摘要：貢獻(xiàn)者飛龍版本最近總是有人問我，把這些資料看完一遍要用多長(zhǎng)時(shí)間，如果你一本書一本書看的話，的確要用很長(zhǎng)時(shí)間。為了方便大家，我就把每本書的章節(jié)拆開，再按照知識(shí)點(diǎn)合并，手動(dòng)整理了這個(gè)知識(shí)樹。

Special Sponsors

貢獻(xiàn)者：飛龍
版本：v1.0

最近總是有人問我，把 ApacheCN 這些資料看完一遍要用多長(zhǎng)時(shí)間，如果你一本書一本書看的話，的確要用很長(zhǎng)時(shí)間。但我覺得這是非常麻煩的，因?yàn)槊勘緯膬?nèi)容大部分是重復(fù)的，有些不重復(fù)的內(nèi)容你也不好找。為了方便大家，我就把每本書的章節(jié)拆開，再按照知識(shí)點(diǎn)合并，手動(dòng)整理了這個(gè)知識(shí)樹。大家可以按照知識(shí)點(diǎn)依次學(xué)習(xí)，如果理解了一個(gè)知識(shí)點(diǎn)，就沒必要看其余文章，直接跳到下一個(gè)就行了。

AILearning 第1章_基礎(chǔ)知識(shí)

CS229 中文筆記 一、引言

CS229 中文筆記 三、線性代數(shù)回顧

機(jī)器學(xué)習(xí)基石 1 -- The Learning Problem

機(jī)器學(xué)習(xí)基石 2 -- Learning to Answer Yes/No

機(jī)器學(xué)習(xí)基石 3 -- Types of Learning

機(jī)器學(xué)習(xí)基石 4 -- Feasibility of Learning

機(jī)器學(xué)習(xí)基石 6 -- Theory of Generalization

機(jī)器學(xué)習(xí)基石 7 -- The VC Dimension

機(jī)器學(xué)習(xí)基石 8 -- Noise and Error

機(jī)器學(xué)習(xí)基石 16 -- Three Learning Principles

寫給人類的機(jī)器學(xué)習(xí) 一、為什么機(jī)器學(xué)習(xí)重要

SciPyCon 2018 sklearn 教程 一、Python 機(jī)器學(xué)習(xí)簡(jiǎn)介

SciPyCon 2018 sklearn 教程 二、Python 中的科學(xué)計(jì)算工具

SciPyCon 2018 sklearn 教程 九、sklearn 估計(jì)器接口回顧

SciPyCon 2018 sklearn 教程 十五、估計(jì)器流水線

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 一、向量、矩陣和數(shù)組

Sklearn 學(xué)習(xí)指南 第一章：機(jī)器學(xué)習(xí) - 溫和的介紹

AILearning 第5章_邏輯回歸

AILearning 第8章_回歸

CS229 中文筆記 二、單變量線性回歸

CS229 中文筆記 四、多變量線性回歸

CS229 中文筆記 六、邏輯回歸

DLAI 深度學(xué)習(xí)筆記 第一門課 第二周：神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ)

機(jī)器學(xué)習(xí)基石 9 -- Linear Regression

機(jī)器學(xué)習(xí)基石 10 -- Logistic Regression

機(jī)器學(xué)習(xí)基石 11 -- Linear Models for Classification

機(jī)器學(xué)習(xí)基石 12 -- Nonlinear Transformation

機(jī)器學(xué)習(xí)技法 5 -- Kernel Logistic Regression

Scikit-learn 秘籍 第二章 處理線性模型

Scikit-learn 秘籍 第四章 使用 scikit-learn 對(duì)數(shù)據(jù)分類

PythonProgramming.net 系列教程 第一部分 回歸

寫給人類的機(jī)器學(xué)習(xí) 2.1 監(jiān)督學(xué)習(xí)

寫給人類的機(jī)器學(xué)習(xí) 2.2 監(jiān)督學(xué)習(xí) II

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第5章　挖掘建模

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第13章　財(cái)政收入影響因素分析及預(yù)測(cè)模型

與 TensorFlow 的初次接觸 2. TensorFlow 中的線性回歸

SciPyCon 2018 sklearn 教程 五、監(jiān)督學(xué)習(xí)第一部分：分類

SciPyCon 2018 sklearn 教程 六、監(jiān)督學(xué)習(xí)第二部分：回歸分析

SciPyCon 2018 sklearn 教程 十七、深入：線性模型

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十一、線性回歸

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十二、邏輯回歸

Sklearn 學(xué)習(xí)指南 第二章：監(jiān)督學(xué)習(xí)

