mirror of
https://github.com/LCTT/TranslateProject.git
synced 2024-12-26 21:30:55 +08:00
334 lines
23 KiB
Markdown
334 lines
23 KiB
Markdown
机器学习实践指南
|
||
============================================================
|
||
|
||
|
||
|
||
你可能在各种应用中听说过<ruby>机器学习<rt>machine learning</rt></ruby>（ML），比如垃圾邮件过滤、光学字符识别（OCR）和计算机视觉。
|
||
|
||
开启机器学习之旅是一个涉及多方面的漫长旅途。对于新手，有很多的书籍，有学术论文，有指导练习，有独立项目。在这些众多的选择里面，很容易迷失你最初想学习的目标。
|
||
|
||
所以在今天的文章中，我会列出 7 个步骤（和 50 多个资源）帮助你开启这个令人兴奋的计算机科学领域的大门，并逐渐成为一个机器学习高手。
|
||
|
||
请注意，这个资源列表并不详尽，只是为了让你入门。 除此之外，还有更多的资源。
|
||
|
||
### 1、 学习必要的背景知识
|
||
|
||
你可能还记得 DataCamp 网站上的[学习数据科学][77]这篇文章里面的信息图：数学和统计学是开始机器学习（ML）的关键。 基础可能看起来很容易，因为它只有三个主题。 但不要忘记这些实际上是三个广泛的话题。
|
||
|
||
在这里需要记住两件非常重要的事情：
|
||
|
||
- 首先，你一定会需要一些进一步的指导，以了解开始机器学习需要覆盖哪些知识点。
|
||
- 其次，这些是你进一步学习的基础。 不要害怕花时间，有了这些知识你才能构建一切。
|
||
|
||
第一点很简单：学习线性代数和统计学是个好主意。这两门知识是必须要理解的。但是在你学习的同时，也应该尝试学习诸如最优化和高等微积分等主题。当你越来越深入 ML 的时候，它们就能派上用场。
|
||
|
||
如果是从零开始的，这里有一些入门指南可供参考：
|
||
|
||
* [Khan 学院][1] 对于初学者是非常好的资源，可以考虑学习他们的线性代数和微积分课程。
|
||
* 在 [麻省理工学院 OpenCourseWare][2] 网站上学习[线性代数][3] 课程。
|
||
* [Coursera course][4] 网站上对描述统计学、概率论和推论统计学的介绍内容。
|
||
|
||
|
||
|
||
*统计学是学习 ML 的关键之一*
|
||
|
||
如果你更多喜欢阅读书籍，请参考以下内容：
|
||
|
||
* <ruby>[线性代数及其应用][5]<rt>Linear Algebra and Its Applications</rt></ruby>
|
||
* <ruby>[应用线性代数][6]<rt>Applied Linear Algebra</rt></ruby>
|
||
* <ruby>[线性代数解决的 3000 个问题][7]<rt>3,000 Solved Problems in Linear Algebra</rt></ruby>
|
||
* [麻省理工学院在线教材][8]
|
||
|
||
然而，在大多数情况下，你已经对统计学和数学有了一个初步的了解。很有可能你已经浏览过上面列举的的那些资源。
|
||
|
||
在这种情况下，诚实地回顾和评价你的知识是一个好主意，是否有一些领域是需要复习的，或者现在掌握的比较好的？
|
||
|
||
如果你一切都准备好了，那么现在是时候使用 R 或者 Python 应用这些知识了。作为一个通用的指导方针，选择一门语言开始是个好主意。另外，你仍然可以将另一门语言加入到你的技能池里。
|
||
|
||
为什么这些编程知识是必需的？
|
||
|
||
嗯，你会看到上面列出的课程（或你在学校或大学学习的课程）将为你提供关于数学和统计学主题的更理论性的介绍（而不是应用性的）。 然而，ML 非常便于应用，你需要能够应用你所学到的所有主题。 所以最好再次复习一遍之前的材料，但是这次需要付诸应用。
|
||
|
||
如果你想掌握 R 和 Python 的基础，可以看以下课程：
|
||
|
||
* DataCamp 上关于 Python 或者 R 的介绍性课程： [Python 语言数据科学介绍][9] 或者 [R 语言编程介绍][10]。
|
||
* Edx 上关于 Python 或者 R 的介绍性课程： [Python 语言数据科学介绍][11] 和 [R 语言数据科学介绍][12]。
|
||
* 还有很多其他免费的课程。查看 [Coursera][13] 或者 [Codeacademy][14] 了解更多。
|
||
|
||
当你打牢基础知识后，请查看 DataCamp 上的博客 [Python 统计学：40+ 数据科学资源][78]。 这篇文章提供了统计学方面的 40 多个资源，这些资源都是你开始数据科学（以及 ML）需要学习的。
