矩阵学习与机器学习衔接

嗯，这个《3--深度学习--机器学习基础》的资料对于想要深入学习机器学习和深度学习的朋友来说，真的是挺有的。它包含了一些基础的内容，适合那些想打好基础的同学。你可以通过这些资料理解一些核心概念，慢慢入门。除了这本主资料，还有一系列相关文章，像是**机器学习的数学基础**的资料，或者**机器学习经典**的一些实战案例，都不错。如果你想进一步了解 Python 在机器学习中的应用，也有专门的资料进行对比。嗯，总体来说，内容蛮丰富的，基本可以覆盖到大部分机器学习入门和进阶需要的知识点。

感谢大牛整理的机器学习资源：https://github.com/Flowerowl/Big_Data_Resources#大数据-数据挖掘

McGrawHill出版社发行的.Tom著作的机器学习经典，涵盖数据挖掘通用算法。

此指南提供机器学习与Spark的清晰介绍，涵盖基础概念、技术和实用示例。

机器学习领域必读经典，Bishop巨著，英文电子版，高清版本。

相对粗略的脑图，记录了第一天学习机器学习算法的思路，结构虽然不复杂，但对刚入门的你来说还是挺有参考价值的。内容覆盖了像分类、回归这些基础算法，适合做个小总结或者快速回顾。 手绘风格的脑图，重点思路比较清晰。像是把书上学到的东西做了个可视化，对理解算法结构挺有。比如你在看SVM或逻辑回归时，可以快速跳转到相关节点做联想。 推荐几个搭配阅读的资源，像这个graphkit-learn，是个挺不错的图机器学习库；还有机器学习算法实战，里头不少案例代码，照着练效果更好。 如果你想系统捋一遍机器学习的分类，可以看看机器学习算法简介及分类这篇；顺手还可以对比下PPT 版分类算法对比，图表一目了然。 使用建议

机器学习的资源我也翻过不少，最近发现一篇内容挺扎实的入门资料，适合你这种想系统梳理一下基础概念的人。讲得比较细，从什么是训练集、验证集、模型这些基本术语，到监督学习、无监督学习、强化学习这几类常见类型，再到实际用的算法，像是 SVM、KNN、PCA 全都有。数据怎么准备、模型怎么选、怎么训练、怎么评估……整个流程讲得还蛮清楚的，没那么学术腔，比较接地气。如果你是前端但对 AI 方向感兴趣，这篇文章算是个不错的起点。另外它还贴心地列出了一些框架工具，像 Scikit-Learn、TensorFlow、PyTorch 都有，适合初学者入门的时候做个对比参考。如果你手上项目有需要做简单分类或数据预测

学习笔记概述

虽然原版书籍对于刚接触机器学习的人来说可能有些挑战，但配套的Weka平台提供了一个实践学习的便捷途径。