人工智能——机器学习与深度学习思维导图

3.1 Sklearn与机器学习实战

3.2 高级工具库xgboost/LightGBM与建模实战

3.3 推荐系统原理与应用

3.4 聚类算法

4 深入机器学习

4.1 贝叶斯网络

4.2 隐马可夫链HMM

4.3 主题模型LDA

5 迈入深度学习

5.1 深度学习初步

5.2 卷积神经网络与计算机视觉

5.3 循环神经网络与应用

5.4 深度学习框架与应用

---

0 综述

====

1 基本模型

======

1.1 回归

---

1.2 决策树与随机森林

---

1.3 SVM

---

1.4 最大熵与EM算法

---

2 特征工程

=======

2.1 特征工程

---

2.2 多算法组合与模型最优

---

3 工业实践

=======

3.1 Sklearn与机器学习实战

---

3.2 高级工具库xgboost/LightGBM与建模实战

---

3.3 推荐系统原理与应用

---

3.4 聚类算法

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！