|
||
|
||
还要确保你查看了关于向量和数组的 [这篇 SciPy 教程][79]文章，以及使用 Python 进行科学计算的[研讨会][80]。
|
||
|
||
要使用 Python 和微积分进行实践，你可以了解下 [SymPy 软件包][81]。
|
||
|
||
### 2、 不要害怕在 ML 的“理论”上浪费时间
|
||
|
||
很多人并不会花很多精力去浏览理论材料，因为理论是枯燥的、无聊的。但从长远来看，在理论知识上投入时间是至关重要的、非常值得的。 你将会更好地了解机器学习的新进展，也能和背景知识结合起来。 这将有助于你保持学习积极性。
|
||
|
||
此外，理论并不会多无聊。 正如你在介绍中所看到的，你可以借助非常多的资料深入学习。
|
||
|
||
书籍是吸收理论知识的最佳途径之一。 它们可以让你停下来想一会儿。 当然，看书是一件非常平静的事情，可能不符合你的学习风格。 不过，请尝试阅读下列书籍，看看它是否适合你：
|
||
|
||
* <ruby>[机器学习教程][15]<rt>Machine Learning textbook</rt></ruby>， Tom Mitchell 著，书可能比较旧，但是却很经典。这本书很好的解释介绍了机器学习中最重要的课题，步骤详尽，逐层深入。
|
||
* <ruby>机器学习: 使数据有意义的算法艺术和科学<rt>Machine Learning: The Art and Science of Algorithms that Make Sense of Data</rt></ruby>（你可以在[这里][16]看到这本书的幻灯片版本）：这本书对初学者来说非常棒。 里面讨论了许多实践中的应用程序，其中有一些是在 Tom Mitchell 的书中缺少的。
|
||
* <ruby>[机器学习之向往][17]<rt>Machine Learning Yearning</rt></ruby> ：这本书由<ruby>吴恩达<rt>Andrew Ng</rt></ruby>编写的，仍未完本，但对于那些正在学习 ML 的学生来说，这一定是很好的参考资料。
|
||
* <ruby>[算法与数据结构][18]<rt>Algorithms and Data Structures</rt></ruby> 由 Jurg Nievergelt 和 Klaus Hinrichs 著。
|
||
* 也可以参阅 Matthew North 的<ruby>[面向大众的数据挖掘][19]<rt>Data Mining for the Masses</rt></ruby>。 你会发现这本书引导你完成一些最困难的主题。
|
||
* <ruby>[机器学习介绍][20]<rt>Introduction to Machine Learning</rt></ruby> 由 Alex Smola 和 S.V.N. Vishwanathan 著。
|
||
|
||
|
||
|
||
*花些时间看书并研究其中涵盖的资料*
|
||
|
||
视频和慕课对于喜欢边听边看来学习的人来说非常棒。 慕课和视频非常的多，多到可能你都很难找到适合你的。 下面列出了最知名的几个：
|
||
|
||
* [这个著名的机器学习慕课][21]，是<ruby>吴恩达<rt>Andrew Ng</rt></ruby>讲的，介绍了机器学习及其理论。 别担心，这个慕课讲的非常好，一步一步深入，所以对初学者来说非常适用。
|
||
* [麻省理工学院 Open Courseware 的 6034 课程的节目清单][22]，已经有点前沿了。 在你开始本系列之前，你需要做一些 ML 理论方面的准备工作，但是你不会后悔的。
|
||
|
||
在这一点上，重要的是要将各种独立的技术融会贯通，形成整体的结构图。 首先了解关键的概念：<ruby>监督学习<rt>supervised learning</rt></ruby>和<ruby>无监督学习<rt>unsupervised learning</rt></ruby>的区别、分类和回归等。 手动（书面）练习可以派上用场，能帮你了解算法是如何工作的以及如何应用这些算法。 在大学课程里你经常会找到一些书面练习，可以看看波特兰州立大学的 [ML 课程][82]。
|
||
|
||
### 3、 开始动手
|
||
|
||
通过看书和看视频了解理论和算法都非常好，但是需要超越这一阶段，就要开始做一些练习。你要学着去实现这些算法，应用学到的理论。
|
||
|
||
首先，有很多介绍 Python 和 R 方面的机器学习的基础知识。当然最好的方法就是使用交互式教程：
|
||
|
||
* [Python 机器学习：Scikit-Learn 教程][23]，在这篇教程里面，你可以学到使用 Scikit-Learn 构建模型的 KMeans 和支持向量机（SVM）相关的知名算法。
|
||
* [给初学者的 R 语言机器学习教程][24] 用 R 中的类和 caret 包介绍机器学习。