AILearning 第3章_決策樹算法

AILearning 第9章_樹回歸

機(jī)器學(xué)習(xí)技法 9 -- Decision Tree

機(jī)器學(xué)習(xí)技法 10 -- Random Forest

Scikit-learn 秘籍 第四章 使用 scikit-learn 對(duì)數(shù)據(jù)分類

寫給人類的機(jī)器學(xué)習(xí) 2.3 監(jiān)督學(xué)習(xí) III

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第5章　挖掘建模

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第6章　電力竊漏電用戶自動(dòng)識(shí)別

SciPyCon 2018 sklearn 教程 十八、深入：決策樹與森林

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十三、樹和森林

Sklearn 學(xué)習(xí)指南 第二章：監(jiān)督學(xué)習(xí)

機(jī)器學(xué)習(xí)技法 11 -- Gradient Boosted Decision Tree

AILearning 第4章_樸素貝葉斯

Scikit-learn 秘籍 第四章 使用 scikit-learn 對(duì)數(shù)據(jù)分類

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十六、樸素貝葉斯

Sklearn 學(xué)習(xí)指南 第二章：監(jiān)督學(xué)習(xí)

AILearning 第6章_支持向量機(jī)

AILearning 支持向量機(jī)的幾個(gè)通俗理解

CS229 中文筆記 十二、支持向量機(jī)

機(jī)器學(xué)習(xí)技法 1 -- Linear Support Vector Machine

機(jī)器學(xué)習(xí)技法 2 -- Dual Support Vector Machine

機(jī)器學(xué)習(xí)技法 3 -- Kernel Support Vector Machine

機(jī)器學(xué)習(xí)技法 4 -- Soft-Margin Support Vector Machine

機(jī)器學(xué)習(xí)技法 6 -- Support Vector Regression

Scikit-learn 秘籍 第四章 使用 scikit-learn 對(duì)數(shù)據(jù)分類

PythonProgramming.net 系列教程 第二部分 分類

寫給人類的機(jī)器學(xué)習(xí) 2.2 監(jiān)督學(xué)習(xí) II

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第9章　基于水色圖像的水質(zhì)評(píng)價(jià)

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十五、支持向量機(jī)

Sklearn 學(xué)習(xí)指南 第二章：監(jiān)督學(xué)習(xí)

AILearning 第2章_K近鄰算法

Scikit-learn 秘籍 第三章 使用距離向量構(gòu)建模型

PythonProgramming.net 系列教程 第二部分 分類

寫給人類的機(jī)器學(xué)習(xí) 2.3 監(jiān)督學(xué)習(xí) III

SciPyCon 2018 sklearn 教程 五、監(jiān)督學(xué)習(xí)第一部分：分類

SciPyCon 2018 sklearn 教程 六、監(jiān)督學(xué)習(xí)第二部分：回歸分析

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十四、K 最近鄰

AILearning 第10章_KMeans聚類

CS229 中文筆記 十三、聚類

Scikit-learn 秘籍 第三章 使用距離向量構(gòu)建模型

PythonProgramming.net 系列教程 第三部分 聚類

寫給人類的機(jī)器學(xué)習(xí) 三、無監(jiān)督學(xué)習(xí)

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第5章　挖掘建模

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第7章　航空公司客戶價(jià)值分析

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第8章　中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘

與 TensorFlow 的初次接觸 3. TensorFlow 中的聚類

SciPyCon 2018 sklearn 教程 八、無監(jiān)督學(xué)習(xí)第二部分：聚類

TensorFlow 學(xué)習(xí)指南 三、學(xué)習(xí)

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十七、聚類

Sklearn 學(xué)習(xí)指南 第三章：無監(jiān)督學(xué)習(xí)

PythonProgramming.net 系列教程 第三部分 聚類

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十七、聚類

Sklearn 學(xué)習(xí)指南 第三章：無監(jiān)督學(xué)習(xí)

寫給人類的機(jī)器學(xué)習(xí) 三、無監(jiān)督學(xué)習(xí)

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第14章　基于基站定位數(shù)據(jù)的商圈分析

SciPyCon 2018 sklearn 教程 二十、無監(jiān)督學(xué)習(xí)：層次和基于密度的聚類算法

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十七、聚類

Sklearn 學(xué)習(xí)指南 第三章：無監(jiān)督學(xué)習(xí)

