本文主要向大家介绍了机器学习入门之27个机器学习的小抄你值得收藏，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

机器学习领域的变化是日新月异的，我想这些可能很快就会过时，但是至少在目前，它们还是很潮的。
机器学习
这里有一些有用的流程图和机器学习算法表，我只包括了我所发现的最全面的几个。
神经网络架构
来源： //www.asimovinstitute.org/neural-network-zoo/

神经网络公园
微软 Azure 算法流程图
来源： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
 
用于微软 Azure 机器学习工作室的机器学习算法
SAS 算法流程图
来源： //blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
 
SAS：我应该使用哪个机器学习算法?
算法总结
来源： //machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
 
机器学习算法指引
来源： //thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
 
已知的机器学习算法哪个最好?
算法优劣
来源： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
 
 
Python
自然而然，也有许多在线资源是针对 Python 的，这一节中，我仅包括了我所见过的最好的那些小抄。
算法
来源： https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
 
Python 基础
来源： //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： //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： //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 军训心得
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： https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
 
来源： //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
如果你希望了解机器学习，那你就需要彻底地理解统计学(特别是概率)、线性代数和一些微积分。我在本科时辅修了数学，但是我确实需要复习一下了。这些小抄提供了机器学习算法背后你所需要了解的大部分数学知识。
概率
来源： //www.wzchen.com/s/probability_cheatsheet.pdf
 
概率小抄 2.0
线性代数
来源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
 
四页内解释线性代数
统计学
来源： //web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
 
统计学小抄
微积分
来源： //tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
 
微积分小抄

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！