原文来源：unsupervised methods
作者：Robbie Allen
「机器人圈」编译：嗯~阿童木呀、多啦A亮
毫无疑问，在AI领域中，机器学习涉及的面非常广，当我开始对这个主题进行深度挖掘时，我遇到了各种各样的“明细清单”，它们都简洁地列出了我所需要知道的关于这个主题的所有要点。最后，根据对各种相关资料的搜集和整理，我编写了机器学习及相关知识的超过20种以上的明细清单。这里面有些是我经常引用参考的，而且我认为其他人也会从中受益。这篇文章里面包含了我在网上发现较好的明细清单中的27个。
鉴于机器学习的发展速度非常快，清单里面的很多知识也许会过时，但对现在说来，还是很有收藏、参考价值的。（注：本文中所有图片均可点击放大）
如果你想一次性获得全部的明细清单，而不必像我一样单独一一下载，那么，你可以从我创建的压缩文件夹中获取。
（https://www.dropbox.com/s/v3yg8djhdf24g6v/UnsupervisedMethods.com%20-%20Cheat%20Sheets.zip?dl=0）
机器学习
这里有一些关于机器学习算法的有用的流程图和表格，当然，这里所包含的只是我所发现的最全面的种类。
神经网络架构
来源：
神经网络汇总
微软Azure算法流程图
来源：
微软 Azure机器学习工作室的机器学习算法明细表
SAS算法流程图
来源：
SAS：我应该使用哪种机器学习算法？
算法汇总
来源：
机器学习算法汇总
来源：
http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/?utm_source=datafloq&utm_medium=ref&utm_campaign=datafloq
哪一种机器学习算法是最好的
算法对比
来源：
Python
意料之中的是，Python也有很多可用的在线来源。因此在这一节中，清单里面所包含是我遇到过的最好的各种来源。
算法
来源：
Python基础
来源：
来源：
https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Numpy
来源：
来源：
来源：
https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
来源：
Pandas
来源：
来源：
https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
来源：
Matplotlib
来源：
来源：
Scikit Learn
来源：
https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
来源：
来源：
Tensorflow
来源：
Pytorch
来源：
数学
如果你想真正地理解机器学习，你需要有扎实的统计学（尤其是概率论）知识基础，线性代数以及微积分基础。我在上大学的时候学的是数学专业，但是我肯定还是需要对这些数学知识进行复习。如果你想理解常用机器学习算法背后的数学原理，那么下面的这些明细清单将会是你需要的。
概率论
来源：
概率论明细清单v2.0
线性代数
来源：
论文四页纸中所阐述的线性代数
统计学
来源：
http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
统计学明细清单
微积分
来源：
http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
微积分明细清单
联系客服