|
||
* [Keras 教程：Python 深度学习[25] 涵盖了如何一步一步的为分类和回归任务构建多层感知器（MLP）。
|
||
|
||
还请查看以下静态的（非互动的）教程，这些需要你在 IDE 中操作：
|
||
|
||
* [循序渐进：Python 机器学习][26]： 一步一步地学习 Scikit-Learn。
|
||
* [循序渐进：使用 Keras 开发你的第一个神经网络][27]： 按这个教程一步一步地使用 Keras 开发你的第一个神经网络。
|
||
* 你可以考虑看更多的教程，但是[机器学习精要][28]这篇教程是非常好的。
|
||
|
||
除了教程之外，还有一些课程。参加课程可以帮助你系统性地应用学到的概念。 经验丰富的导师很有帮助。 以下是 Python 和机器学习的一些互动课程：
|
||
|
||
* [用 scikit-learn 做监督学习][29]： 学习如何构建预测模型，调整参数，并预测在未知数据上执行的效果。你将使用 Scikit-Learn 操作真实世界的数据集。
|
||
* [用 Python 做无监督学习][30]： 展示给你如何从未标记的数据集进行聚类、转换、可视化和提取关键信息。 在课程结束时，还会构建一个推荐系统。
|
||
* [Python 深度学习][31]： 你将获得如何使用 Keras 2.0 进行深度学习的实践知识，Keras 2.0 是前沿的 Python 深度学习库 Keras 的最新版本。
|
||
* [在 Python 中应用机器学习][32]： 将学习者引入到机器学习实践中，更多地关注技术和方法，而不是这些方法背后的统计学知识。
|
||
|
||
|
||
|
||
*理论学习之后，花点时间来应用你所学到的知识。*
|
||
|
||
对于那些正在学习 R 语言机器学习的人，还有这些互动课程：
|
||
|
||
* [机器学习介绍][33] 可以让你宏观了解机器学习学科最常见的技术和应用，还可以更多地了解不同机器学习模型的评估和训练。这门课程剩下的部分重点介绍三个最基本的机器学习任务： 分类、回归和聚类。
|
||
* [R 语言无监督学习][34] ，用 R 语言从 ML 角度提供聚类和降维的基本介绍。 可以让你尽快获得数据的关键信息。
|
||
* [实操机器学习][35]涵盖了构建和应用预测功能的基本组成部分，其重点是实际应用。
|
||
|
||
最后，还有很多书籍以偏向实践的方式介绍了 ML 主题。 如果你想借助书籍内容和 IDE 来学习，请查看这些书籍：
|
||
|
||
* <ruby>[Python 机器学习][36]<rt>Python Machine Learning Book</rt></ruby>，Sebastian Raschka 著。
|
||
* <ruby>[人工神经网络与深度学习导论：Python 应用实用指南][37]<rt>Introduction to Artificial Neural Networks and Deep Learning: A Practical Guide with Applications in Python</rt></ruby>，Sebastian Raschka 著。
|
||
* <ruby>[R 语言机器学习][38]<rt>Machine Learning with R</rt></ruby>，Brett Lantz 著。
|
||
|
||
### 4、 练习
|
||
|
||
实践比使用 Python 进行练习和修改材料更重要。 这一步对我来说可能是最难的。 在做了一些练习后看看其他人是如何实现 ML 算法的。 然后，开始你自己的项目，阐述你对 ML 算法和理论的理解。
|
||
|
||
最直接的方法之一就是将练习的规模做得更大些。 要做一个更大的练习，就需要你做更多的数据清理和功能工程。
|
||
|
||
- 从 [Kaggle][39] 开始。 如果你需要额外的帮助来征服所谓的“数据恐惧”，请查看 [Kaggle 的 Python 机器学习教程][40] 和 [Kaggle 的 R 语言机器学习教程][41]。 这些将带给您快速的提升。
|
||
- 此后，你也可以自己开始挑战。 查看这些网站，您可以在其中找到大量的 ML 数据集：[UCI 机器学习仓库][42]，[用于机器学习的公开数据集][43] 和 [data.world][44]。
|
||
|
||
|
||
|
||
*熟能生巧。*
|
||
|
||
### 5、 项目
|
||
|
||
虽然做一些小的练习也不错，但是在最后，您需要做一个项目，可以在其中展示您对使用到的 ML 算法的理解。
|
||
|
||
最好的练习是实现你自己的 ML 算法。 您可以在以下页面中阅读更多关于为什么您应该做这样的练习，以及您可以从中学到什么内容：
|
||
|
||
- [为什么有许多先进的 API，比如 tensorflow，还需要自己手动实现机器学习的算法？][45]
|
||
