來(lái)源：量子位
再也不用在學(xué)機(jī)器學(xué)習(xí)之前先惡補(bǔ)英語(yǔ)了，這兒有一套超熱門(mén)的優(yōu)質(zhì)中文資源可以選擇。
這套名叫AI Learning的GitHub資源，匯集了30多名貢獻(xiàn)者的集體智慧，把學(xué)習(xí)機(jī)器學(xué)習(xí)的路線圖、視頻、電子書(shū)、學(xué)習(xí)建議等中文資料全部都整理好了。
目前資源在GitHub上已經(jīng)有一萬(wàn)顆Star，微博網(wǎng)友：好人一生平安。
事不宜遲，來(lái)看看這里面有啥。
從入門(mén)到大牛
很多初學(xué)者都會(huì)遇到這樣的問(wèn)題：入門(mén)機(jī)器學(xué)習(xí)應(yīng)該從哪里學(xué)起？
這些過(guò)來(lái)人表示，學(xué)習(xí)路徑分三步，先學(xué)機(jī)器學(xué)習(xí)基礎(chǔ)，然后攻克深度學(xué)習(xí)基礎(chǔ)，最后學(xué)習(xí)自然語(yǔ)言處理（NLP）相關(guān)知識(shí)。貢獻(xiàn)者表示：按照這個(gè)流程來(lái)學(xué)習(xí)，你可以當(dāng)大牛。
在機(jī)器學(xué)習(xí)基礎(chǔ)部分，貢獻(xiàn)者給出的學(xué)習(xí)路線圖是這樣的：
- 機(jī)器學(xué)習(xí)基礎(chǔ)
- KNN近鄰算法
- 決策樹(shù)
- 樸素貝葉斯
- 邏輯回歸
- SVM支持向量機(jī)
- 集成方法
- 回歸
- 樹(shù)回歸
- K-Means聚類(lèi)
- 利用Apriori算法進(jìn)行關(guān)聯(lián)分析
- FP-growth高效發(fā)現(xiàn)頻繁項(xiàng)集
- 利用PCA來(lái)簡(jiǎn)化數(shù)據(jù)
- 利用SVD來(lái)簡(jiǎn)化數(shù)據(jù)
- 大數(shù)據(jù)與MapReduce
- 推薦系統(tǒng)
在上面16個(gè)學(xué)習(xí)模塊中，是知識(shí)點(diǎn)介紹、常用工具和實(shí)戰(zhàn)項(xiàng)目等不同類(lèi)型的學(xué)習(xí)資源的整合版。點(diǎn)進(jìn)去就是具體學(xué)習(xí)資料，非常方便。
比如決策樹(shù)模塊，先介紹了概念與主要場(chǎng)景：
然后介紹了具體的項(xiàng)目案例和開(kāi)發(fā)流程代碼：
每個(gè)模塊還有配套視頻，一并服用效果更好：
即使以后出現(xiàn)了新的學(xué)習(xí)資源，這套方法論也可以用上。
深度學(xué)習(xí)基礎(chǔ)部分在第一部分的基礎(chǔ)上，繼續(xù)擴(kuò)展了反向傳播、CNN原理、RNN原理和LSTM四個(gè)知識(shí)點(diǎn)：
每個(gè)知識(shí)點(diǎn)對(duì)應(yīng)一個(gè)口碑介紹帖，內(nèi)文圖文并茂。
NLP內(nèi)容的學(xué)習(xí)路徑偏向于實(shí)際應(yīng)用，在文本分類(lèi)、語(yǔ)言建模、圖像字幕、機(jī)器翻譯、問(wèn)答系統(tǒng)、語(yǔ)音識(shí)別、自動(dòng)文摘7個(gè)領(lǐng)域極少，還一并放上了大量相關(guān)數(shù)據(jù)集：
省去了為找數(shù)據(jù)集跑斷腿的煩惱。
機(jī)器學(xué)習(xí)零食庫(kù)
除了能get到完整學(xué)習(xí)路徑持續(xù)通關(guān)，還能在里面找到人們機(jī)器學(xué)習(xí)資料“單品”。
有經(jīng)典口碑英文視頻吳恩達(dá)篇：
有入門(mén)專(zhuān)項(xiàng)訓(xùn)練篇等任君挑選：
整理好的電子書(shū)，直接下載PDF即可使用：
最后，這個(gè)神奇的頁(yè)面還自帶貢獻(xiàn)者們自己摸爬滾打的心路歷程和學(xué)習(xí)建議。
看來(lái)這個(gè)資源，夠你用很久了↓↓
