人工智能——机器学习与深度学习思维导图
1 Sklearn与机器学习实战
3.2 高级工具库xgboost/LightGBM与建模实战
3.3 推荐系统原理与应用
3.4 聚类算法
4 深入机器学习
4.1 贝叶斯网络
4.2 隐马可夫链HMM
4.3 主题模型LDA
5 迈入深度学习
5.1 深度学习初步
5.2 卷积神经网络与计算机视觉
5.3 循环神经网络与应用
5.4 深度学习框架与应用
0 综述
====
1 基本模型
======
1.1 回归
1.2 决策树与随机森林
1.3 SVM
1.4 最大熵与EM算法
2 特征工程
=======
2.1 特征工程
2.2 多算法组合与模型最优
3 工业实践
=======
3.1 Sklearn与机器学习实战
3.2 高级工具库xgboost/LightGBM与建模实战
3.3 推荐系统原理与应用
3.4 聚类算法
（1）Python所有方向的学习路线（新版）
我在过去几天里致力于整理Python技术要点，并将其系统地分类汇总成各个领域相关的知识点。这种总结的用途就在于帮助你根据上面的知识点快速查找相应的学习资源，在此过程中能够确保你的学习覆盖得比较全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
（2）Python学习视频
该平台提供了丰富的Python入门课程、网络爬虫技术、数据分析方法以及Web开发相关内容共计100多门课程。但内容相对单一且覆盖范围有限，在这个基础上已经足够满足初学者的基本需求。建议完成这些学习后，请您参考我的学习路径，在线查找更多相关知识以进一步提升自己。
（3）100多个练手项目
在观看视频进行学习的过程中,单纯依靠视觉和思维难以完成任务,而科学的学习方法则是建立在深入理解的基础上并加以实践运用.这时候练手项目就成为一个非常合适的选择.尤其是当前阶段,面对众多可选的项目,挑选那些适合自己能力范围的实践机会能够显著提升学习效果.
丰富的网上学习资料可获得于各种渠道。若所学知识缺乏系统性，在遇到问题时仅停留在表面理解，并不进行深入的研究，则难以实现真正技术上的进步。
对于希望获得系统化学习资料的朋友们，请点击下方链接以免费获取相关资源
一个人能够走得很快,但是一群人才能走得更远！无论你是正在从事IT行业的资深从业者或是对IT行业充满热情的新手,我们都欢迎您加入我们的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导）,让我们共同进步吧！