实用集锦：小白和大神都可用的5个机器学习资源！

这篇文章介绍了5个具有魔力的实用机器学习资源，涵盖了机器学习的基本知识，以及从零开始编码算法和使用特定的深度学习框架。

出于一些理由，许多最优质的机器学习教育资源往往非常注重理论，特别是刚刚开始的时候。然而，似乎从一开始就是一个渐渐趋于实际的趋势，理论与实践不断混合，这篇文章就介绍了这样实用的5个机器学习资源，涵盖了机器学习的基础知识，以及各种框架等。

希望在机器学习方面有所收获的人，你一定要看看！

从Kaggler Kaan Can，这第一个资源作为开始吧。

在本教程中，不打算向各位介绍如何学习机器学习，这里将解释自己如何学习一些东西。

本教程直接切入重点，可以直接使用Python库实现机器学习算法。它还涵盖了一些数据清理和操作，以及在进入建模之前，一些数据库的数据可视化。

这是Sebastian Raschka和Vahid Mirjalili的著作《Python机器学习》（第二版）的代码，但请注意：

这些只是这本书附带的代码示例。如果没有公式和描述性文字，这些笔记本可能没有任何用处。尽管如此，当与本书第一版中的类似材料配对时，这些代码可能是一组有用的资源。

从使用现有的库到实现机器学习模型，这个Github存储库从头开始保存Python实现的大量机器学习算法（因此名称）。虽然不是工业级的，而且缺乏Scikit-learn等优秀库的一致性、优化和便利性，这些实现很容易遵循，当想要实现自己的算法或更好地学习它们的功能，这些材料就是一组很棒的学习材料了。

不得不说，Python确实实现了一些基本的机器学习模型和算法。

这个项目的目的不是要产生尽可能优化和计算效率高的算法，而是要以透明和可访问的方式来展示它们的内部运作。

这是一本关于深度学习的交互式书籍，这本在线书籍做了两件事：它向读者介绍了机器学习的基础知识和深度学习理论，并可以让他们用大量的代码来实现自己的思想。具体而言，本书的代码是用Python编写的，并使用MXNet库及其高级别的Gluon API。

这个repo包含一个增量序列的笔记本，旨在教授深度学习、Apache MXNet（孵化）、 gluon interface。而我们的目标是利用Jupyter笔记本电脑的优势，将散文、图形、方程式和代码一起呈现在一个地方。如果成功了，结果将成为一个资源，可以同时成为一本书、课程材料、现场教程的道具，以及有用的代码资源。

大约一年半以前，fast.ai刚刚推出了实用的深度学习MOOC。 乍一看最明显的变化是，MOOC现在正在使用PyTorch和他们自己的fast.ai高级深度学习框架。