专栏首页机器学习初学者精选文章Github标星2.3k+!这个仓库提供了靠谱的入门人工智能的路线及资料!

Github标星2.3k+!这个仓库提供了靠谱的入门人工智能的路线及资料!

本文为AI入门者推荐一个Github仓库,仓库推荐了一个简易的学习路线,并提供了代码和数据集下载。 本文作者:黄海广

一、前言

AI以及机器学习入门,初学者遇到的问题非常多,但最大的问题就是:

资料太多!!!不知道如何取舍!!!

Github上有一个仓库(标星2300+),很大程度上解决了这个问题,不但提供了学习路线,为初学者指明了学习的方向,而且所有代码和数据集都提供了下载方式。

初学者根据这个github仓库学完以后,就基本入门AI了。

入门以后,遇到问题能上网搜索解决了,也知道接下来应该学什么。

二、github仓库介绍

仓库作者黄海广(github累计star数37000+,排名世界87),另一部分由其他公益组织创作。

仓库链接:

https://github.com/fengdu78/Data-Science-Notes

三、仓库目录及概述

  • 0.math

数学基础

  • 1.python-basic

python基础

  • 2.numpy

numpy基础

  • 3.pandas

pandas基础

  • 4.scipy

scipy基础

  • 5.data-visualization

数据可视化基础

  • 6.scikit-learn

scikit-learn基础

  • 7.machine-learning

机器学习入门

  • 8.deep-learning

深度学习入门

  • 9.feature-engineering

特征工程入门

四、学习路线说明

这个目录其实是一个学习路线:

0——>1——>2——>3——>4——>5——>6——>7——>8——>9

1-5是个整体,6和7的顺序可以交换也可以同时学习,8属于选学部分(深度学习),9放在最后学习。

五、学习路线和内容

第一部分,数学基础学习

目录名称:0.math

数学基础:数学基础内容太多,很容易把人劝退,其实先把高等数学、概率论与数理统计和线性代数这三门课学熟了,大部分机器学习问题是能解决的。数学基础部分我放了三个资料。

第一个是当时考研和考博士复习的。数学基础,我把机器学习的部分,提炼出来。

第二、三个是今年刚翻译的CS229的线性代数和概率论,这部分是斯坦福所有人工智能有关的课程的数学基础复习材料,非常实用

这部分内容曾经有文章介绍(查看文章

第二部分,python学习

目录名称:1.python-basic

python基础:这里有个代码练习:两天入门python

目录名称: 2.numpy

numpy基础:这里有2个代码练习

  • 一、适合初学者快速入门的Numpy实战全集
  • 二、Numpy练习题100题-提高你的数据分析技能

目录名称: 3.pandas

pandas基础:这里有3个代码练习

  • 一、《十分钟搞定pandas》:10-Minutes-to-pandas,这是十分钟搞定pandas 10 minutes in pandas的中文翻译。
  • 二、《pandas练习题》:Pandas_Exercises,这个是pandas的练习题。
  • 三、《pandas入门教程-2天学会pandas》:pandas_beginner
  • 四、《pandas五十题》:pandas50

目录名称: 4.scipy

  • scipy基础:scipy的示例代码

目录名称: 5.data-visualization

数据可视化基础:这里有2个代码练习

  • 一、matplotlib学习之基本使用
  • 二、数据可视化的利器-Seaborn简易入门

第三部分,机器学习基础

目录名称:6.scikit-learn

scikit-learn基础:PyParis 2018: Machine learning using scikit-learn的代码翻译(截图如下:)

图:代码截图

目录名称:7.machine-learning

机器学习入门,推荐4份教程,着重推荐1、2部分。

  • 一、斯坦福大学2014(吴恩达)机器学习教程中文笔记及资源 内容介绍(点击查看文章
  • 二、李航《统计学习方法》的代码实现 内容介绍(点击查看文章
  • 三、周志华老师的《机器学习》的解答--南瓜书PumpkinBook 内容介绍(点击查看文章
  • 四、台大林轩田《机器学习基石》系列课程教材的习题解答 内容介绍(点击查看文章

