机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。
机器学习领域的变化是日新月异的，我想这些可能很快就会过时，但是至少在目前，它们还是很潮的。
机器学习
这里有一些有用的流程图和机器学习算法表，我只包括了我所发现的最全面的几个。
神经网络架构
来源： http://www.asimovinstitute.org/neural-network-zoo/
神经网络公园
微软 Azure 算法流程图
来源： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
用于微软 Azure 机器学习工作室的机器学习算法
SAS 算法流程图
来源： http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
SAS：我应该使用哪个机器学习算法?
算法总结
来源： http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
机器学习算法指引
来源： http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
已知的机器学习算法哪个最好?
算法优劣
来源： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
自然而然，也有许多在线资源是针对 Python 的，这一节中，我仅包括了我所见过的最好的那些小抄。
算法
来源： https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Python 基础
来源： http://datasciencefree.com/python.pdf
来源： https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Numpy
来源： https://www.dataquest.io/blog/numpy-cheat-sheet/
来源： http://datasciencefree.com/numpy.pdf
来源： https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
来源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Pandas
来源： http://datasciencefree.com/pandas.pdf
来源： https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
来源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Matplotlib
来源： https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
来源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
Scikit Learn
来源： https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
来源： http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
来源： https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Tensorflow
来源： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
Pytorch
来源： https://github.com/bfortuner/pytorch-cheatsheet
数学
如果你希望了解机器学习，那你就需要彻底地理解统计学(特别是概率)、线性代数和一些微积分。我在本科时辅修了数学，但是我确实需要复习一下了。这些小抄提供了机器学习算法背后你所需要了解的大部分数学知识。
概率
来源： http://www.wzchen.com/s/probability_cheatsheet.pdf
概率小抄 2.0
线性代数
来源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
四页内解释线性代数
统计学
来源： http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
统计学小抄
微积分
来源： http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
微积分小抄   
来源：网络大数据
近期热文
广告、商业合作
请添加微信：guodongwe1991
（备注：商务合作）
继续阅读
阅读原文