欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远
- ApacheCN - 学习机器学习群【629470233】
![ApacheCN - 学习机器学习群[629470233]](/cy953708688/MachineLearning/raw/python-2.7/images/MainPage/ApacheCN-group.png "ApacheCN - 学习机器学习群[629470233]")
- Machine Learning in Action (机器学习实战) | ApacheCN(apache中文网)
- 电子版书籍：【机器学习实战-中文版-带目录版.pdf】
- -- 感谢 大佬 Wizard Zhang 生成的电子书《机器学习实战-ApacheCN.pdf》
- 视频已更新完成，如果你觉得有价值，请帮忙点 Star【后续组织学习活动：sklearn、kaggle 和 tensorflow】
- -- 视频网站：优酷／bilibili / Acfun ，可直接在线播放。（最下方有相应链接）
- -- 对于帮忙转发 MachineLearning(机器学习) 学习路线图 的朋友，可以加群后私聊 瑶妹 企鹅 赠送《机器学习实战》百度云视频一套，谢谢
- 1.) 机器学习基础
- 2.) k-近邻算法
- 3.) 决策树
- 4.) 基于概率论的分类方法：朴素贝叶斯
- 5.) Logistic回归
- 6.) 支持向量机
- 7.) 集成方法-随机森林和AdaBoost
- 8.) 预测数值型数据：回归
- 9.) 树回归
- 10.) 使用K-均值聚类算法对未标注数据分组:k-means聚类
- 11.) 使用Apriori算法进行关联分析
- 12.) 使用FP-growth算法来高效发现频繁项集
- 13.) 利用PCA来简化数据
- 14.) 利用SVD简化数据
- 15.) 大数据与MapReduce
- 16.) 推荐系统
项目负责人
- @jiangzhonglian（片刻）
模块负责人
| 模块 | 章节 | 类型 | 负责人(GitHub) | |
|---|---|---|---|---|
| 机器学习实战 | 第 1 章: 机器学习基础 | 介绍 | @毛红动 | 1306014226 |
| 机器学习实战 | 第 2 章: KNN 近邻算法 | 分类 | @尤永江 | 279393323 |
| 机器学习实战 | 第 3 章: 决策树 | 分类 | @景涛 | 844300439 |
| 机器学习实战 | 第 4 章: 朴素贝叶斯 | 分类 | @wnma3mz @分析 |
1003324213 244970749 |
| 机器学习实战 | 第 5 章: Logistic回归 | 分类 | @微光同尘 | 529925688 |
| 机器学习实战 | 第 6 章: SVM 支持向量机 | 分类 | @王德红 | 934969547 |
| 机器学习实战 | 第 7 章: 集成方法（随机森林和 AdaBoost） | 分类 | @片刻 | 529815144 |
| 机器学习实战 | 第 8 章: 回归 | 回归 | @微光同尘 | 529925688 |
| 机器学习实战 | 第 9 章: 树回归 | 回归 | @微光同尘 | 529925688 |
| 机器学习实战 | 第 10 章: K-Means 聚类 | 聚类 | @徐昭清 | 827106588 |
| 机器学习实战 | 第 11 章: 利用 Apriori 算法进行关联分析 | 频繁项集 | @刘海飞 | 1049498972 |
| 机器学习实战 | 第 12 章: FP-growth 高效发现频繁项集 | 频繁项集 | @程威 | 842725815 |
| 机器学习实战 | 第 13 章: 利用 PCA 来简化数据 | 工具 | @廖立娟 | 835670618 |
| 机器学习实战 | 第 14 章: 利用 SVD 来简化数据 | 工具 | @张俊皓 | 714974242 |
| 机器学习实战 | 第 15 章: 大数据与 MapReduce | 工具 | 空缺 - 有兴趣私聊片刻 | 842376188 |
项目贡献者
- @jiangzhonglian（片刻）
- @wangyangting（那伊抹微笑）
- @chenyyx（瑶妹）
- @geekidentity（侯法超）
- @mikechengwei（Mike）
- @hello19883（hello19883）
- @sheepmen（徐鑫）
- @highfei2011（ibe）
- @LeeMoonCh（Arithmetic）
- @caopeirui（Veyron C）
- @Cugtyt（Cugtyt）
加入方式
-
企鹅: 529815144(片刻) 1042658081(那伊抹微笑) 190442212(瑶妹)
当然我知道，第一句就会被吐槽，因为科班出身的人，不屑的吐了一口唾沫，说傻X，还评论 Andrew Ng 的视频。。
我还知道还有一部分人，看 Andrew Ng 的视频就是看不懂，那神秘的数学推导，那迷之微笑的英文版的教学，我何尝又不是这样走过来的？？ 我的心可能比你们都痛，因为我在网上收藏过上10部《机器学习》相关视频，外加国内本土风格的教程：7月+小象 等等，我都很难去听懂，直到有一天，被一个百度的高级算法分析师推荐说：《机器学习实战》还不错，通俗易懂，你去试试？？
我试了试，还好我的Python基础和调试能力还不错，基本上代码都调试过一遍，很多高大上的 "理论+推导"，在我眼中变成了几个 "加减乘除+循环"，我想这不就是像我这样的程序员想要的入门教程么？
很多程序员说机器学习 TM 太难学了，是的，真 TM 难学，我想最难的是：没有一本像《机器学习实战》那样的作者愿意以程序员 Coding 角度去给大家讲解！！
最近几天，GitHub 涨了 300颗 star，加群的200人， 现在还在不断的增加++，我想大家可能都是感同身受吧！
很多想入门新手就是被忽悠着收藏收藏再收藏，但是最后还是什么都没有学到，也就是"资源收藏家"，也许新手要的就是 MachineLearning(机器学习) 学习路线图。没错，我可以给你们的一份，因为我们还通过视频记录下来我们的学习过程。水平当然也有限，不过对于新手入门，绝对没问题，如果你还不会，那算我输！！
视频怎么看？
- 理论科班出身-建议去学习 Andrew Ng 的视频（Ng 的视频绝对是权威，这个毋庸置疑）
- 编码能力强 - 建议看我们的《机器学习实战-教学版》
- 编码能力弱 - 建议看我们的《机器学习实战-讨论版》，不过在看理论的时候，看 教学版-理论部分；讨论版的废话太多，不过在讲解代码的时候是一行一行讲解的；所以，根据自己的需求，自由的组合。
循序渐进大体介绍：机器学习初学者建议 | ApacheCN
干货内容实际操作：MachineLearning(机器学习) 学习路线图
机器学习视频-教学版
| AcFun | B站 |
 |
 |
| 优酷 | 网易云课堂 |
 |
 |