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：

/fengdu78/Data-Science-Notes/tree/master/0.math

（数学基础专辑）可以在线阅读，也可以下载（pdf、word、markdown文件），可以直接在“机器学习初学者”公众号回复“math”即可获取下载地址。

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：

/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 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

第13章无监督学习概论

第14章聚类方法

第15章奇异值分解

第16章主成分分析

第17章潜在语义分析

第18章概率潜在语义分析

第19章马尔可夫链蒙特卡罗法

第20章 潜在狄利克雷分配

第21章 PageRank算法

第22章 无监督学习方法总结

附录A 梯度下降法

附录B 牛顿法和拟牛顿法

附录C 拉格朗日对偶性

附录D 矩阵的基本子空间

附录E KL散度的定义和狄利克雷分布的性质

建议学习方法

使用微信收藏本文，学习的时候，从本文点击相关章节的链接进行学习。

文章里也是完整代码，如果需要下载代码学习，请访问Github：

/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，建议收藏本文慢慢学习。

参考资料

[1]黄海广:/fengdu78

[2]概率论原始文件下载:http://cs229.stanford.edu/summer/cs229-prob.pdf

[3]线性代数原始文件下载:http://cs229.stanford.edu/summer/cs229-linalg.pdf

[4]机器学习课程:/course/ml

[5]《统计学习方法》:/item/统计学习方法/10430179

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：/662nyZF本站qq群1003271085。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：