機器學習(Machine Learning)有很多方面，當我開始研究學習它時，我發現了各種各樣的“小抄”，它們簡明地列出了給定主題的關鍵知識點。最終，我匯集了超過 20 篇的機器學習相關的小抄，其中一些我經常會翻閱，而另一些我也獲益匪淺。這篇文章里面包含了我在網上找到的 27 個小抄，如果你發現我有所遺漏的話，請告訴我。

機器學習領域的變化是日新月異的，我想這些可能很快就會過時，但是至少在目前，它們還是很潮的。

機器學習

這里有一些有用的流程圖和機器學習算法表，我只包括了我所發現的最全面的幾個。

神經網絡架構

來源： http://www.asimovinstitute.org/neural-network-zoo/

神經網絡公園

微軟 Azure 算法流程圖

來源： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet

用于微軟 Azure 機器學習工作室的機器學習算法

SAS 算法流程圖

來源： http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

SAS：我應該使用哪個機器學習算法?

算法總結

來源： http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

機器學習算法指引

來源： http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/

已知的機器學習算法哪個***?

算法優劣

來源： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend

Python

自然而然，也有許多在線資源是針對 Python 的，這一節中，我僅包括了我所見過的***的那些小抄。

算法

來源： https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/

Python 基礎

來源： http://datasciencefree.com/python.pdf

來源： https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA

Numpy

來源： https://www.dataquest.io/blog/numpy-cheat-sheet/

來源： http://datasciencefree.com/numpy.pdf

來源： https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE

來源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb

Pandas

來源： http://datasciencefree.com/pandas.pdf

來源： https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U

來源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb

Matplotlib

來源： https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet

來源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb

Scikit Learn

來源： https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk

來源： http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html

來源： https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb

Tensorflow

來源： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb

Pytorch

來源： https://github.com/bfortuner/pytorch-cheatsheet

數學

如果你希望了解機器學習，那你就需要徹底地理解統計學(特別是概率)、線性代數和一些微積分。我在本科時輔修了數學，但是我確實需要復習一下了。這些小抄提供了機器學習算法背后你所需要了解的大部分數學知識。

概率

來源： http://www.wzchen.com/s/probability_cheatsheet.pdf

概率小抄 2.0

線性代數

來源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf

四頁內解釋線性代數

統計學

來源： http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf

統計學小抄

微積分

來源： http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N

微積分小抄