今天跟大家分享一堆质量非常高的机器学习资料，读完这些资料就可以接近高手水平了；

基础课程

• 吴恩达的机器学习视频非常适合入门，作者深入浅出的将机器学习算法解释的明明白白；哔哩哔哩上有比较多而全的系列视频；

• 《统计学习方法》很经典的书籍，在业内知名度和认可度非常高。里面大量的基础知识与数学原理都是传统机器学习算法的核心
• 《数学之美》一样是很经典的算法书籍，相比《统计学习方法》，这本书更接近于工程实践，其作者吴军曾就职于谷歌，有丰富的工程经验。
• 《机器学习-周志华》也称为西瓜书，业内知名度很高；除了具体的算法之外，还包含了很多模型评价、特征筛选、降维等相关知识；

读完以上书籍，基本就算是踏入机器学习理论的大门了；

（转发关注并私信留言，提供上述资料下载链接）

工程能力提升

1. python编程基础

机器学习算法大多用python语言开发，因此需要掌握python编程；

如果是python小白，建议先学习以下入门课程：

菜鸟教程：https://www.runoob.com/python/python-tutorial.html
廖雪峰网站教程：https://www.liaoxuefeng.com/wiki/1016959663602400

2. 数据处理工具

数据处理是机器学习的基础，以下工具库是数据处理的利器，相关学习资料见链接

• numpy 提供了比原生python更好用的数据类型，几乎是所有机器学习库的数据标准； 推荐教程：

https://www.runoob.com/numpy/numpy-tutorial.html
https://docs.scipy.org/doc/numpy/user/quickstart.html

• pandas 强大的数据处理工具，推荐教程：

https://www.yiibai.com/pandas/python_pandas_series.html
https://www.pypandas.cn/

• matplotlib 一个绘图库，在做数据可视化时会用到

官网提供的DEMO相当丰富：https://matplotlib.org/gallery/index.html

3. 算法库 & 框架

• sklearn库

几乎包含了所有的统计机器学习算法的实现，官网教程最全、最丰富

• tensorflow & pytorch

这两个是深度学习框架，DNN、CNN、RNN等经典的机器学习算法很容易通过这些框架实现，并且支持自定义算法模型用于探索研究；

相关教程：

https://www.tensorflow.org/
https://github.com/dragen1860/TensorFlow-2.x-Tutorials

项目推荐

机器学习算法实践总结：https://github.com/luckyPT/luckyPT

作者从工程实践出发，整理总结了工程中常用的数据处理方法、算法调优经验以及机器学习系统建设中的诸多问题解决等；

数据处理工具库：https://github.com/luckyPT/jvm-ml

虽然上面提到了python中的数据处理库，但是目前大数据领域主要以java语言为主，这个库以java实现，相当于python中的sklearn，传统的机器学习方法以及数据处理都包含在了这个库中；

转发并关注领取最全的学习电子资料；