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

• 一、深度学习教程中文笔记

  内容介绍（点击查看文章）

• 二、《python深度学习》的代码翻译版

  内容介绍（点击查看文章）

• 三、 强烈推荐的TensorFlow、Pytorch和Keras的样例资源

  内容介绍（点击查看文章）

目录名称：9.feature-engineering

特征工程入门，这个是项目实战部分。

• 一、面向机器学习的特征工程

  内容介绍（点击查看文章）

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

备注：公众号菜单包含了整理了一本AI小抄，非常适合在通勤路上用学习。

往期精彩回顾




2019年公众号文章精选适合初学者入门人工智能的路线及资料下载机器学习在线手册深度学习在线手册AI基础下载（第一部分）备注：加入本站微信群或者qq群，请回复“加群”加入知识星球（4500+用户，ID：92416895），请回复“知识星球”

喜欢文章，点个在看