【机器学习】机器学习全栈资料免费发送

导读

最近再整理机器学习资料时，发现了一个很好的资源，虽然内容不是很有深度，但贵在全面，是入门的不错参考，现将pdf整理给大家。

关注微信公众号：人工智能大讲堂，后台回复“MLS”获取资料，资料是英文的，如需中文翻译请联系我，根据实际情况后续安排翻译工作。

每个主题组都对应一个文件夹，主题组中的每个主题都对应一个pdf。

主题组

(微积分)Calculus

(线性代数)Linear Algebra

(概率)Probability

(统计)Statistics

(数据)Data

(模型和建模)Models and Modeling

(三角函数)Trigonometry

(图)Graphs

(计算系统)Computing Systems

(组织)Organization

(编程结构)Programming Constructs  

  (微积分)Calculus    

微积分是研究连续变化的学科。现代微积分是由艾萨克·牛顿和戈特弗里德·莱布尼茨在17世纪开发的。

—

微积分提供了比简单枚举更有效地计算变化的方程。因为机器学习在变化计算方面依赖性很强，微积分提供的效率是必不可少的。

—

训练机器学习模型并使用这些模型进行预测涉及到变化的测量，微积分在这些操作中被广泛使用。

主题

Activation Functions

Differential Calculus

Euler’s Number

Gradients

Integral Calculus

Logarithms

Rectifier Activation Function

Sigmoid Activation Function

Stochastic Gradient Descent

Tanh Activation Function

——— 

激活函数

微分学

欧拉数

梯度

积分学

对数

整流器激活函数

Sigmoid激活函数

随机梯度下降

Tanh激活函数

(线性代数)Linear Algebra

包括用于计算的算法：

标量

向量和向量空间

特征值和特征向量

矩阵和矩阵运算

———

线性代数在 ML 中的应用包括：

损失计算

自然语言处理

图像处理

降维

主题

Concatenation

Convolution

Eigenvalues and Eigenvectors

Linear Equations

Linear Vector Projection

Masking

Matrices

Pooling

Scalars

Scaling

Softmax Function

Vectors

———

连接

卷积

特征值和特征向量

线性方程

线性向量投影

掩蔽

矩阵

池化

标量

缩放

Softmax 函数

向量

(概率)Probability

概率算法计算以下事件发生的可能性：

事件发生的可能性

特征发生的可能性

主题

Central Limit Theorem

Cross Entropy Loss

Entropy

Independent Events

Law of Large Numbers

Mutually Exclusive Events

Normal Distribution

Poisson Distribution

Probability Density Function

Probability Measure

P-Value

———

中心极限定理

交叉熵损失

熵

独立事件

大数定律

互斥事件

正态分布

泊松分布

概率密度函数

概率度量

 P值

(统计)Statistics

提供理解和解释机器学习的能力：

输入数据

模型训练结果

预测结果

主题

Accuracy

A/B Testing

Bias

Bias-Variance Tradeoff

Confidence

Confusion Matrix

Correlation

Deviation

Dispersion

Estimator

Fairness

Loss (Cost) Function

Mean Squared Error

Hypothesis

Prediction and Inference

Repeatability

Standard Deviation

Statistical Power of a Test

Variance

———

准确度

A/B 测试

偏差

偏差-方差均衡

置信度

混淆矩阵

相关性

偏差

离散度

估计器

公平性

损失（成本）函数

均方误差

假设

预测和推断

可重复性

标准偏差

检验的统计功效

方差

(数据)Data    

提供数据的高效处理：

存储

索引

编目

修改

检索

消费

呈现

主题

Columnar Databases

CSV Data

Data Cleaning

Data Discovery

Data ETL

Data Flow

Data Lake

Data Pipeline

Data Visualization

Dimensionality Reduction

Document Databases

Extrapolation

Factor Analysis

Graph Databases

Interpolation

JSON

Normalization

Outliers

Principal Components Analysis

Relational Databases

Sampling

Signal Processing

——— 

列式数据库

CSV 数据

数据清洗

数据探索

数据 ETL

数据流

数据湖

数据管道

数据可视化

降维

文档数据库

外推

因子分析

图形数据库

内插

JSON

规范化

异常值

主成分分析

关系型数据库

抽样

信号处理

(模型和建模)Models and Modeling

模型和建模提供了工具，用于创建能够预测现实世界中条件和行动的算法。

Topics

Algorithm Libraries

Artificial Neural Networks

Attention

Automated Machine Learning

Backpropagation

Causal Embedding

Classification

Cluster Analysis

Collaborative Filtering

Convolutional Neural Networks

Cross Decomposition