- [为什么要从头开始实现机器学习算法？][46]
|
||
- [使用 Python 从头开始实现一个分类器，我能从中学到什么？][47]
|
||
|
||
接下来，您可以查看以下文章和仓库。 可以从中获得一些灵感，并且了解他们是如何实现 ML 算法的。
|
||
|
||
- [如何实现机器学习算法][48]
|
||
- [从头开始学习机器学习][49]
|
||
- [从头开始学习机器学习算法][50]
|
||
|
||
|
||
|
||
*开始时项目可能会很难，但是可以极大增加你的理解。*
|
||
|
||
### 6、 不要停止
|
||
|
||
对 ML 的学习永远不能停止，即使你在这个领域工作了十年，总是有新的东西要学习，许多人都将会证实这一点。
|
||
|
||
例如，ML 趋势，比如<ruby>深度学习<rt>deep learning</rt></ruby>现在就很受欢迎。你也可以专注于那些现在不怎么火，但是将来会火的话题上。如果你想了解更多，可以看看[这个有趣的问题和答案][83]。
|
||
|
||
当你苦恼于掌握基础知识时，你最先想到的可能不是论文。 但是它们是你紧跟最新研究的一个途径。 论文并不适合刚刚开始学习的人，但是绝对适合高级人员。
|
||
|
||
- [20 篇最新的机器学习和深度学习领域的顶级研究论文][51]
|
||
- [机器学习研究杂志][52]
|
||
- [优秀的深度学习论文][53]
|
||
- [机器学习的一些最好的研究论文和书籍][54]
|
||
|
||
其他技术也是需要考虑的。 但是当你刚开始学习时，不要担心这些。 例如，您可以专注于 Python 或 R 语言 （取决于你已经知道哪一个），并把它到你的技能池里。 你可以通过这篇文章来查找一些感兴趣的资源。
|
||
|
||
如果您还想转向大数据，您可以考虑研究 Spark。 这里有一些有趣的资源：
|
||
|
||
* [在 R 语言中使用 sparklyr 来了解 Spark][55]
|
||
* [Spark 数据科学与工程][56]
|
||
* [介绍 Apache Spark][57]
|
||
* [Apache Spark 分布式机器学习][58]
|
||
* [用 Apache Spark 进行大数据分析][59]
|
||
* [初学者指南：用 Python 操作 Apache Spark][60]
|
||
* [PySpark RDD 速查表][61]
|
||
* [PySpark SQL 速查表][62]
|
||
|
||
其他编程语言，比如 Java、JavaScript、C 和 C++ 在 ML 中越来越重要。 从长远来看，您可以考虑将其中一种语言添加到学习列表中。 你可以使用这些博客文章来指导你选择：
|
||
|
||
* [机器学习和数据科学最流行的编程语言][63]
|
||
* [机器学习和数据科学最流行的语言是...][64]
|
||
|
||
|
||
|
||
*学无止境。*
|
||
|
||
### 7、 利用一切可以利用的资源
|
||
|
||
机器学习是一个充满难度的话题，有时候可能会让你失去动力。 或者也许你觉得你需要点改变。 在这种情况下，请记住，有很多资源可以让你打消掉这种想法。 查看以下资源：
|
||
|
||
**播客**是可以让你继续你的 ML 旅程，紧跟这个领域最新的发展的伟大资源：
|
||
|
||
* [谈论机器][65]
|
||
* [数据怀疑论者][66]
|
||
* [线性化][67]
|
||
* [本周的机器学习及 AI][68]
|
||
* [机器学习 101][69]
|
||
|
||
当然，还有更多的播客。
|
||
|
||
**文档和软件包源代码**是深入了解 ML 算法的实现的两种方法。 查看这些仓库：
|
||
|
||
* [Scikit-Learn][70]：知名的 Python ML 软件包
|
||
* [Keras][71]： Python 深度学习软件包
|
||
* [caret][72]： 非常受欢迎的用于分类和回归训练 R 软件包
|
||
|
||
**可视化**是深入 ML 理论的最新也是最流行的方式之一。 它们对初学者来说非常棒，但对于更高级的学习者来说也是非常有趣的。 你肯定会被下面这些可视化资源所吸引，它们能让你更加了解 ML 的工作原理：
|
||
|
||
- [机器学习的可视化介绍][73]
|
||
- [Distill][74] 使 ML 研究清晰，动态和生动。
|
||
- 如果你想玩下神经网络架构，可以看下 [Tensorflow - 神经网络游乐场][75]。
|
||
- 更多的看这里：[机器学习算法最佳的可视化方法是什么？][76]
|
||
|
||
|
||
|
||
*学习中的一些变化更加能激励你。*
|
||
|
||
### 现在你可以开始了
|
||
|
||
现在一切都取决于你自己了。学习机器学习是一个持续的过程，所以开始的越早就会越好。 运用你手边的一切工具开始吧。 祝你好运，并确保让我们知道你的进步。