SciPyCon 2018 sklearn 教程 二十、無監(jiān)督學(xué)習(xí)：層次和基于密度的聚類算法

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十七、聚類

Scikit-learn 秘籍 第三章 使用距離向量構(gòu)建模型

Sklearn 學(xué)習(xí)指南 第三章：無監(jiān)督學(xué)習(xí)

機(jī)器學(xué)習(xí)技法 7 -- Blending and Bagging

AILearning 第7章_集成方法

機(jī)器學(xué)習(xí)技法 8 -- Adaptive Boosting

AILearning 第13章_PCA降維

AILearning 第14章_SVD簡(jiǎn)化數(shù)據(jù)

CS229 中文筆記 十四、降維

寫給人類的機(jī)器學(xué)習(xí) 三、無監(jiān)督學(xué)習(xí)

SciPyCon 2018 sklearn 教程 七、無監(jiān)督學(xué)習(xí)第一部分：變換

Sklearn 學(xué)習(xí)指南 第三章：無監(jiān)督學(xué)習(xí)

Scikit-learn 秘籍 第四章 使用 scikit-learn 對(duì)數(shù)據(jù)分類

SciPyCon 2018 sklearn 教程 二十一、無監(jiān)督學(xué)習(xí)：非線性降維

CS229 中文筆記 十五、異常檢測(cè)

SciPyCon 2018 sklearn 教程 二十二、無監(jiān)督學(xué)習(xí)：異常檢測(cè)

AILearning 第11章_Apriori算法

AILearning 第12章_FP-growth算法

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第5章　挖掘建模

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第8章　中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘

DLAI 深度學(xué)習(xí)筆記 第一門課 第一周：深度學(xué)習(xí)引言

與 TensorFlow 的初次接觸 1. TensorFlow 基礎(chǔ)知識(shí)

TensorFlow 學(xué)習(xí)指南 一、基礎(chǔ)

CS229 中文筆記 八、神經(jīng)網(wǎng)絡(luò)：表述

CS229 中文筆記 九、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

DLAI 深度學(xué)習(xí)筆記 第一門課 第三周：淺層神經(jīng)網(wǎng)絡(luò)

DLAI 深度學(xué)習(xí)筆記 第一門課 第四周：深層神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)技法 12 -- Neural Network

機(jī)器學(xué)習(xí)技法 13 -- Deep Learning

機(jī)器學(xué)習(xí)技法 14 -- Radial Basis Function Network

PythonProgramming.net 系列教程 第四部分 神經(jīng)網(wǎng)絡(luò)

寫給人類的機(jī)器學(xué)習(xí) 四、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第5章　挖掘建模

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第6章　電力竊漏電用戶自動(dòng)識(shí)別

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第10章　家用電器用戶行為分析與事件識(shí)別

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第13章　財(cái)政收入影響因素分析及預(yù)測(cè)模型

與 TensorFlow 的初次接觸 4. TensorFlow 中的單層神經(jīng)網(wǎng)絡(luò)

與 TensorFlow 的初次接觸 5. TensorFlow 中的多層神經(jīng)網(wǎng)絡(luò)

TensorFlow Rager 教程 一、如何使用 TensorFlow Eager 構(gòu)建簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十八、Keras

DLAI 深度學(xué)習(xí)筆記 第四門課 第一周 卷積神經(jīng)網(wǎng)絡(luò)

DLAI 深度學(xué)習(xí)筆記 第四門課 第二周 深度卷積網(wǎng)絡(luò)：實(shí)例探究

TensorFlow Rager 教程 七、使用 TensorFlow Eager 構(gòu)建用于情感識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）

DLAI 深度學(xué)習(xí)筆記 第五門課 第一周 循環(huán)序列模型

DLAI 深度學(xué)習(xí)筆記 第五門課 第三周 序列模型和注意力機(jī)制

TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分類的動(dòng)態(tài)循壞神經(jīng)網(wǎng)絡(luò)

TensorFlow Rager 教程 九、用于 TensorFlow Eager 時(shí)間序列回歸的遞歸神經(jīng)網(wǎng)絡(luò)

第5章　挖掘建模

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第11章　應(yīng)用系統(tǒng)負(fù)載分析與磁盤容量預(yù)測(cè)

TensorFlow Rager 教程 九、用于 TensorFlow Eager 時(shí)間序列回歸的遞歸神經(jīng)網(wǎng)絡(luò)

