ApacheCN-人工智能知识树-v10

Special Sponsors

贡献者：飞龙

版本：v1.0

最近总是有人问我，把 ApacheCN 这些资料看完一遍要用多长时间，如果你一本书一本书看的话，的确要用很长时间。但我觉得这是非常麻烦的，因为每本书的内容大部分是重复的，有些不重复的内容你也不好找。为了方便大家，我就把每本书的章节拆开，再按照知识点合并，手动整理了这个知识树。大家可以按照知识点依次学习，如果理解了一个知识点，就没必要看其余文章，直接跳到下一个就行了。

统计机器学习

基础知识

• AILearning 第 1 章_基础知识
• CS229 中文笔记 一、引言
• CS229 中文笔记 三、线性代数回顾
• 机器学习基石 1 — The Learning Problem
• 机器学习基石 2 — Learning to Answer Yes/No
• 机器学习基石 3 — Types of Learning
• 机器学习基石 4 — Feasibility of Learning
• 机器学习基石 6 — Theory of Generalization
• 机器学习基石 7 — The VC Dimension
• 机器学习基石 8 — Noise and Error
• 机器学习基石 16 — Three Learning Principles
• 写给人类的机器学习 一、为什么机器学习重要
• SciPyCon 2018 sklearn 教程 一、Python 机器学习简介
• SciPyCon 2018 sklearn 教程 二、Python 中的科学计算工具
• SciPyCon 2018 sklearn 教程 九、sklearn 估计器接口回顾
• SciPyCon 2018 sklearn 教程 十五、估计器流水线
• 数据科学和人工智能技术笔记 一、向量、矩阵和数组
• Sklearn 学习指南 第一章：机器学习 – 温和的介绍

线性回归 / 逻辑回归 /softmax 回归

• AILearning 第 5 章_逻辑回归
• AILearning 第 8 章_回归
• CS229 中文笔记 二、单变量线性回归
• CS229 中文笔记 四、多变量线性回归
• CS229 中文笔记 六、逻辑回归
• DLAI 深度学习笔记 第一门课 第二周：神经网络的编程基础
• 机器学习基石 9 — Linear Regression
• 机器学习基石 10 — Logistic Regression
• 机器学习基石 11 — Linear Models for Classification
• 机器学习基石 12 — Nonlinear Transformation
• 机器学习技法 5 — Kernel Logistic Regression
• Scikit-learn 秘籍 第二章 处理线性模型
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• PythonProgramming.net 系列教程 第一部分 回归
• 写给人类的机器学习 2.1 监督学习
• 写给人类的机器学习 2.2 监督学习 II
• Python 数据分析与挖掘实战 第 5 章 挖掘建模
• Python 数据分析与挖掘实战 第 13 章 财政收入影响因素分析及预测模型
• 与 TensorFlow 的初次接触 2. TensorFlow 中的线性回归
• SciPyCon 2018 sklearn 教程 五、监督学习第一部分：分类
• SciPyCon 2018 sklearn 教程 六、监督学习第二部分：回归分析
• SciPyCon 2018 sklearn 教程 十七、深入：线性模型
• 数据科学和人工智能技术笔记 十一、线性回归
• 数据科学和人工智能技术笔记 十二、逻辑回归
• Sklearn 学习指南 第二章：监督学习

决策树 / 随机森林

• AILearning 第 3 章_决策树算法
• AILearning 第 9 章_树回归
• 机器学习技法 9 — Decision Tree
• 机器学习技法 10 — Random Forest
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• 写给人类的机器学习 2.3 监督学习 III
• Python 数据分析与挖掘实战 第 5 章 挖掘建模
• Python 数据分析与挖掘实战 第 6 章 电力窃漏电用户自动识别
• SciPyCon 2018 sklearn 教程 十八、深入：决策树与森林
• 数据科学和人工智能技术笔记 十三、树和森林
• Sklearn 学习指南 第二章：监督学习

GDBT/XGBoost

• 机器学习技法 11 — Gradient Boosted Decision Tree

朴素贝叶斯

• AILearning 第 4 章_朴素贝叶斯
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• 数据科学和人工智能技术笔记 十六、朴素贝叶斯
• Sklearn 学习指南 第二章：监督学习

