Github 高赞机器学习路线

机器学习路线 链接：https://pan.baidu.com/s/1maiXkb75HqP__gzYACuHQg 
提取码：7ljr 
 

 

GitHub上一份机器学习完整路线引起了广泛关注，在短短的十个小时里已经收获了一千多个点赞。刚博士毕业的在一家AI创业公司工作的Giacomo回顾了自己三四年间学习机器学习的心路历程，毫无保留的分享出自己收藏的各种学习资源，工程，工具，awosome集合，教程以及各种实践经验。

 

GitHub链接：

https://github.com/clone95/Machine-Learning-Study-Path-March-2019/tree/master/Career%20Paths/Machine%20Learning%20Engineer%20Career%20Path

整个机器学习完整路线图被分为四个部分：

 

预备知识

• Python

• Jupyter Notebook

• The Math you need

• The Machine Learning landscape

 

 基于Scikit-Learn的机器学习

• Why Scikit-Learn?

• End-to-End Machine Learning project

• Linear Regression

• Classification

• Training models

• Support Vector Machines

• Decision Trees

• Ensemble Learning and Random Forest

• Unsupervised Learning --- new

• Wrapping up and looking forward

 

基于TensorFlow的机器学习

• Why TensorFlow?

• Up and Running with TensorFlow

• ANN - Artificial Neural Networks

• CNN - Convolutional Neural Networks

• RNN - Recurrent Neural Networks

• Training Networks: Best practices

• AutoEncoders

• Reinforcement Learning

• Next steps

 

实用工具

• Machine Learning Projects

• Data Science Tools

• Blogs / Youtube Channels / Websites worth taking a look!

 

该项目旨在为机器学习入门提供完整而有机的学习途径。您将理解TensorFlow和Scikit-Learn这两种理论，并能够通过实际项目将其应用于实践中。掌握它们不需要任何先前的知识，但对编程和高中数学有一定的基础是理解和实现机器学习概念所必需的。我强烈建议购买这本书：OreillY的“Hands-On Machine Learning with Scikit-Learn and TensorFlow”，它激发了我的灵感并推动了下面列出的大部分内容的组织和层次结构。

 

除此之外，这里列出的所有内容都是开源和免费的，其中大部分来自世界知名大学和开源协会。并且详细记录了各个部分的网址链接。

 

该路线推荐图书及代码下载地址

https://github.com/RedstoneWill/Hands-On-Machine-Learning-with-Sklearn-TensorFlow