CS229 中文筆記 十八、應(yīng)用實(shí)例：圖片文字識(shí)別

DLAI 深度學(xué)習(xí)筆記 第四門課 第三周 目標(biāo)檢測(cè)

DLAI 深度學(xué)習(xí)筆記 第四門課 第四周 特殊應(yīng)用：人臉識(shí)別和神經(jīng)風(fēng)格轉(zhuǎn)換

PythonProgramming.net 系列教程 圖像和視頻分析

PythonProgramming.net 系列教程 TensorFlow 目標(biāo)檢測(cè)

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 四、圖像預(yù)處理

圖嵌入綜述：?jiǎn)栴}，技術(shù)與應(yīng)用 第一、二章

圖嵌入綜述：?jiǎn)栴}，技術(shù)與應(yīng)用 第三章

圖嵌入綜述：?jiǎn)栴}，技術(shù)與應(yīng)用 4.1 ~ 4.2

圖嵌入綜述：?jiǎn)栴}，技術(shù)與應(yīng)用 4.3 ~ 4.7

圖嵌入綜述：?jiǎn)栴}，技術(shù)與應(yīng)用 第五、六、七章

DLAI 深度學(xué)習(xí)筆記 第五門課 第二周 自然語言處理與詞嵌入

PythonProgramming.net 系列教程 自然語言處理教程

PythonProgramming.net 系列教程 TensorFlow 聊天機(jī)器人

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第15章　電商產(chǎn)品評(píng)論數(shù)據(jù)情感分析

TensorFlow Rager 教程 七、使用 TensorFlow Eager 構(gòu)建用于情感識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）

TensorFlow Rager 教程 八、用于 TensorFlow Eager 序列分類的動(dòng)態(tài)循壞神經(jīng)網(wǎng)絡(luò)

SciPyCon 2018 sklearn 教程 十一、文本特征提取

SciPyCon 2018 sklearn 教程 十二、案例學(xué)習(xí)：用于 SMS 垃圾檢測(cè)的文本分類

SciPyCon 2018 sklearn 教程 二十三、核外學(xué)習(xí) - 用于語義分析的大規(guī)模文本分類

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 五、文本預(yù)處理

寫給人類的機(jī)器學(xué)習(xí) 五、強(qiáng)化學(xué)習(xí)

AILearning 第16章_推薦系統(tǒng)

CS229 中文筆記 十六、推薦系統(tǒng)

機(jī)器學(xué)習(xí)技法 15 -- Matrix Factorization

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第12章　電子商務(wù)網(wǎng)站用戶行為分析及服務(wù)推薦

基于深度學(xué)習(xí)的推薦系統(tǒng)：綜述和新視角 第一、二章

基于深度學(xué)習(xí)的推薦系統(tǒng)：綜述和新視角 3.1 ~ 3.3

基于深度學(xué)習(xí)的推薦系統(tǒng)：綜述和新視角 3.4 ~ 3.11

Scikit-learn 秘籍 第一章 模型預(yù)處理

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第3章　數(shù)據(jù)探索

Python 數(shù)據(jù)分析與挖掘?qū)崙?zhàn) 第4章　數(shù)據(jù)預(yù)處理

TensorFlow Rager 教程 四、文本序列到 TFRecords

TensorFlow Rager 教程 五、如何將原始圖片數(shù)據(jù)轉(zhuǎn)換為 TFRecords

TensorFlow Rager 教程 六、如何使用 TensorFlow Eager 從 TFRecords 批量讀取數(shù)據(jù)

SciPyCon 2018 sklearn 教程 三、數(shù)據(jù)表示和可視化

SciPyCon 2018 sklearn 教程 七、無監(jiān)督學(xué)習(xí)第一部分：變換

SciPyCon 2018 sklearn 教程 十、案例學(xué)習(xí)：泰坦尼克幸存者

SciPyCon 2018 sklearn 教程 十一、文本特征提取

SciPyCon 2018 sklearn 教程 十九、自動(dòng)特征選擇

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 二、數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 三、數(shù)據(jù)預(yù)處理

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 四、圖像預(yù)處理

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 五、文本預(yù)處理

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 六、日期時(shí)間預(yù)處理

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 七、特征工程

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 八、特征選擇

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十九、數(shù)據(jù)整理（上）

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十九、數(shù)據(jù)整理（下）

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 二十、數(shù)據(jù)可視化

Sklearn 學(xué)習(xí)指南 第四章：高級(jí)功能

CS229 中文筆記 七、正則化

CS229 中文筆記 十、應(yīng)用機(jī)器學(xué)習(xí)的建議

CS229 中文筆記 十一、機(jī)器學(xué)習(xí)系統(tǒng)的設(shè)計(jì)

