最近总是有人问我，把 ApacheCN 这些资料看完一遍要用多长时间，如果你一本书一本书看的话，的确要用很长时间。但我觉得这是非常麻烦的，因为每本书的内容大部分是重复的，有些不重复的内容你也不好找。为了方便大家，我就把每本书的章节拆开，再按照知识点合并，手动整理了这个知识树。大家可以按照知识点依次学习，如果理解了一个知识点，就没必要看其余文章，直接跳到下一个就行了。
统计机器学习
基础知识
- AILearning 第1章_基础知识
- CS229 中文笔记 一、引言
- CS229 中文笔记 三、线性代数回顾
- 机器学习基石 1 -- The Learning Problem
- 机器学习基石 2 -- Learning to Answer Yes/No
- 机器学习基石 3 -- Types of Learning
- 机器学习基石 4 -- Feasibility of Learning
- 机器学习基石 6 -- Theory of Generalization
- 机器学习基石 7 -- The VC Dimension
- 机器学习基石 8 -- Noise and Error
- 机器学习基石 16 -- Three Learning Principles
- 写给人类的机器学习 一、为什么机器学习重要
- SciPyCon 2018 sklearn 教程 一、Python 机器学习简介
- SciPyCon 2018 sklearn 教程 二、Python 中的科学计算工具
- SciPyCon 2018 sklearn 教程 九、sklearn 估计器接口回顾
- SciPyCon 2018 sklearn 教程 十五、估计器流水线
- 数据科学和人工智能技术笔记 一、向量、矩阵和数组
- Sklearn 学习指南 第一章：机器学习 - 温和的介绍
线性回归/逻辑回归/softmax 回归
- AILearning 第5章_逻辑回归
- AILearning 第8章_回归
- CS229 中文笔记 二、单变量线性回归
- CS229 中文笔记 四、多变量线性回归
- CS229 中文笔记 六、逻辑回归
- DLAI 深度学习笔记 第一门课 第二周：神经网络的编程基础
- 机器学习基石 9 -- Linear Regression
- 机器学习基石 10 -- Logistic Regression
- 机器学习基石 11 -- Linear Models for Classification
- 机器学习技法 5 -- Kernel Logistic Regression
- Scikit-learn 秘籍 第二章 处理线性模型
- Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
- PythonProgramming.net 系列教程 第一部分 回归
- 写给人类的机器学习 2.1 监督学习
- 写给人类的机器学习 2.2 监督学习 II
- Python 数据分析与挖掘实战 第5章 挖掘建模
- Python 数据分析与挖掘实战 第13章 财政收入影响因素分析及预测模型
- 与 TensorFlow 的初次接触 2. TensorFlow 中的线性回归
- SciPyCon 2018 sklearn 教程 五、监督学习第一部分：分类
- SciPyCon 2018 sklearn 教程 六、监督学习第二部分：回归分析
- SciPyCon 2018 sklearn 教程 十七、深入：线性模型
- 数据科学和人工智能技术笔记 十一、线性回归
- 数据科学和人工智能技术笔记 十二、逻辑回归
- Sklearn 学习指南 第二章：监督学习
决策树/随机森林
- AILearning 第3章_决策树算法
- AILearning 第9章_树回归
- 机器学习技法 9 -- Decision Tree
- 机器学习技法 10 -- Random Forest
- Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
- 写给人类的机器学习 2.3 监督学习 III
- Python 数据分析与挖掘实战 第5章 挖掘建模
- Python 数据分析与挖掘实战 第6章 电力窃漏电用户自动识别
- SciPyCon 2018 sklearn 教程 十八、深入：决策树与森林
- 数据科学和人工智能技术笔记 十三、树和森林
- Sklearn 学习指南 第二章：监督学习
GDBT/XGBoost
朴素贝叶斯
- AILearning 第4章_朴素贝叶斯
- Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
- 数据科学和人工智能技术笔记 十六、朴素贝叶斯
- Sklearn 学习指南 第二章：监督学习
支持向量机
- AILearning 第6章_支持向量机
- AILearning 支持向量机的几个通俗理解
- CS229 中文笔记 十二、支持向量机
- 机器学习技法 1 -- Linear Support Vector Machine
- 机器学习技法 2 -- Dual Support Vector Machine
- 机器学习技法 3 -- Kernel Support Vector Machine
- 机器学习技法 4 -- Soft-Margin Support Vector Machine
- 机器学习技法 6 -- Support Vector Regression
- Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
