本文涵盖了人工智能, 神经网络, 机器学习, 深度学习和大数据等领域的知识清单. 具体如下:
神经网络
Scikit-learn
Microsoft Azure 机器学习
- Python for Data Science
- TensorFlow
- keras
- NumPy
- Pandas
- Data Wrangling
- Scipy
- Matplotlib
- Data Visualization
- PySpark
- Big-O
神经网络
神经网络清单
神经网络图清单
神经网络清单
机器学习概述
机器学习: Scikit-learn 算法
该流程图将帮助您查看每个估算器的文档和粗略指南, 以帮助您了解有关问题的更多信息以及解决方法.
Scikit-learn
Scikit-learn(以前称为 scikits.learn)是一个用于 Python 编程语言的免费软件机器学习库. 它有各种分类, 回归和聚类算法, 包括支持向量机, 随机森林, 梯度增强, k -means 和 DBSCAN, 旨在与 Python 数值, 科学库 NumPy 和 SciPy 能互操作.
Microsoft Azure 机器学习备忘单
Microsoft Azure 的这款机器学习备忘单将帮助您为预测分析解决方案选择合适的机器学习算法. 首先, 备忘单将询问您数据的性质, 然后为该作业建议最佳算法.
Python for Data Science
Python 数据科学备忘单
大数据备忘单
TensorFlow
2017 年 5 月, Google 发布了第二代 TPU, 以及 Google Compute Engine 中 TPU 的可用性. 第二代 TPU 可提供高达 180 teraflops 的性能, 当组织成 64 个 TPU 的簇时, 可提供高达 11.5 petaflops 的性能.
Keras
2017 年, Google 的 TensorFlow 团队决定在 TensorFlow 的核心库中支持 Keras.Chollet 解释说, Keras 被认为是一个界面, 而不是端到端的机器学习框架. 它提供了更高级别, 更直观的抽象集, 无论后端科学计算库如何, 都可以轻松配置神经网络.
NumPy
NumPy 的目标是 Python 的 CPython 参考实现, 它是一个非优化的字节码解释器. 为此版本的 Python 编写的数学算法通常比编译的等效算法慢得多. NumPy 通过提供多维数组以及在数组上高效运行的函数和运算符来解决缓慢问题, 需要重写一些代码, 主要是使用 NumPy 的内部循环.
Pandas
"Pandas" 这个名称来自术语 "面板数据", 这是一个多维结构化数据集的计量经济学术语.
Data Wrangling with pandas
Data Wrangling with dplyr and tidyr
SciPy
SciPy 构建于 NumPy 数组对象之上, 包括 Matplotlib/pandas 和 SymPy 等工具, 以及一组不断扩展的科学计算库. 这个 NumPy 具有与其他应用程序类似的用户, 例如 MATLAB,GNU Octave 和 Scilab.
matplotlib
matplotlib 提供了一个面向对象的 API, 用于使用通用 GUI 工具包 (如 Tkinter,wxPython,Qt 或 GTK +) 将绘图嵌入到应用程序中.
数据可视化
数据可视化备忘单
ggplot 备忘单
PySpark
Big-O
Big-O 算法备忘单
Big-O 算法复杂度图
BIG-O 算法数据结构操作
Big-O 阵列排序算法
来源: http://www.tuicool.com/articles/QJneeu2