机器学习有很多方面。 当我开始刷新这个主题时，我遇到了各种“速查表”，这里仅列出了需要知道的给定主题的所有要点。 最后，我收集了与机器学习相关的速查表。有些我经常参考，并且认为其他人也可能从中受益。因此， 这篇文章把我从网上发现的很好的27个速查表分享出来，以供大家参考。
后台回复关键词“速查表”下载27个速查表。
机器学习（Machine Learning）
有不少有用的流程图和机器学习算法表。 这里只包括所发现的最全面的速查表。
神经网络架构（NeuralNetwork Architectures）
来源：http://www.asimovinstitute.org/neural-network-zoo/
Microsoft Azure算法流程图（Microsoft AzureAlgorithm Flowchart）
来源：https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
SAS算法流程图（SAS Algorithm Flowchart）
来源：http://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
算法总结（AlgorithmSummary）
来源：http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
来源: http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
算法优缺点（AlgorithmPro/Con）
来源：https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
当然Python有很多在线资源。 对于本节只包括所遇到的最好的速查表。
算法（Algorithms）
来源：https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Python基础（Python Basics）
来源：http://datasciencefree.com/python.pdf
来源：https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Numpy
来源：https://www.dataquest.io/blog/numpy-cheat-sheet/
来源：http://datasciencefree.com/numpy.pdf
来源：https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Pandas
来源：http://datasciencefree.com/pandas.pdf
来源：https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Matplotlib
来源：https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
Scikit Learn
来源：http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
来源：http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
来源：https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Tensorflow
来源：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
Pytorch
来源：https://github.com/bfortuner/pytorch-cheatsheet
数学（Math）
如果你真的想了解机器学习，那么需要对统计（特别是概率）、线性代数和微积分的理解打下坚实的基础。在本科期间我辅修数学，但是我肯定需要复习这些知识。 这些速查表提供了大多数需要了解最常见的机器学习算法背后的数学。
概率（Probability）
来源：http://www.wzchen.com/s/probability_cheatsheet.pdf
线性代数（Linear Algebra）
来源：https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
统计学（Statistics）
来源：http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
微积分（Calculus）
来源：http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