|
||
|
||
_这篇文章是我基于 Quora 问题（[小白该如何开始机器学习][84]）给出的答案。_
|
||
|
||
--------------------------------------------------------------------------------
|
||
作者简介：
|
||
|
||
Karlijn Willems，数据科学记者
|
||
|
||
-----------------------
|
||
|
||
via: https://medium.freecodecamp.org/how-machines-learn-a-practical-guide-203aae23cafb
|
||
|
||
作者：[Karlijn Willems][a]
|
||
译者：[Flowsnow](https://github.com/Flowsnow)
|
||
校对：[wxy](https://github.com/wxy)
|
||
|
||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||
|
||
[a]:https://medium.freecodecamp.org/@kacawi
|
||
[1]:http://www.khanacademy.org/
|
||
[2]:https://ocw.mit.edu/index.htm
|
||
[3]:https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/
|
||
[4]:https://www.coursera.org/learn/basic-statistics
|
||
[5]:https://www.amazon.com/Linear-Algebra-Its-Applications-4th/dp/0030105676
|
||
[6]:https://www.amazon.com/Applied-Linear-Algebra-3rd-Noble/dp/0130412600
|
||
[7]:https://www.amazon.de/Solved-Problems-Linear-Algebra-Schaums/dp/0070380236
|
||
[8]:https://ocw.mit.edu/courses/online-textbooks/
|
||
[9]:https://www.datacamp.com/courses/intro-to-python-for-data-science
|
||
[10]:https://www.datacamp.com/courses/free-introduction-to-r
|
||
[11]:https://www.edx.org/course/introduction-python-data-science-microsoft-dat208x-5
|
||
[12]:https://www.edx.org/course/introduction-r-data-science-microsoft-dat204x-4
|
||
[13]:http://www.coursera.org/
|
||
[14]:https://www.codecademy.com/
|
||
[15]:http://www.cs.cmu.edu/~tom/mlbook.html
|
||
[16]:http://www.cs.bris.ac.uk/~flach/mlbook/materials/mlbook-beamer.pdf
|
||
[17]:http://www.mlyearning.org/
|
||
[18]:https://www.amazon.com/Algorithms-Data-Structures-Applications-Practitioner/dp/0134894286
|
||
[19]:https://www.amazon.com/Data-Mining-Masses-Matthew-North/dp/0615684378
|
||
[20]:http://alex.smola.org/drafts/thebook.pdf
|
||
[21]:https://www.coursera.org/learn/machine-learning
|
||
[22]:https://youtu.be/TjZBTDzGeGg?list=PLnvKubj2-I2LhIibS8TOGC42xsD3-liux
|
||
[23]:https://www.datacamp.com/community/tutorials/machine-learning-python
|
||
[24]:https://www.datacamp.com/community/tutorials/machine-learning-in-r
|
||
