机器学习100天

1. 项目介绍： 100 Days Of ML Code：这是一个由AvikJain创立的GitHub项目，包含了数据预处理、线性回归、逻辑回归等常识点和代码。该项意图英文版现已获得了近20k个Star，并且有中文版可供学习。 项目内容：项目涵盖了从数据预处理到深度学习的各个方面，包含有监督学习（如线性回归、逻辑回归、SVM、决策树等）、无监督学习（如K均值聚类、层次聚类）和深度学习（如神经网络根底、TensorFlow和Keras的运用）。

2. 学习资源： 中文版教程：你能够在CSDN博客上找到具体的中文版教程，该教程包含了项意图具体过程和代码完成。 知乎专栏：知乎上也有相关的专栏文章，具体介绍了学习方案的每一天的内容和开展。

3. 学习路线图： 初学者到专业科学家的路线图：你能够参阅一些机器学习的学习路线图，如CSDN博客上的完好攻略，这些攻略通常会分为几个阶段，从准备常识到高档实践。

4. 其他引荐资源： Coursera课程：吴恩达（Andrew Ng）在Coursera上开设的《机器学习》课程是一个很好的入门资源，涵盖了监督学习和无监督学习等多个主题。 AI专家路线图：假如你想进一步深化学习，能够参阅GitHub上的AI专家路线图，该路线图简直涵盖了AI范畴的一切常识点。

机器学习100天：从入门到实战的旅程

第1-10天：根底常识储藏

在开端学习机器学习之前，咱们需求对相关的根底常识有所了解。

第1天：了解机器学习的根本概念

了解机器学习的界说、分类和使用场景，为后续学习打下根底。

第2天：把握Python编程根底

Python是机器学习中最常用的编程言语，学习根本的语法和数据结构。

第3天：学习NumPy库

NumPy是Python中用于科学核算的根底库，把握其根本操作和功用。

第4天：学习Pandas库

Pandas是Python中用于数据剖析的库，学习其根本操作和数据处理办法。

第5天：学习Matplotlib库

Matplotlib是Python中用于数据可视化的库，学习其根本操作和绘图技巧。

第6-10天：学习线性代数、概率论和统计学

这些数学常识是机器学习的根底，需求经过学习来把握。

第11-20天：机器学习算法入门

在把握了根底常识后，咱们能够开端学习一些常见的机器学习算法。

第11天：线性回归

了解线性回归的根本原理和完成办法，学习怎么处理回归问题。

第12天：逻辑回归

学习逻辑回归在分类问题中的使用，把握其原理和完成办法。

第13天：决策树

了处理策树的根本原理和构建办法，学习怎么处理分类和回归问题。

第14天：支撑向量机

学习支撑向量机的原理和完成办法，把握其在分类问题中的使用。

第15天：K-近邻算法

了解K-近邻算法的根本原理和完成办法，学习其在分类和回归问题中的使用。

第16天：朴素贝叶斯

学习朴素贝叶斯的根本原理和完成办法，把握其在分类问题中的使用。

第17天：K均值聚类

了解K均值聚类的根本原理和完成办法，学习其在聚类问题中的使用。

第18天：层次聚类

学习层次聚类的根本原理和完成办法，把握其在聚类问题中的使用。

第19天：主成分剖析

了解主成分剖析的根本原理和完成办法，学习其在降维问题中的使用。

第20天：相关规矩发掘

学习相关规矩发掘的根本原理和完成办法，把握其在引荐体系中的使用。

第21-30天：深度学习入门

深度学习是机器学习的一个分支，近年来取得了明显的效果。

第21天：了解深度学习的根本概念

了解深度学习的界说、开展进程和使用场景。

第22天：学习TensorFlow结构

TensorFlow是Google开源的深度学习结构，学习其根本操作和模型构建。

第23天：学习Keras库

Keras是TensorFlow的高档API，学习其简练易用的特色。

第24天：学习神经网络根本结构

了解神经网络的根本结构，包含感知机、多层感知机等。

第25天：学习卷积神经网络

了解卷积神经网络的根本原理和完成办法，学习其在图像识别中的使用。

第26天：学习循环神经网络

了解循环神经网络的根本原理和完成办法，学习其在序列数据处理中的使用