- PythonProgramming.net 系列教程 第二部分 分类
- 写给人类的机器学习 2.2 监督学习 II
- Python 数据分析与挖掘实战 第9章 基于水色图像的水质评价
- 数据科学和人工智能技术笔记 十五、支持向量机
- Sklearn 学习指南 第二章：监督学习
K 近邻
- AILearning 第2章_K近邻算法
- Scikit-learn 秘籍 第三章 使用距离向量构建模型
- PythonProgramming.net 系列教程 第二部分 分类
- 写给人类的机器学习 2.3 监督学习 III
- SciPyCon 2018 sklearn 教程 五、监督学习第一部分：分类
- SciPyCon 2018 sklearn 教程 六、监督学习第二部分：回归分析
- 数据科学和人工智能技术笔记 十四、K 最近邻
KMeans
- AILearning 第10章_KMeans聚类
- CS229 中文笔记 十三、聚类
- Scikit-learn 秘籍 第三章 使用距离向量构建模型
- PythonProgramming.net 系列教程 第三部分 聚类
- 写给人类的机器学习 三、无监督学习
- Python 数据分析与挖掘实战 第5章 挖掘建模
- Python 数据分析与挖掘实战 第7章 航空公司客户价值分析
- Python 数据分析与挖掘实战 第8章 中医证型关联规则挖掘
- 与 TensorFlow 的初次接触 3. TensorFlow 中的聚类
- SciPyCon 2018 sklearn 教程 八、无监督学习第二部分：聚类
- TensorFlow 学习指南 三、学习
- 数据科学和人工智能技术笔记 十七、聚类
- Sklearn 学习指南 第三章：无监督学习
均值移动
层次聚类
- 写给人类的机器学习 三、无监督学习
- Python 数据分析与挖掘实战 第14章 基于基站定位数据的商圈分析
- SciPyCon 2018 sklearn 教程 二十、无监督学习：层次和基于密度的聚类算法
- 数据科学和人工智能技术笔记 十七、聚类
- Sklearn 学习指南 第三章：无监督学习
DBSCAN
高斯混合
Boosting/Bagging/Blending
AdaBoost
PCA
- AILearning 第13章_PCA降维
- AILearning 第14章_SVD简化数据
- CS229 中文笔记 十四、降维
- 写给人类的机器学习 三、无监督学习
- SciPyCon 2018 sklearn 教程 七、无监督学习第一部分：变换
- Sklearn 学习指南 第三章：无监督学习
LDA
流形学习
异常检测
Apriori/FP-growth
- AILearning 第11章_Apriori算法
- AILearning 第12章_FP-growth算法
- Python 数据分析与挖掘实战 第5章 挖掘建模
- Python 数据分析与挖掘实战 第8章 中医证型关联规则挖掘
深度学习
基础知识
MLP
- CS229 中文笔记 八、神经网络：表述
- CS229 中文笔记 九、神经网络的学习
- DLAI 深度学习笔记 第一门课 第三周：浅层神经网络
- DLAI 深度学习笔记 第一门课 第四周：深层神经网络
- 机器学习技法 12 -- Neural Network
- 机器学习技法 13 -- Deep Learning
- 机器学习技法 14 -- Radial Basis Function Network
- PythonProgramming.net 系列教程 第四部分 神经网络
- 写给人类的机器学习 四、神经网络和深度学习
- Python 数据分析与挖掘实战 第5章 挖掘建模
- Python 数据分析与挖掘实战 第6章 电力窃漏电用户自动识别
- Python 数据分析与挖掘实战 第10章 家用电器用户行为分析与事件识别
- Python 数据分析与挖掘实战 第13章 财政收入影响因素分析及预测模型
- 与 TensorFlow 的初次接触 4. TensorFlow 中的单层神经网络
- 与 TensorFlow 的初次接触 5. TensorFlow 中的多层神经网络
- TensorFlow Rager 教程 一、如何使用 TensorFlow Eager 构建简单的神经网络
- 数据科学和人工智能技术笔记 十八、Keras
CNN
- DLAI 深度学习笔记 第四门课 第一周 卷积神经网络
- DLAI 深度学习笔记 第四门课 第二周 深度卷积网络：实例探究
- TensorFlow Rager 教程 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）
RNN
- DLAI 深度学习笔记 第五门课 第一周 循环序列模型
- DLAI 深度学习笔记 第五门课 第三周 序列模型和注意力机制
- TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
- TensorFlow Rager 教程 九、用于 TensorFlow Eager 时间序列回归的递归神经网络
时间序列
- 第5章 挖掘建模
- Python 数据分析与挖掘实战 第11章 应用系统负载分析与磁盘容量预测
- TensorFlow Rager 教程 九、用于 TensorFlow Eager 时间序列回归的递归神经网络
机器视觉
- CS229 中文笔记 十八、应用实例：图片文字识别
- DLAI 深度学习笔记 第四门课 第三周 目标检测
- DLAI 深度学习笔记 第四门课 第四周 特殊应用：人脸识别和神经风格转换
