资源 | 全机器学习和Python的27个速查表（完整版）

按要求转载自网路冷眼

作者 | Robbie Allen

机器学习（Machine Learning）有不少有用的流程图和机器学习算法表。 这里只包括所发现的最全面的速查表。

神经网络架构（NeuralNetwork Architectures）

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

Microsoft Azure算法流程图（Microsoft AzureAlgorithm Flowchart）

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

SAS算法流程图（SAS Algorithm Flowchart）

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

算法总结（AlgorithmSummary）

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

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

算法优缺点（AlgorithmPro/Con）

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

Python

当然Python有很多在线资源。 对于本节只包括所遇到的最好的速查表。

算法（Algorithms）

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

Python基础（Python Basics）

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

来源：http://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（Math）

如果你真的想了解机器学习，那么需要对统计（特别是概率）、线性代数和微积分的理解打下坚实的基础。在本科期间我辅修数学，但是我肯定需要复习这些知识。 这些速查表提供了大多数需要了解最常见的机器学习算法背后的数学。

概率（Probability）

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

线性代数（Linear Algebra）

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

统计学（Statistics）

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

微积分（Calculus）

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

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