞

原标题：机器学习和Python怎样快速掌握？你一定需要这27张清单

![9e1375d397544c5694d06337bc4c7243.png][]

原文来源：unsupervised methods

作者：Robbie Allen

「机器人圈」编译：嗯~阿童木呀、多啦A亮

毫无疑问，在AI领域中，机器学习涉及的面非常广，当我开始对这个主题进行深度挖掘时，我遇到了各种各样的“明细清单”，它们都简洁地列出了我所需要知道的关于这个主题的所有要点。最后，根据对各种相关资料的搜集和整理，我编写了机器学习及相关知识的超过20种以上的明细清单。这里面有些是我经常引用参考的，而且我认为其他人也会从中受益。这篇文章里面包含了我在网上发现较好的明细清单中的27个。

鉴于机器学习的发展速度非常快，清单里面的很多知识也许会过时，但对现在说来，还是很有收藏、参考价值的。（注：本文中所有图片均可点击放大）

如果你想一次性获得全部的明细清单，而不必像我一样单独一一下载，那么，你可以从我创建的压缩文件夹中获取。

（https://www.dropbox.com/s/v3yg8djhdf24g6v/UnsupervisedMethods.com%20-%20Cheat%20Sheets.zip?dl=0）

机器学习

这里有一些关于机器学习算法的有用的流程图和表格，当然，这里所包含的只是我所发现的最全面的种类。

神经网络架构

来源：

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

![9e1375d397544c5694d06337bc4c7243.png][]

神经网络汇总

微软Azure算法流程图

来源：

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

![68971d1583d949a089ec2eff09356647.png][]

微软 Azure机器学习工作室的机器学习算法明细表

SAS算法流程图

来源：

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

![8782f49b61a543d2ae59a97284a3adc7.png][]

SAS：我应该使用哪种机器学习算法？

算法汇总

来源：

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

![4e91fddfbd4b4abf8ccbbb0ae46bad0a.png][]

机器学习算法汇总

来源：

http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/?utm\_source=datafloq&utm\_medium=ref&utm\_campaign=datafloq

![ec7bb6e0b9b141b0a75644341f406905.png][]

哪一种机器学习算法是最好的

算法对比

来源：

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

![d04463877bd94997ba0ba34e54062502.png][]

Python

意料之中的是，Python也有很多可用的在线来源。因此在这一节中，清单里面所包含是我遇到过的最好的各种来源。

算法

来源：

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

![d55877fceacf40d7bd7ea98b8cb3c871.png][]

Python基础

来源：

http://datasciencefree.com/python.pdf

![cf914ffd244245269251fca85e933124.png][]

来源：

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

![da5dc47a25894fd694e8d907332d3d3e.png][]

Numpy

来源：

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

![838c95e75e744d0297d0cd579fc5d66f.png][]

来源：

http://datasciencefree.com/numpy.pdf

![b3d346aa59744eb69c75ba247b8bad61.png][]

来源：

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

![5ab76c69832b4a6a8fd71b7857374944.png][]

来源：

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

![861949d739d1497196f5204b734118a0.png][]

Pandas

来源：

http://datasciencefree.com/pandas.pdf

![39e947469685450fb0dbdd616b9f5745.png][]

来源：

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

![1068b93876a249e7b2974511cb33e271.png][]

来源：

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

![fdf5f696f45c4b52a2ad6fc85e552ea8.png][]

Matplotlib

来源：

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

![f8022083f1344e9db50c0f231f483de7.png][]

来源：

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

![4340e2ffeb554b2aa54be6be24b6b454.png][]

Scikit Learn

来源：

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

![ff77ad93c1534afeac959fcec1a69827.png][]

来源：

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

![d08c1e47cb9c467d9f0de754616dd777.png][]

来源：

https://github.com/rcompton/ml\_cheat\_sheet/blob/master/supervised\_learning.ipynb

![1890f4bb16d84c10bb5e2c6797a1763f.png][]

Tensorflow

来源：

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1\_Introduction/basic\_operations.ipynb

![6d517a0f5d1d4c9ab55e5c57c82670b6.png][]

Pytorch

来源：

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

![dc1579815e0f4855b7996964c3925f39.png][]

数学

如果你想真正地理解机器学习，你需要有扎实的统计学（尤其是概率论）知识基础，线性代数以及微积分基础。我在上大学的时候学的是数学专业，但是我肯定还是需要对这些数学知识进行复习。如果你想理解常用机器学习算法背后的数学原理，那么下面的这些明细清单将会是你需要的。