支持向量机

• AILearning 第 6 章_支持向量机
• AILearning 支持向量机的几个通俗理解
• CS229 中文笔记 十二、支持向量机
• 机器学习技法 1 — Linear Support Vector Machine
• 机器学习技法 2 — Dual Support Vector Machine
• 机器学习技法 3 — Kernel Support Vector Machine
• 机器学习技法 4 — Soft-Margin Support Vector Machine
• 机器学习技法 6 — Support Vector Regression
• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类
• PythonProgramming.net 系列教程 第二部分 分类
• 写给人类的机器学习 2.2 监督学习 II
• Python 数据分析与挖掘实战 第 9 章 基于水色图像的水质评价
• 数据科学和人工智能技术笔记 十五、支持向量机
• Sklearn 学习指南 第二章：监督学习

K 近邻

• AILearning 第 2 章_K 近邻算法
• Scikit-learn 秘籍 第三章 使用距离向量构建模型
• PythonProgramming.net 系列教程 第二部分 分类
• 写给人类的机器学习 2.3 监督学习 III
• SciPyCon 2018 sklearn 教程 五、监督学习第一部分：分类
• SciPyCon 2018 sklearn 教程 六、监督学习第二部分：回归分析
• 数据科学和人工智能技术笔记 十四、K 最近邻

KMeans

• AILearning 第 10 章_KMeans 聚类
• CS229 中文笔记 十三、聚类
• Scikit-learn 秘籍 第三章 使用距离向量构建模型
• PythonProgramming.net 系列教程 第三部分 聚类
• 写给人类的机器学习 三、无监督学习
• Python 数据分析与挖掘实战 第 5 章 挖掘建模
• Python 数据分析与挖掘实战 第 7 章 航空公司客户价值分析
• Python 数据分析与挖掘实战 第 8 章 中医证型关联规则挖掘
• 与 TensorFlow 的初次接触 3. TensorFlow 中的聚类
• SciPyCon 2018 sklearn 教程 八、无监督学习第二部分：聚类
• TensorFlow 学习指南 三、学习
• 数据科学和人工智能技术笔记 十七、聚类
• Sklearn 学习指南 第三章：无监督学习

均值移动

• PythonProgramming.net 系列教程 第三部分 聚类
• 数据科学和人工智能技术笔记 十七、聚类
• Sklearn 学习指南 第三章：无监督学习

层次聚类

• 写给人类的机器学习 三、无监督学习
• Python 数据分析与挖掘实战 第 14 章 基于基站定位数据的商圈分析
• SciPyCon 2018 sklearn 教程 二十、无监督学习：层次和基于密度的聚类算法
• 数据科学和人工智能技术笔记 十七、聚类
• Sklearn 学习指南 第三章：无监督学习

DBSCAN

• SciPyCon 2018 sklearn 教程 二十、无监督学习：层次和基于密度的聚类算法
• 数据科学和人工智能技术笔记 十七、聚类

高斯混合

• Scikit-learn 秘籍 第三章 使用距离向量构建模型
• Sklearn 学习指南 第三章：无监督学习

Boosting/Bagging/Blending

• 机器学习技法 7 — Blending and Bagging

AdaBoost

• AILearning 第 7 章_集成方法
• 机器学习技法 8 — Adaptive Boosting

PCA

• AILearning 第 13 章_PCA 降维
• AILearning 第 14 章_SVD 简化数据
• CS229 中文笔记 十四、降维
• 写给人类的机器学习 三、无监督学习
• SciPyCon 2018 sklearn 教程 七、无监督学习第一部分：变换
• Sklearn 学习指南 第三章：无监督学习

LDA

• Scikit-learn 秘籍 第四章 使用 scikit-learn 对数据分类

流形学习

• SciPyCon 2018 sklearn 教程 二十一、无监督学习：非线性降维

异常检测

• CS229 中文笔记 十五、异常检测
• SciPyCon 2018 sklearn 教程 二十二、无监督学习：异常检测

Apriori/FP-growth

• AILearning 第 11 章_Apriori 算法
• AILearning 第 12 章_FP-growth 算法
• Python 数据分析与挖掘实战 第 5 章 挖掘建模
• Python 数据分析与挖掘实战 第 8 章 中医证型关联规则挖掘

深度学习

基础知识

• DLAI 深度学习笔记 第一门课 第一周：深度学习引言
• 与 TensorFlow 的初次接触 1. TensorFlow 基础知识
• TensorFlow 学习指南 一、基础