DLAI 深度學(xué)習(xí)筆記 第二門課 第一周：深度學(xué)習(xí)的實(shí)用層面

DLAI 深度學(xué)習(xí)筆記 第二門課 第三周超參數(shù)調(diào)試，batch正則化和程序框架

DLAI 深度學(xué)習(xí)筆記 第三門課 第一周：機(jī)器學(xué)習(xí)策略（1）

DLAI 深度學(xué)習(xí)筆記 第三門課 第二周：機(jī)器學(xué)習(xí)策略（2）

機(jī)器學(xué)習(xí)基石 5 -- Training versus Testing

機(jī)器學(xué)習(xí)基石 13 -- Hazard of Overfitting

機(jī)器學(xué)習(xí)基石 14 -- Regularization

機(jī)器學(xué)習(xí)基石 15 -- Validation

Scikit-learn 秘籍 第二章 處理線性模型

Scikit-learn 秘籍 第五章 模型后處理

TensorFlow Rager 教程 二、在 Eager 模式中使用指標(biāo)

SciPyCon 2018 sklearn 教程 四、訓(xùn)練和測(cè)試數(shù)據(jù)

SciPyCon 2018 sklearn 教程 十三、交叉驗(yàn)證和得分方法

SciPyCon 2018 sklearn 教程 十四、參數(shù)選擇、驗(yàn)證和測(cè)試

SciPyCon 2018 sklearn 教程 十六、模型評(píng)估、得分指標(biāo)和處理不平衡類別

TensorFlow 學(xué)習(xí)指南 二、線性模型

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 九、模型驗(yàn)證

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 十、模型選擇

Sklearn 學(xué)習(xí)指南 第四章：高級(jí)功能

CS229 中文筆記 十七、大規(guī)模機(jī)器學(xué)習(xí)

DLAI 深度學(xué)習(xí)筆記 第一門課 第二周：優(yōu)化算法

機(jī)器學(xué)習(xí)技法 16（完結(jié)） -- Finale

CS229 中文筆記 十九、總結(jié)

寫給人類的機(jī)器學(xué)習(xí) 六、最好的機(jī)器學(xué)習(xí)資源

與 TensorFlow 的初次接觸 6. 并行

TensorFlow Rager 教程 三、如何保存和恢復(fù)訓(xùn)練模型

TensorFlow 學(xué)習(xí)指南 四、分布式

數(shù)據(jù)科學(xué)和人工智能技術(shù)筆記 二十一、統(tǒng)計(jì)學(xué)

我們是一個(gè)大型開源社區(qū)，旗下 QQ 群共 9000 余人，訂閱用戶至少一萬人。Github Star 數(shù)量超過 20k 個(gè)，在所有 Github 組織中排名前 200。網(wǎng)站日 uip 超過 4k，Alexa 排名的峰值為 20k。我們的核心成員擁有 CSDN 博客專家和簡(jiǎn)書程序員優(yōu)秀作者認(rèn)證。我們與 Datawhale、AI 有道、黃海廣博士等國(guó)內(nèi)知名開源組織和大 V 合作，組織公益性的翻譯活動(dòng)、學(xué)習(xí)活動(dòng)和比賽組隊(duì)活動(dòng)。
與商業(yè)組織不同，我們并不會(huì)追逐熱點(diǎn)，或者唯利是圖。作為公益組織，我們將完成項(xiàng)目放在首要位置，并有足夠時(shí)間把項(xiàng)目打磨到極致。我們希望做出廣大 AI 愛好者真正需要的東西，打造真正有價(jià)值的長(zhǎng)尾作品。

【導(dǎo)航】ibooker.org.cn

【歸檔】home.apachecn.org

【社區(qū)】bbs.apachecn.org

【Github】@ApacheCN

自媒體平臺(tái)

微博：@ApacheCN

知乎專欄：AILearning

公眾號(hào)：ApacheCN

CSDN | 博客園 | 簡(jiǎn)書 | bilibili

We are ApacheCN Open Source Organization, not ASF! We are fans of AI, and have no relationship with ASF!

合作 or 侵權(quán)，請(qǐng)聯(lián)系 | 請(qǐng)抄送一份到