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。