- PythonProgramming.net 系列教程 图像和视频分析
- PythonProgramming.net 系列教程 TensorFlow 目标检测
- 数据科学和人工智能技术笔记 四、图像预处理
图嵌入/图的表示学习
- 图嵌入综述：问题，技术与应用 第一、二章
- 图嵌入综述：问题，技术与应用 第三章
- 图嵌入综述：问题，技术与应用 4.1 ~ 4.2
- 图嵌入综述：问题，技术与应用 4.3 ~ 4.7
- 图嵌入综述：问题，技术与应用 第五、六、七章
自然语言处理
- DLAI 深度学习笔记 第五门课 第二周 自然语言处理与词嵌入
- PythonProgramming.net 系列教程 自然语言处理教程
- PythonProgramming.net 系列教程 TensorFlow 聊天机器人
- Python 数据分析与挖掘实战 第15章 电商产品评论数据情感分析
- TensorFlow Rager 教程 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）
- TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
- SciPyCon 2018 sklearn 教程 十一、文本特征提取
- SciPyCon 2018 sklearn 教程 十二、案例学习：用于 SMS 垃圾检测的文本分类
- SciPyCon 2018 sklearn 教程 二十三、核外学习 - 用于语义分析的大规模文本分类
- 数据科学和人工智能技术笔记 五、文本预处理
强化学习
推荐系统
- AILearning 第16章_推荐系统
- CS229 中文笔记 十六、推荐系统
- 机器学习技法 15 -- Matrix Factorization
- Python 数据分析与挖掘实战 第12章 电子商务网站用户行为分析及服务推荐
- 基于深度学习的推荐系统：综述和新视角 第一、二章
- 基于深度学习的推荐系统：综述和新视角 3.1 ~ 3.3
- 基于深度学习的推荐系统：综述和新视角 3.4 ~ 3.11
预处理/特征工程
- Scikit-learn 秘籍 第一章 模型预处理
- Python 数据分析与挖掘实战 第3章 数据探索
- Python 数据分析与挖掘实战 第4章 数据预处理
- TensorFlow Rager 教程 四、文本序列到 TFRecords
- TensorFlow Rager 教程 五、如何将原始图片数据转换为 TFRecords
- TensorFlow Rager 教程 六、如何使用 TensorFlow Eager 从 TFRecords 批量读取数据
- SciPyCon 2018 sklearn 教程 三、数据表示和可视化
- SciPyCon 2018 sklearn 教程 七、无监督学习第一部分：变换
- SciPyCon 2018 sklearn 教程 十、案例学习：泰坦尼克幸存者
- SciPyCon 2018 sklearn 教程 十一、文本特征提取
- SciPyCon 2018 sklearn 教程 十九、自动特征选择
- 数据科学和人工智能技术笔记 二、数据准备
- 数据科学和人工智能技术笔记 三、数据预处理
- 数据科学和人工智能技术笔记 四、图像预处理
- 数据科学和人工智能技术笔记 五、文本预处理
- 数据科学和人工智能技术笔记 六、日期时间预处理
- 数据科学和人工智能技术笔记 七、特征工程
- 数据科学和人工智能技术笔记 八、特征选择
- 数据科学和人工智能技术笔记 十九、数据整理（上）
- 数据科学和人工智能技术笔记 十九、数据整理（下）
- 数据科学和人工智能技术笔记 二十、数据可视化
- Sklearn 学习指南 第四章：高级功能
模型评估/模型调优
- CS229 中文笔记 七、正则化
- CS229 中文笔记 十、应用机器学习的建议
- CS229 中文笔记 十一、机器学习系统的设计
- DLAI 深度学习笔记 第二门课 第一周：深度学习的实用层面
- DLAI 深度学习笔记 第二门课 第三周超参数调试，batch正则化和程序框架
- DLAI 深度学习笔记 第三门课 第一周：机器学习策略（1）
- DLAI 深度学习笔记 第三门课 第二周：机器学习策略（2）
- 机器学习基石 5 -- Training versus Testing
- 机器学习基石 13 -- Hazard of Overfitting
- 机器学习基石 14 -- Regularization
- 机器学习基石 15 -- Validation
- Scikit-learn 秘籍 第二章 处理线性模型
- Scikit-learn 秘籍 第五章 模型后处理
- TensorFlow Rager 教程 二、在 Eager 模式中使用指标
- SciPyCon 2018 sklearn 教程 四、训练和测试数据
- SciPyCon 2018 sklearn 教程 十三、交叉验证和得分方法
- SciPyCon 2018 sklearn 教程 十四、参数选择、验证和测试
- SciPyCon 2018 sklearn 教程 十六、模型评估、得分指标和处理不平衡类别
- TensorFlow 学习指南 二、线性模型
- 数据科学和人工智能技术笔记 九、模型验证
- 数据科学和人工智能技术笔记 十、模型选择
- Sklearn 学习指南 第四章：高级功能
扫一扫
1144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
