机器学习入门开源资料

最近学习的过程中发现了一些不错的开源资源，分享给大家，可以直接通过开源链接下载。

本文作为资料笔记，将长期更新。

机器学习导论

威斯康辛大学的助理教授Sebastian Raschka的《Introduction to Machine Learning》，包括视频、笔记等。

笔记地址：https://github.com/rasbt/stat451-machine-learning-fs20

课程地址：https://sebastianraschka.com/resources/ml-lectures-1.html

统计学习导论

斯坦福经典教材《The Element of Statistical Learning》Python版，这本书介绍了神经网络、支持向量机、分类树、boosting方法、图模型、随机森林、集成方法、最小角度回归、路径算法、非负矩阵分解、谱聚类等机器学习算法，机器学习算法全貌在这本统计学习方向的“圣经”里一览无余。

资源地址：https://github.com/hardikkamboj/An-Introduction-to-Statistical-Learning

视频地址：https://www.bilibili.com/video/BV11t411A7Ym

决策算法

斯坦福大学的 Mykel J. Kochenderfer 、Tim A. Wheeler、Kyle H. Wray等人的《Algorithms for Decision Making》一书介绍了在不确定情况下最佳决策的相关内容，涵盖了与决策相关的各种主题、数学命题公式和解决算法，并提供了图、示例和练习题来帮助加深认知。

书籍地址：https://algorithmsbook.com/files/dm.pdf

从零开始机器学习

这是一位哈佛大学毕业生Danny Friedman根据自己机器学习入门过程写成书，涵盖了机器学习领域最常见的方法，从概念、方法、实现三个角度进行了机器学习算法的介绍，同时配上了可视化代码，适用于入门级学习者。

现代C++教程

传送门：https://github.com/changkun/modern-cpp-tutorial

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！