机器学习的学习方法有很多，但系统化的学习无疑是最有效的。如果你时间有限，也可以利用碎片时间来学习。

许多人在通勤时会花费大约两个小时，这段时间可以用来学习。因此，我将一些机器学习的基础知识整理成了一份在线手册，只需要打开微信收藏就可以随时学习，就像背托福单词一样方便。

这份机器学习手册分为三个主要部分：数学基础、机器学习经典算法和统计学习方法。

对于有足够时间学习的同学，建议按照顺序学习这三部分内容；而对于时间紧张的同学，则可以直接从机器学习经典算法开始，遇到不懂的地方再查阅数学基础。也可以一边学习经典算法，一边参考统计学习方法，查漏补缺。

机器学习手册

数学基础

1. 高等数学

   我整理了一些考研和考博时用到的数学笔记，提取了机器学习所需的关键高等数学公式，制作成了在线阅读版本。

   • 点击阅读高等数学精华

2. 概率论

   推荐斯坦福大学CS229机器学习课程的基础材料中的概率论部分，该材料经过翻译，是斯坦福各类人工智能课程的基础材料，特别适合机器学习。此外，我还提供了考研和考博时用到的概率论笔记，包含了所有必要的公式。

   • 点击阅读概率论精华
   • 原始文件下载

3. 线性代数

   推荐斯坦福大学CS229机器学习课程的基础材料中的线性代数部分，该材料经过翻译，是斯坦福各类人工智能课程的基础材料，特别适合机器学习。此外，我还提供了考研和考博时用到的线性代数笔记，包含了所有必要的公式。

   • 点击阅读线性代数精华
   • 原始文件下载

GitHub资源 - 数学基础笔记

机器学习经典算法

这份手册精选了吴恩达教授的机器学习课程中的经典算法，并增加了决策树部分。为了帮助大家快速掌握这些算法，我推荐重点学习每个算法的核心部分。

• 回归
• 逻辑回归
• 支持向量机
• 无监督学习
• 异常检测和推荐系统
• 决策树
  • 第一篇：基本树（包括ID3、C4.5、CART）
  • 第二篇：Random Forest、AdaBoost、GBDT
  • 第三篇：Xgboost和LightGBM

GitHub资源 - 经典算法笔记

统计学习方法

李航老师的《统计学习方法》第一版于2012年出版，讲述了统计机器学习方法，主要涵盖了一些常用的监督学习方法。第二版增加了无监督学习的内容，因此本书包含了传统统计机器学习方法的主要内容。

• 第1章：统计学习及监督学习概论
• 第2章：感知机
• 第3章：k近邻法
• 第4章：朴素贝叶斯法
• 第5章：决策树
• 第6章：逻辑斯谛回归与最大熵模型
• 第7章：支持向量机
• 第8章：提升方法
• 第9章：EM算法及其推广
• 第10章：隐马尔可夫模型
• 第11章：条件随机场
• 第12章：监督学习方法总结

GitHub资源 - 统计学习方法代码

总结

本手册将机器学习的关键部分整理成易于访问的形式，方便大家利用碎片时间学习。建议收藏本手册，以便随时查阅和学习。希望这份手册能帮助你在忙碌的生活中更好地掌握机器学习的知识。

参考资料

• 黄海广
• 概率论原始文件下载
• 线性代数原始文件下载
• 机器学习课程
• 《统计学习方法》