[25]:https://www.datacamp.com/community/tutorials/deep-learning-python
|
||
[26]:http://machinelearningmastery.com/machine-learning-in-python-step-by-step/
|
||
[27]:http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/
|
||
[28]:http://www.machinelearningmastery.com/
|
||
[29]:https://www.datacamp.com/courses/supervised-learning-with-scikit-learn
|
||
[30]:https://www.datacamp.com/courses/unsupervised-learning-in-python
|
||
[31]:https://www.datacamp.com/courses/deep-learning-in-python
|
||
[32]:https://www.coursera.org/learn/python-machine-learning
|
||
[33]:https://www.datacamp.com/courses/introduction-to-machine-learning-with-r
|
||
[34]:https://www.datacamp.com/courses/unsupervised-learning-in-r
|
||
[35]:https://www.coursera.org/learn/practical-machine-learning
|
||
[36]:https://github.com/rasbt/python-machine-learning-book
|
||
[37]:https://github.com/rasbt/deep-learning-book
|
||
[38]:https://books.google.be/books/about/Machine_Learning_with_R.html?id=ZQu8AQAAQBAJ&amp;amp;amp;amp;amp;source=kp_cover&amp;amp;amp;amp;amp;redir_esc=y
|
||
[39]:http://www.kaggle.com/
|
||
[40]:https://www.datacamp.com/community/open-courses/kaggle-python-tutorial-on-machine-learning
|
||
[41]:https://www.datacamp.com/community/open-courses/kaggle-tutorial-on-machine-learing-the-sinking-of-the-titanic
|
||
[42]:http://archive.ics.uci.edu/ml/
|
||
[43]:http://homepages.inf.ed.ac.uk/rbf/IAPR/researchers/MLPAGES/mldat.htm
|
||
[44]:https://data.world/
|
||
[45]:https://www.quora.com/Why-is-there-a-need-to-manually-implement-machine-learning-algorithms-when-there-are-many-advanced-APIs-like-tensorflow-available
|
||
[46]:http://www.kdnuggets.com/2016/05/implement-machine-learning-algorithms-scratch.html
|
||
[47]:http://www.jeannicholashould.com/what-i-learned-implementing-a-classifier-from-scratch.html
|
||
[48]:http://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/
|
||
[49]:https://github.com/eriklindernoren/ML-From-Scratch
|
||
[50]:https://github.com/madhug-nadig/Machine-Learning-Algorithms-from-Scratch
|
||
[51]:http://www.kdnuggets.com/2017/04/top-20-papers-machine-learning.html
|
||
[52]:http://www.jmlr.org/
|
||
[53]:https://github.com/terryum/awesome-deep-learning-papers