MLP

• CS229 中文笔记 八、神经网络：表述
• CS229 中文笔记 九、神经网络的学习
• DLAI 深度学习笔记 第一门课 第三周：浅层神经网络
• DLAI 深度学习笔记 第一门课 第四周：深层神经网络
• 机器学习技法 12 — Neural Network
• 机器学习技法 13 — Deep Learning
• 机器学习技法 14 — Radial Basis Function Network
• PythonProgramming.net 系列教程 第四部分 神经网络
• 写给人类的机器学习 四、神经网络和深度学习
• Python 数据分析与挖掘实战 第 5 章 挖掘建模
• Python 数据分析与挖掘实战 第 6 章 电力窃漏电用户自动识别
• Python 数据分析与挖掘实战 第 10 章 家用电器用户行为分析与事件识别
• Python 数据分析与挖掘实战 第 13 章 财政收入影响因素分析及预测模型
• 与 TensorFlow 的初次接触 4. TensorFlow 中的单层神经网络
• 与 TensorFlow 的初次接触 5. TensorFlow 中的多层神经网络
• TensorFlow Rager 教程 一、如何使用 TensorFlow Eager 构建简单的神经网络
• 数据科学和人工智能技术笔记 十八、Keras

CNN

• DLAI 深度学习笔记 第四门课 第一周 卷积神经网络
• DLAI 深度学习笔记 第四门课 第二周 深度卷积网络：实例探究
• TensorFlow Rager 教程 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）

RNN

• DLAI 深度学习笔记 第五门课 第一周 循环序列模型
• DLAI 深度学习笔记 第五门课 第三周 序列模型和注意力机制
• TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
• TensorFlow Rager 教程 九、用于 TensorFlow Eager 时间序列回归的递归神经网络

时间序列

• 第 5 章 挖掘建模
• Python 数据分析与挖掘实战 第 11 章 应用系统负载分析与磁盘容量预测
• TensorFlow Rager 教程 九、用于 TensorFlow Eager 时间序列回归的递归神经网络

机器视觉

• CS229 中文笔记 十八、应用实例：图片文字识别
• DLAI 深度学习笔记 第四门课 第三周 目标检测
• DLAI 深度学习笔记 第四门课 第四周 特殊应用：人脸识别和神经风格转换
• PythonProgramming.net 系列教程 图像和视频分析
• PythonProgramming.net 系列教程 TensorFlow 目标检测
• 数据科学和人工智能技术笔记 四、图像预处理

图嵌入 / 图的表示学习

• 图嵌入综述：问题，技术与应用 第一、二章
• 图嵌入综述：问题，技术与应用 第三章
• 图嵌入综述：问题，技术与应用 4.1 ~ 4.2
• 图嵌入综述：问题，技术与应用 4.3 ~ 4.7
• 图嵌入综述：问题，技术与应用 第五、六、七章

自然语言处理

• DLAI 深度学习笔记 第五门课 第二周 自然语言处理与词嵌入
• PythonProgramming.net 系列教程 自然语言处理教程
• PythonProgramming.net 系列教程 TensorFlow 聊天机器人
• Python 数据分析与挖掘实战 第 15 章 电商产品评论数据情感分析
• TensorFlow Rager 教程 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）
• TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
• SciPyCon 2018 sklearn 教程 十一、文本特征提取
• SciPyCon 2018 sklearn 教程 十二、案例学习：用于 SMS 垃圾检测的文本分类
• SciPyCon 2018 sklearn 教程 二十三、核外学习 – 用于语义分析的大规模文本分类
• 数据科学和人工智能技术笔记 五、文本预处理

强化学习

• 写给人类的机器学习 五、强化学习

推荐系统

• AILearning 第 16 章_推荐系统
• CS229 中文笔记 十六、推荐系统
• 机器学习技法 15 — Matrix Factorization
• Python 数据分析与挖掘实战 第 12 章 电子商务网站用户行为分析及服务推荐
• 基于深度学习的推荐系统：综述和新视角 第一、二章
• 基于深度学习的推荐系统：综述和新视角 3.1 ~ 3.3
• 基于深度学习的推荐系统：综述和新视角 3.4 ~ 3.11