概率论

来源：

https://static1.squarespace.com/static/54bf3241e4b0f0d81bf7ff36/t/55e9494fe4b011aed10e48e5/1441352015658/probability\_cheatsheet.pdf

![8099492e17bf4815a51e6e725a55b245.png][]

概率论明细清单v2.0

线性代数

来源：

https://minireference.com/static/tutorials/linear\_algebra\_in\_4\_pages.pdf

![9341c6a8a71f4908a0b9928104b5850c.png][]

论文四页纸中所阐述的线性代数

统计学

来源：

http://web.mit.edu/~csvoss/Public/usabo/stats\_handout.pdf

![5b63e8a11dc047059d28acbdb678c113.png][]

统计学明细清单

微积分

来源：

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

![7c44c63b54ff48399b27cae5bbb39e52.png][]

责任编辑：

[9e1375d397544c5694d06337bc4c7243.png]: /images/20221120/3eb3379bd63749cf87d89c4d0e72caf4.png
[68971d1583d949a089ec2eff09356647.png]: /images/20221120/c7d17bd57a4f416a9d9f17eb6c773aef.png
[8782f49b61a543d2ae59a97284a3adc7.png]: /images/20221120/2239fcf8ba6b428fb359c35096cb4dd7.png
[4e91fddfbd4b4abf8ccbbb0ae46bad0a.png]: /images/20221120/2e493eb279ef46e0bcc8213f3abcaba8.png
[ec7bb6e0b9b141b0a75644341f406905.png]: /images/20221120/a72ac870e49744bfa7bebb33325c67bb.png
[d04463877bd94997ba0ba34e54062502.png]: /images/20221120/9cc354b703bc43f38be9def1a4cd48a8.png
[d55877fceacf40d7bd7ea98b8cb3c871.png]: /images/20221120/5a4c5665167145188b924fd4d1da1449.png
[cf914ffd244245269251fca85e933124.png]: /images/20221120/ac1e9cc5fcd848259409d193a07a668d.png
[da5dc47a25894fd694e8d907332d3d3e.png]: /images/20221120/b9fbbd29a4634a74a68236893aa2bbe8.png
[838c95e75e744d0297d0cd579fc5d66f.png]: /images/20221120/249c1490b5074eb2a2301057b41ed44f.png
[b3d346aa59744eb69c75ba247b8bad61.png]: /images/20221120/75df834530a24323b3243ce0fc5fac3a.png
[5ab76c69832b4a6a8fd71b7857374944.png]: /images/20221120/e68691b4aefc4366bcfbdd3348f48690.png
[861949d739d1497196f5204b734118a0.png]: /images/20221120/215fdbe4eede486285c7fab7ed957fd4.png
[39e947469685450fb0dbdd616b9f5745.png]: /images/20221120/4f9a2f9ec77d4b168662ac3bdfcc31c4.png
[1068b93876a249e7b2974511cb33e271.png]: /images/20221120/a33f3f8c899a4cb1ad89ef892ae77ab5.png
[fdf5f696f45c4b52a2ad6fc85e552ea8.png]: /images/20221120/66b3f7b04796435aaa94a057566436eb.png
[f8022083f1344e9db50c0f231f483de7.png]: /images/20221120/066897d1ca09487e9a580b70b269437c.png
[4340e2ffeb554b2aa54be6be24b6b454.png]: /images/20221120/a08cc448f71048118255accc6c209587.png
[ff77ad93c1534afeac959fcec1a69827.png]: /images/20221120/760b937fe0da4dd2aa769364df17b20c.png
[d08c1e47cb9c467d9f0de754616dd777.png]: /images/20221120/c5f79f0b4fc34e1c803cf7609c561501.png
[1890f4bb16d84c10bb5e2c6797a1763f.png]: /images/20221120/1825a46d0e054e9ca939e669d3011e9b.png
[6d517a0f5d1d4c9ab55e5c57c82670b6.png]: /images/20221120/47f6e9db04f14075a47241a20653e699.png
[dc1579815e0f4855b7996964c3925f39.png]: /images/20221120/0d65ba47221245b1b5fef686831d20c7.png
[8099492e17bf4815a51e6e725a55b245.png]: /images/20221120/89e057d88f8245fa91a619f0d0a7cf8f.png
[9341c6a8a71f4908a0b9928104b5850c.png]: /images/20221120/bcae2bc1fe974d7cb5fbcc3390b7d622.png
[5b63e8a11dc047059d28acbdb678c113.png]: /images/20221120/7cecf82dc09f405cabd4e21a46953233.png
[7c44c63b54ff48399b27cae5bbb39e52.png]: /images/20221120/9d9498e5ad63461c9fc0033e73f417dd.png