目录名称:8.deep-learning

深度学习入门,推荐3份教程

目录名称:9.feature-engineering

特征工程入门,这个是项目实战部分。

参考

  • 《统计学习方法》李航
  • https://github.com/donnemartin/data-science-ipython-notebooks
  • https://github.com/apachecn/feature-engineering-for-ml-zh
  • https://github.com/datawhalechina/pumpkin-book
  • https://github.com/Doraemonzzz/Learning-from-data
  • https://github.com/wzyonggege/statistical-learning-method
  • https://github.com/WenDesi/lihang_book_algorithm
  • https://www.coursera.org/course/ml
  • https://mooc.guokr.com/note/12/ 小小人_V
  • https://www.deeplearning.ai
  • 《python科学计算》

总结

本文提供了适合初学者入门AI的路线及资料下载,以上内容都整合到一个仓库:

仓库链接:

https://github.com/fengdu78/Data-Science-Notes

本文分享自微信公众号 - 机器学习初学者(ai-start-com),作者:机器学习初学者

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-01-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 复现经典:《统计学习方法》第13章 无监督学习概论

    无监督学习是指从无标注数据中学习模型的机器学习问题。无标注数据是自然得到的数据,模型表示数据的类别、转换或概率无监督学习的本质是学习数据中的统计规律或潜在结构,...

    黄博的机器学习圈子
  • Github标星8.3k+,Tensorflow 2.0的代码实现及教学材料(“龙书”)公布下载了!

    https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book

    黄博的机器学习圈子
  • 注册不到两年半Github标星39k+,吴恩达、李航老师的作品的笔记和代码实现

    吴恩达老师的机器学习课程个人笔记、翻译的字幕(含视频)、复现的 python 代码等,同时笔记的 word 和 markdown 文件也开源了。

    黄博的机器学习圈子
  • AI与深度学习重点回顾:Denny Britz眼中的2017

    【导读】近日,博客WILDML的作者Denny Britz把他眼中的2017年AI和深度学习的大事进行了一番梳理和总结:从AlphaGo的自主学习到AlphaG...

    WZEARW
  • 新年快乐!这是份值得收藏的2017年AI与深度学习要点大全

    若朴 夏乙 编译自 WILDML 量子位 出品 | 公众号 QbitAI 2017已经正式离我们远去。 过去的一年里,有很多值得梳理记录的内容。博客WILDML...

    量子位
  • 配置化真正给你解决了多少问题?

    最近在写PPT,也看了很多PPT,作为技术人员,PPT的内容无外乎围绕于解决业务复杂度,解决系统复杂度,解决三高问题,解决研发效率问题,再加个降本增效,这几个点...

    春哥大魔王
  • 【NIPS2017最新Tutorial】几何深度学习(Geometric Deep Learning )讲解(附slide下载)

    【导读】美国时间 12 月 4 日,第 31 届神经信息处理系统大会(Neural Information Processing Systems,NIPS)在美...

    WZEARW
  • 想成为机器学习工程师?这份自学指南你值得收藏

    问耕 编译整理 量子位 出品 | 公众号 QbitAI 这篇文章的作者为Andrey Nikishaev,他既是一个软件开发者,也是一个创业者。 ? 如何成长为...

    量子位
  • 复现经典:《统计学习方法》第13章 无监督学习概论

    无监督学习是指从无标注数据中学习模型的机器学习问题。无标注数据是自然得到的数据,模型表示数据的类别、转换或概率无监督学习的本质是学习数据中的统计规律或潜在结构,...

    黄博的机器学习圈子
  • 使用 Python 分析数据得先熟悉编程概念?这个观念要改改了​

    AI 开发者按:大多数有抱负的数据科学家是通过学习为开发人员开设的编程课程开始认识 python 的,他们也开始解决类似 leetcode 网站上的 pytho...

    AI研习社

扫码关注云+社区

领取腾讯云代金券