预处理 / 特征工程

• Scikit-learn 秘籍 第一章 模型预处理
• Python 数据分析与挖掘实战 第 3 章 数据探索
• Python 数据分析与挖掘实战 第 4 章 数据预处理
• TensorFlow Rager 教程 四、文本序列到 TFRecords
• TensorFlow Rager 教程 五、如何将原始图片数据转换为 TFRecords
• TensorFlow Rager 教程 六、如何使用 TensorFlow Eager 从 TFRecords 批量读取数据
• SciPyCon 2018 sklearn 教程 三、数据表示和可视化
• SciPyCon 2018 sklearn 教程 七、无监督学习第一部分：变换
• SciPyCon 2018 sklearn 教程 十、案例学习：泰坦尼克幸存者
• SciPyCon 2018 sklearn 教程 十一、文本特征提取
• SciPyCon 2018 sklearn 教程 十九、自动特征选择
• 数据科学和人工智能技术笔记 二、数据准备
• 数据科学和人工智能技术笔记 三、数据预处理
• 数据科学和人工智能技术笔记 四、图像预处理
• 数据科学和人工智能技术笔记 五、文本预处理
• 数据科学和人工智能技术笔记 六、日期时间预处理
• 数据科学和人工智能技术笔记 七、特征工程
• 数据科学和人工智能技术笔记 八、特征选择
• 数据科学和人工智能技术笔记 十九、数据整理（上）
• 数据科学和人工智能技术笔记 十九、数据整理（下）
• 数据科学和人工智能技术笔记 二十、数据可视化
• Sklearn 学习指南 第四章：高级功能

模型评估 / 模型调优

• CS229 中文笔记 七、正则化
• CS229 中文笔记 十、应用机器学习的建议
• CS229 中文笔记 十一、机器学习系统的设计
• DLAI 深度学习笔记 第二门课 第一周：深度学习的实用层面
• DLAI 深度学习笔记 第二门课 第三周超参数调试，batch 正则化和程序框架
• DLAI 深度学习笔记 第三门课 第一周：机器学习策略（1）
• DLAI 深度学习笔记 第三门课 第二周：机器学习策略（2）
• 机器学习基石 5 — Training versus Testing
• 机器学习基石 13 — Hazard of Overfitting
• 机器学习基石 14 — Regularization
• 机器学习基石 15 — Validation
• Scikit-learn 秘籍 第二章 处理线性模型
• Scikit-learn 秘籍 第五章 模型后处理
• TensorFlow Rager 教程 二、在 Eager 模式中使用指标
• SciPyCon 2018 sklearn 教程 四、训练和测试数据
• SciPyCon 2018 sklearn 教程 十三、交叉验证和得分方法
• SciPyCon 2018 sklearn 教程 十四、参数选择、验证和测试
• SciPyCon 2018 sklearn 教程 十六、模型评估、得分指标和处理不平衡类别
• TensorFlow 学习指南 二、线性模型
• 数据科学和人工智能技术笔记 九、模型验证
• 数据科学和人工智能技术笔记 十、模型选择
• Sklearn 学习指南 第四章：高级功能

最优化

梯度下降

• CS229 中文笔记 十七、大规模机器学习
• DLAI 深度学习笔记 第一门课 第二周：优化算法

其它

• 机器学习技法 16（完结）— Finale
• CS229 中文笔记 十九、总结
• 写给人类的机器学习 六、最好的机器学习资源
• 与 TensorFlow 的初次接触 6. 并行
• TensorFlow Rager 教程 三、如何保存和恢复训练模型
• TensorFlow 学习指南 四、分布式
• 数据科学和人工智能技术笔记 二十一、统计学

关于我们

我们是一个大型开源社区，旗下 QQ 群共 9000 余人，订阅用户至少一万人。Github Star 数量超过 20k 个，在所有 Github 组织中排名前 200。网站日 uip 超过 4k，Alexa 排名的峰值为 20k。我们的核心成员拥有 CSDN 博客专家和简书程序员优秀作者认证。我们与 Datawhale、AI 有道、黄海广博士等国内知名开源组织和大 V 合作，组织公益性的翻译活动、学习活动和比赛组队活动。

与商业组织不同，我们并不会追逐热点，或者唯利是图。作为公益组织，我们将完成项目放在首要位置，并有足够时间把项目打磨到极致。我们希望做出广大 AI 爱好者真正需要的东西，打造真正有价值的长尾作品。

• 【导航】ibooker.org.cn
• 【归档】home.apachecn.org
• 【社区】bbs.apachecn.org
• 【Github】@ApacheCN

• 自媒体平台

  • 微博：@ApacheCN
  • 知乎专栏：AILearning
  • 公众号：ApacheCN
  • CSDN | 博客园 | 简书 | bilibili
• We are ApacheCN Open Source Organization, not ASF! We are fans of AI, and have no relationship with ASF!
• 合作 or 侵权，请联系 <apachecn@163.com> | 请抄送一份到 <wizard.z@foxmail.com>

赞助我们