Curve Fitting

Decision Trees

Deep Learning

Deep Reasoning

Ensemble Learning

Feature Selection

Fourier Analysis

Gaussian Analysis

Generative Adversarial Networks

Gradient Boosting

Histogram of Oriented Gradients

Image Processing

K-Means Clustering

Linear Regression

Logistic Regression

Long Short-Term Memory

Markov Chains

Model Categories

Modeling Process

Naive Bayes

Nearest Neighbors

Probabilistic Graphical Models

Random Forest

Recurrent Neural Networks

Regression Analysis

Regularization

Reinforcement Learning

Supervised Learning

Support Vector Machines

Transformer Neural Networks

Unsupervised Learning

Word Embedding

———

算法库

人工神经网络

注意力机制

自动化机器学习

反向传播

因果嵌入

分类

聚类分析

协同过滤

卷积神经网络

交叉分解

曲线拟合

决策树

深度学习

深层推理

集成学习

特征选择

傅里叶分析

高斯分析

生成对抗网络

梯度提升

方向梯度直方图

图像处理

K 均值聚类

线性回归

逻辑回归

长短时记忆网络

马尔可夫链

模型分类

建模过程

朴素贝叶斯

最近邻算法

概率图模型

随机森林

循环神经网络

回归分析

正则化

强化学习

监督学习

支持向量机

Transformer 神经网络

无监督学习

词嵌入

(三角函数)Trigonometry

这个单词源于希腊语“三角形”和“测量”。

——

三角学提供了计算形状特征之间的关系的方法，更具体地说，是三角形边长和角度之间的关系。

主题

Cosine Similarity

Periodic Functions

Trigonometric Functions

———

余弦相似性   

周期函数    

三角函数

(图)Graphs

提供数学构造，用于：

数据关系

数据流

处理节点

机器学习模型的结构

主题

Graph Activation Node

Graph Backpropagation Data Flow

Graph Convolution Node

Graph Data Operations Node

Graph Deep Learning Data Flow

Graph Dropout Node

Graph Feed Forward Data Flow

Graph Input Node

Graph Matrix Operation Node

Graph Memory Node

Graph Output Node

Graph Pooling Node

Graph Recurrent Data Flow

——— 

图激活节点

图反向传播数据流

图卷积节点

图数据操作节点

图深度学习数据流

图丢弃节点

图前馈数据流

图输入节点

图矩阵运算节点

图记忆节点

图输出节点

图池化节点

图循环数据流

 (计算系统)Computing Systems    

"计算系统为机器学习软件提供平台。

—

像高级中央处理器和图形处理器这样的系统的进步，显著提高了机器学习软件的性能。"

“机器学习的很多进展——这在学术界是不受欢迎的观点——都是由于计算能力和数据量的增加所推动的。一个类比是建造太空火箭：你需要一个巨大的火箭发动机，同时需要大量的燃料。”          
— 吴恩达

主题

Application Programming Interface

Big O Notation

Client-Server Architecture

Cloud Computing

DOM

Exponential growth

HTML iframe

Internet Protocol Suite

P Versus NP Complexity

Web Crawler

——— 

应用程序接口

大 O 表示法

客户端-服务器架构

云计算

文档对象模型

指数增长

互联网协议套件

P 与 NP 复杂度

网络爬虫

(组织)Organization

如何组织和管理机器学习。

主题

Agile Processes

Business Model Components

Functional Groups

———

敏捷过程

商业模型组成部分

功能组

(编程结构)Programming Constructs

编程结构为构建机器学习代码提供了基本元素。

主题

Abstraction

Array

Attribute

Best-first Search

Binary Search

Block

Branch

Callback

Class

Conditional

Constructor

Container/Collection

Dynamic Array

Encapsulation

Exception

Expression

Function

Garbage Collection

Greedy Algorithms

Hash

HTTP Request

Identifier

Inheritance

Inner Class

Instance

Iterator

Keyword

Lambda

List

Linked List

Literal

Metaclass

Method

Mixin

Object

Operator

Overloading

Overriding

Package

Parameter

Polymorphism

Primitive

Programming Process

Recursion

Regular Expression

Reserved Word

Return

Sort

Statement

Switch

Table

This/Self

Token

Type

Variable