GitHub万星的中文机器学习资源：路线图、视频、电子书、学习建议全在这

再也不用在学机器学习之前先恶补英语了，这儿有一套超热门的优质中文资源可以选择。

这套名叫AI Learning的GitHub资源，汇集了30多名贡献者的集体智慧，把学习机器学习的路线图、视频、电子书、学习建议等中文资料全部都整理好了。

目前资源在GitHub上已经有一万颗Star，微博网友：好人一生平安。

事不宜迟，来看看这里面有啥。

从入门到大牛

很多初学者都会遇到这样的问题：入门机器学习应该从哪里学起？

这些过来人表示，学习路径分三步，先学机器学习基础，然后攻克深度学习基础，最后学习自然语言处理（NLP）相关知识。贡献者表示：按照这个流程来学习，你可以当大牛。

在机器学习基础部分，贡献者给出的学习路线图是这样的：

1. 机器学习基础

2. KNN近邻算法

3. 决策树

4. 朴素贝叶斯

5. 逻辑回归

6. SVM支持向量机

7. 集成方法

8. 回归

9. 树回归

10. K-Means聚类

11. 利用Apriori算法进行关联分析

12. FP-growth高效发现频繁项集

13. 利用PCA来简化数据

14. 利用SVD来简化数据

15. 大数据与MapReduce

16. 推荐系统

在上面16个学习模块中，是知识点介绍、常用工具和实战项目等不同类型的学习资源的整合版。点进去就是具体学习资料，非常方便。

比如决策树模块，先介绍了概念与主要场景：

然后介绍了具体的项目案例和开发流程代码：

每个模块还有配套视频，一并服用效果更好：

即使以后出现了新的学习资源，这套方法论也可以用上。

深度学习基础部分在第一部分的基础上，继续扩展了反向传播、CNN原理、RNN原理和LSTM四个知识点：

每个知识点对应一个口碑介绍帖，内文图文并茂。

NLP内容的学习路径偏向于实际应用，在文本分类、语言建模、图像字幕、机器翻译、问答系统、语音识别、自动文摘7个领域极少，还一并放上了大量相关数据集：

省去了为找数据集跑断腿的烦恼。

机器学习零食库

除了能get到完整学习路径持续通关，还能在里面找到人们机器学习资料“单品”。

有经典口碑英文视频吴恩达篇：