机器学习怎么学？当然是系统地学习了。
没有时间这么办呢？利用碎片时间学习！很多人一天要花 2 个小时通勤，通勤路上有很多时间看手机。
于是我把一些机器学习的基础知识做成了在线的机器学习手册，只需打开微信收藏就能学习了！就好像背托福单词一样。(作者：黄海广[1])
机器学习手册分为三个部分，数学基础、机器学习经典算法、统计学习方法。
建议有时间的同学可以这三个部分按照顺序学习，时间少的同学，我建议直接看机器学习经典算法，遇到问题查一下数学基础，也可以一边看机器学习经典算法，一边看统计学习方法，查漏补缺。
机器学习手册
一、数学基础
1.高等数学
推荐下我考研和考博时候的数学笔记，我把机器学习的部分，提炼出来，几乎涵盖了所有机器学习所需要的高等数学公式：
我做成了在线阅读版本，点击打开大学高等数学精华 2.概率论
- ** 首选**
推荐斯坦福大学 CS229 机器学习课程的基础材料的概率论部分，这个由我翻译，是斯坦福各类人工智能课程的基础材料，针对机器学习进行了优化，可以说是经典材料。(原始文件下载[2])
点击打开 CS229 概率论的翻译
-
**备选**推荐下我考研和考博时候的数学笔记，我把机器学习的部分，提炼出来，几乎涵盖了所有机器学习所需要的线性代数公式：
点击打开大学概率论精华
3.线性代数
- ** 首选**
推荐斯坦福大学 CS229 机器学习课程的基础材料的线性代数部分，这个由我翻译，是斯坦福各类人工智能课程的基础材料，针对机器学习进行了优化，可以说是经典材料。（原始文件下载[3]）
点击打开 CS229 线性代数的翻译
-
**备选**推荐下我考研和考博时候的数学笔记，我把机器学习的部分，提炼出来，几乎涵盖了所有机器学习所需要的线性代数公式：
点击打开大学线性代数精华
github：
https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math
二、机器学习经典算法
机器学习的经典算法主要是吴恩达老师的机器学习课程[4]的精选部分，并增加了决策树部分。
如何在最短时间掌握机器学习的经典算法？我推荐把算法精华部分进行学习，这样学习进度会快一点。（点击目录在线阅读）
第一部分:回归
第二部分:逻辑回归
第三部分:支持向量机
第四部分：无监督学习
第五部分:异常检测和推荐系统
第六部分：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： https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
三、《统计学习方法》
李航老师的《统计学习方法》[5]第一版于 2012 年出版，讲述了统计机器学习方法，主要是一些常用的监督学习方法。第一版和第二版前面十二章相同，第二版多了无监督学习的内容（比第一版多了十二章以后的部分），由此本书涵盖了传统统计机器学习方法的主要内容。（点击目录在线阅读）
目录
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：
https://github.com/fengdu78/lihang-code
总结
本文将机器学习的精华部分做成了手册，打开微信就能学习，适合平时时间少的朋友学习机器学习，可以在通勤的时候在手机上学习
参考资料 [1] 黄海广: https://github.com/fengdu78 [2] 概率论原始文件下载: http://cs229.stanford.edu/summer2019/cs229-prob.pdf [3] 线性代数原始文件下载: http://cs229.stanford.edu/summer2019/cs229-linalg.pdf [4] 机器学习课程: https://www.coursera.org/course/ml [5] 《统计学习方法》: https://baike.baidu.com/item/统计学习方法/10430179
