機器學習中的數學原理和公式推導還是非常重要的，但知識點較爲繁雜，且不易整理！今天推薦一份開源的《機器學習速查手冊》，並且製作成了電子版 PDF，方便大家查閱~
這份手冊最大的特點就是包含許多關於機器學習的經典公式和圖表，有助於您快速回憶有關機器學習的知識點。非常適合那些正在準備與機器學習相關的工作面試的人。
Frank Dai 是這份手冊的作者，他已經將這份機器學習速查手冊開源併發布在 GitHub 上了，目前已經收到 2.9k stars 了。
項目地址：
https://github.com/soulmachine/machine-learning-cheat-sheet
值得一提的是，該手冊作者是使用 LaTeX 編寫，並且開源，作者提供瞭如何在 Windows 下編譯的方法。詳細方法可在 GitHub 項目上獲取。
該手冊雖然只有 135 頁，但麻雀雖小五臟俱全，包含了 28 個主題內容，目錄如下：
Introduction
Probability
Generative models for discrete data
Gaussian Models
Bayesian statistics
Frequentist statistics
Linear Regression
Logistic Regression
Generalized linear models and the exponential family
Directed graphical models(Bayes nets)
Mixture models and the EM algorithm
Latent linear models
Sparse linear models
Kernels
Gaussian processes
Adaptive basis function models
Hidden markov Model
State space models
Undirected graphical models(Markov random fields)
Exact inference for graphical models
Variational inference
More variational inference
Monte Carlo inference
Markov chain Monte Carlo (MCMC)inference
Clustering
Graphical model structure learning
Latent variable models for discrete data
Deep learning
28 章內容，但是知識點非常精簡，包含各種機器學習公式和圖表。例如第2 章的概率論，關於條件概率的講解：
線性迴歸章節中，包含 SGD 算法的推導：
第 14 章，作者把核函數總結得很好，不止於 SVM，介紹的和函數包括：
RBF kernels
TF-IDF kernels
Mercer (positive definite) kernels
Linear kernels
Matern kernels
String kernels
Pyramid match kernels
Kernels derived from probabilistic generative models
Kernel trick 是非常巧妙的，作者也做了總結，包括 SVM。
值得一提的是，這份機器學習速查手冊作者嗨一直在更新，後面的章節內容還沒有完成。
最後再放上該 GitHub 地址：
https://github.com/soulmachine/machine-learning-cheat-sheet
資源下載：
爲了節約大家的時間，小編已經將這份《神經網絡與深度學習》電子版 PDF 打包好了。獲取步驟如下：
1. 掃描下方二維碼關注 "程序員愛碼士" 公衆號
2. 公衆號後臺回覆關鍵詞：MLCH
