以下是我学习机器学习过程中的部分学习资料，当然除些之外还有更多的文章和视频，实际看了后觉得好多内容都太难，自己目前的数学基础很难理解里面讲解的内容。另外，资料太多反而影响学习效率，很多内容都是重复的，海量的书籍、视频与文章，最终只能作为收藏的一部分，永久的沉睡在云盘里，只能作为心理安慰而已，感觉像是已收藏了这些资料，以后有空就可以开干了，而实际并没有什么用。
在这段时间学习的过程中，我一直在思索，怎样才能快速入门机器学习？快速入门的步骤是什么呢？经过一段时间查看大量的学习文章和梳理，觉得要入门其实并不复杂，首先得对机器学习有个总体的认识和了解，了解其基本概念，了解它的技术栈，做好自己的学习规划，然后找到直接编码调用机器学习算法的例子，从实践中直接入手，从实践中理解算法模型。
机器学习相关资料
还有各在线平台里，机器学习相关的视频课程
数学基础
还有各在线平台里，数学基础相关的视频课程
python工具
-
NumPy是Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
<ul><li> <p><a href="https://www.numpy.org.cn/" rel="nofollow">NumPy中文文档</a></p> </li> <li> <p><a href="https://www.runoob.com/numpy/numpy-tutorial.html" rel="nofollow">NumPy学习</a></p> </li> </ul></li> <li> <p>Pandas是一个强大的分析结构化数据的工具集</p> <ul><li> <p><a href="https://www.pypandas.cn/" rel="nofollow">Pandas中文文档</a></p> </li> <li> <p><a href="https://zhuanlan.zhihu.com/p/25184830" rel="nofollow">Pandas学习思维导图</a></p> </li> </ul></li> <li> <p>Matplotlib是一个 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。</p> <ul><li> <p><a href="https://www.matplotlib.org.cn/" rel="nofollow">Matplotlib中文文档</a></p> </li> </ul></li> <li> <p>Statsmodels提供对许多不同统计模型估计的类和函数,并且可以进行统计测试和统计数据的探索。</p> <ul><li> <p><a href="https://github.com/apachecn/statsmodels_doc_zh">Statsmodels 中文文档</a></p> </li> </ul></li> <li> <p>Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面,便于用户能够做出各种有吸引力的统计图表。</p> <ul><li> <p><a href="https://github.com/apachecn/seaborn-doc-zh">seaborn 0.9 中文文档</a></p> </li> </ul></li>
作者：AllEmpty
