[[263087]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

再也不用在學機器學習之前先惡補英語了，這兒有一套超熱門的優質中文資源可以選擇。

這套名叫AI Learning的GitHub資源，匯集了30多名貢獻者的集體智慧，把學習機器學習的路線圖、視頻、電子書、學習建議等中文資料全部都整理好了。

目前資源在GitHub上已經有一萬顆Star，微博網友：好人一生平安。

事不宜遲，來看看這里面有啥。

從入門到大牛

很多初學者都會遇到這樣的問題：入門機器學習應該從哪里學起？

這些過來人表示，學習路徑分三步，先學機器學習基礎，然后攻克深度學習基礎，***學習自然語言處理（NLP）相關知識。貢獻者表示：按照這個流程來學習，你可以當大牛。

在機器學習基礎部分，貢獻者給出的學習路線圖是這樣的：

1. 機器學習基礎
2. KNN近鄰算法
3. 決策樹
4. 樸素貝葉斯
5. 邏輯回歸
6. SVM支持向量機
7. 集成方法
8. 回歸
9. 樹回歸
10. K-Means聚類
11. 利用Apriori算法進行關聯分析
12. FP-growth高效發現頻繁項集
13. 利用PCA來簡化數據
14. 利用SVD來簡化數據
15. 大數據與MapReduce
16. 推薦系統

在上面16個學習模塊中，是知識點介紹、常用工具和實戰項目等不同類型的學習資源的整合版。點進去就是具體學習資料，非常方便。

比如決策樹模塊，先介紹了概念與主要場景：

然后介紹了具體的項目案例和開發流程代碼：

每個模塊還有配套視頻，一并服用效果更好：

即使以后出現了新的學習資源，這套方法論也可以用上。

深度學習基礎部分在***部分的基礎上，繼續擴展了反向傳播、CNN原理、RNN原理和LSTM四個知識點：

每個知識點對應一個口碑介紹帖，內文圖文并茂。

NLP內容的學習路徑偏向于實際應用，在文本分類、語言建模、圖像字幕、機器翻譯、問答系統、語音識別、自動文摘7個領域極少，還一并放上了大量相關數據集：

省去了為找數據集跑斷腿的煩惱。

機器學習零食庫

除了能get到完整學習路徑持續通關，還能在里面找到人們機器學習資料“單品”。

有經典口碑英文視頻吳恩達篇：

有入門專項訓練篇等任君挑選：

整理好的電子書，直接下載PDF即可使用：

***，這個神奇的頁面還自帶貢獻者們自己摸爬滾打的心路歷程和學習建議。

看來這個資源，夠你用很久了↓↓

傳送門

GitHub地址：

https://github.com/apachecn/AiLearning