|
||
[54]:https://www.quora.com/What-are-some-of-the-best-research-papers-books-for-Machine-learning
|
||
[55]:https://www.datacamp.com/courses/introduction-to-spark-in-r-using-sparklyr
|
||
[56]:https://www.edx.org/xseries/data-science-engineering-apache-spark
|
||
[57]:https://www.edx.org/course/introduction-apache-spark-uc-berkeleyx-cs105x
|
||
[58]:https://www.edx.org/course/distributed-machine-learning-apache-uc-berkeleyx-cs120x
|
||
[59]:https://www.edx.org/course/big-data-analysis-apache-spark-uc-berkeleyx-cs110x
|
||
[60]:https://www.datacamp.com/community/tutorials/apache-spark-python
|
||
[61]:https://www.datacamp.com/community/blog/pyspark-cheat-sheet-python
|
||
[62]:https://www.datacamp.com/community/blog/pyspark-sql-cheat-sheet
|
||
[63]:https://fossbytes.com/popular-top-programming-languages-machine-learning-data-science/
|
||
[64]:http://www.kdnuggets.com/2017/01/most-popular-language-machine-learning-data-science.html
|
||
[65]:http://www.thetalkingmachines.com/
|
||
[66]:https://dataskeptic.com/
|
||
[67]:http://lineardigressions.com/
|
||
[68]:https://twimlai.com/
|
||
[69]:http://www.learningmachines101.com/
|
||
[70]:https://github.com/scikit-learn/scikit-learn
|
||
[71]:http://www.github.com/fchollet/keras
|
||
[72]:http://topepo/caret
|
||
[73]:http://www.r2d3.us/visual-intro-to-machine-learning-part-1/
|
||
[74]:http://distill.pub/
|
||
[75]:http://playground.tensorflow.org/
|
||
[76]:https://www.quora.com/What-are-the-best-visualizations-of-machine-learning-algorithms
|
||
[77]:https://www.datacamp.com/community/tutorials/learn-data-science-infographic
|
||
[78]:https://www.datacamp.com/community/tutorials/python-statistics-data-science
|
||
[79]:https://www.datacamp.com/community/tutorials/python-scipy-tutorial
|
||
[80]:http://www.math.pitt.edu/~siam/workshops/python10/python.pdf
|
||
[81]:http://docs.sympy.org/latest/tutorial/calculus.html
|
||
[82]:http://web.cecs.pdx.edu/~mm/MachineLearningSpring2017/
|
||
[83]:https://www.quora.com/Should-I-quit-machine-learning
|
||
[84]:https://www.quora.com/How-does-a-total-beginner-start-to-learn-machine-learning/answer/Karlijn-Willems-1
|