本文為AI入門者推薦一個Github倉庫，倉庫推薦了一個簡易的學習路線，并提供了代碼和數(shù)據(jù)集下載。

本文作者：黃海廣

一、前言

AI以及機器學習入門，初學者遇到的問題非常多，但最大的問題就是：

資料太多！！！不知道如何取舍！！！

Github上有一個倉庫（標星2300+），很大程度上解決了這個問題，不但提供了學習路線，為初學者指明了學習的方向，而且所有代碼和數(shù)據(jù)集都提供了下載方式。

初學者根據(jù)這個github倉庫學完以后，就基本入門AI了。

入門以后，遇到問題能上網(wǎng)搜索解決了，也知道接下來應該學什么。

二、github倉庫介紹

倉庫作者黃海廣（github累計star數(shù)37000+，排名世界87），另一部分由其他公益組織創(chuàng)作。

倉庫鏈接：

https://github.com/fengdu78/Data-Science-Notes

三、倉庫目錄及概述

• 0.math

• 1.python-basic

• 2.numpy

• 3.pandas

• 4.scipy

• 5.data-visualization

• 6.scikit-learn

• 7.machine-learning

• 8.deep-learning

• 9.feature-engineering

四、學習路線說明

這個目錄其實是一個學習路線：

0——>1——>2——>3——>4——>5——>6——>7——>8——>9

1-5是個整體，6和7的順序可以交換也可以同時學習，8屬于選學部分（深度學習），9放在最后學習。

五、學習路線和內(nèi)容

第一部分，數(shù)學基礎學習

目錄名稱：0.math

數(shù)學基礎：數(shù)學基礎內(nèi)容太多，很容易把人勸退，其實先把高等數(shù)學、概率論與數(shù)理統(tǒng)計和線性代數(shù)這三門課學熟了，大部分機器學習問題是能解決的。數(shù)學基礎部分我放了三個資料。

第一個是當時考研和考博士復習的。數(shù)學基礎，我把機器學習的部分，提煉出來。

第二、三個是今年剛翻譯的CS229的線性代數(shù)和概率論，這部分是斯坦福所有人工智能有關的課程的數(shù)學基礎復習材料，非常實用。

這部分內(nèi)容曾經(jīng)有文章介紹（查看文章）

第二部分，python學習

目錄名稱：1.python-basic 

python基礎：這里有個代碼練習：兩天入門python

目錄名稱： 2.numpy

numpy基礎：這里有2個代碼練習

• 一、適合初學者快速入門的Numpy實戰(zhàn)全集

• 二、Numpy練習題100題-提高你的數(shù)據(jù)分析技能

目錄名稱： 3.pandas

pandas基礎：這里有3個代碼練習

• 一、《十分鐘搞定pandas》：10-Minutes-to-pandas，這是十分鐘搞定pandas 10 minutes in pandas的中文翻譯。

• 二、《pandas練習題》：Pandas_Exercises，這個是pandas的練習題。

• 三、《pandas入門教程-2天學會pandas》：pandas_beginner

• 四、《pandas五十題》：pandas50

目錄名稱： 4.scipy

• scipy基礎：scipy的示例代碼

目錄名稱： 5.data-visualization

數(shù)據(jù)可視化基礎：這里有2個代碼練習

• 一、matplotlib學習之基本使用

• 二、數(shù)據(jù)可視化的利器-Seaborn簡易入門

第三部分，機器學習基礎

目錄名稱：6.scikit-learn

scikit-learn基礎：PyParis 2018: Machine learning using scikit-learn的代碼翻譯（截圖如下：）

圖：代碼截圖

目錄名稱：7.machine-learning

機器學習入門，推薦4份教程，著重推薦1、2部分。

• 一、斯坦福大學2014（吳恩達）機器學習教程中文筆記及資源

  內(nèi)容介紹（點擊查看文章）

• 二、李航《統(tǒng)計學習方法》的代碼實現(xiàn)

  內(nèi)容介紹（點擊查看文章）

• 三、周志華老師的《機器學習》的解答--南瓜書PumpkinBook

  內(nèi)容介紹（點擊查看文章）

• 四、臺大林軒田《機器學習基石》系列課程教材的習題解答

  內(nèi)容介紹（點擊查看文章）

目錄名稱：8.deep-learning

深度學習入門，推薦3份教程

• 一、深度學習教程中文筆記

  內(nèi)容介紹（點擊查看文章）

• 二、《python深度學習》的代碼翻譯版

  內(nèi)容介紹（點擊查看文章）

• 三、 強烈推薦的TensorFlow、Pytorch和Keras的樣例資源

  內(nèi)容介紹（點擊查看文章）

目錄名稱：9.feature-engineering

特征工程入門，這個是項目實戰(zhàn)部分。

• 一、面向機器學習的特征工程

  內(nèi)容介紹（點擊查看文章）

參考

• 《統(tǒng)計學習方法》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./course/ml
• https://mooc./note/12/ 小小人_V
• https://www.
• 《python科學計算》

總結(jié)

本文提供了適合初學者入門AI的路線及資料下載，以上內(nèi)容都整合到一個倉庫：

倉庫鏈接：

https://github.com/fengdu78/Data-Science-Notes