B 站上的 Python 学习教程，强烈推荐 ！

点击“开发者技术前线”，选择“星标🔝”

 在看|星标|留言,  真爱

本文来源：Python 之禅

有读者在后台留言说现在还不能去学校，希望可以推荐一些 Python 相关的视频教程，这里给大家介绍几个不错的。

因为公众号不支持外链点击，所以你需要复制链接在浏览器中打开访问，手机上建议先收藏。

▍ 01 小甲鱼的零基础入门学习 Python

B 站播放量最高的 Python 教程，一共 97 讲，链接：https://www.bilibili.com/video/av4050443

▍ 02 麻省理工计算机科学导论及 Python 编程公开课

配有中文字幕，一共 38 讲，地址：https://www.bilibili.com/video/av10497433

▍03 Python 数据结构与算法系列课程

学完 Python 入门和计算机基础理论之后，就必须学点算法，才好意思说自己懂点编程了。这个视频可以帮助你了解什么是算法和算据结构。地址：https://www.bilibili.com/video/av21540971

▍04 Python 数据分析与展示（北京理工大学 ）

这是北京理工大学 MOOC 课程，共 65 讲，地址：https://www.bilibili.com/video/av10101509

▍05 机器学习（Machine Learning）- 吴恩达（Andrew Ng）

机器学习四大天王称号的吴恩达博士亲自录制的机器学习视频课程，共 113 讲，地址：https://www.bilibili.com/video/av28468522

如果看英文的不适应，可以看国内李宏毅机器学习，机器学习中文课程的首选，而且课程风格诙谐幽默。地址：

https://www.bilibili.com/video/av10590361

  学习关注下面二维码   回复「MLY」即可获取

▍06 机器学习（Machine Learning）- 梁劲（Jim Liang（Andrew Ng）

前段时间，来自SAP（全球第一大商业软件公司）的梁劲（Jim Liang）公开了自己所写的一份 520 页的学习教程（英文版），详细、明了地介绍了机器学习中的相关概念、数学知识和各种经典算法。编者看到后，也迫不及待的推广给更多的读者。完整的 PDF 请从文后作者公开的链接下载。

极 高 的 学 习 曲 线

• 首当其冲就是数学，涉及统计学、微积分、概率、线性代数等，大家虽然都学过高等数学，但如果你还记得里面的细节，算你牛。更可能的情况是，多数人都对高等数学忘记了，面对各种算法里的大量公式，感到厌恶，甚至恐惧。

• 其次因为机器学习本身是一个综合性学科，而且是一个快速发展的学科，知识点散乱，缺乏系统性。

• 市面上的机器学习/深度学习书籍、文章、教程，遍地开花，但能以清晰的方式表达、循序渐进地讲解的教程，其实不多，大量的教程没有考虑到学习者的基础，使得初学者感到挫败和困惑。

图 解 机 器 学 习

正是对机器学习的过程中的痛苦有切身体会，我希望能做一份教程，以浅显易懂的方式去讲解它，降低大家的学习门槛。我为此花费了数月时间，经常做到深夜，把自己的学习笔记整理成了这份教程。

从结构来看，全部教程包含两部分：

Part 1 介绍了基本概念，包括：

• 机器学习的流程

• 数据处理

• 建模

• 评估指标（如 MSE、ROC 曲线）

• 模型部署

• 过度拟合

• 正则化等

在第一部分，作者先介绍了如今应用普遍的机器学习：从自动驾驶、语音助手到机器人。其中有些思想，也是众多读者们了解过的，例如：为何机器学习在这个时候会火（大数据、计算力、更好的算法）；机器学习、人工智能、深度学习三者的关系等。

除了这些基础概念，这份教程也对机器学习模型的开发流程做了图像化展示（如下图），即使对此不太了解的读者，也能通过这种流程展示有所学习。

建立机器学习解决方案的步骤

在 Part1 的其他小节，作者以类似的图像展示，对数据、建模、模型部署等内容做了详细介绍，这里就不一一列举，可以从原报告查看。

在 Part2，作者介绍了 常用的算法，包括：

• 线性回归

• 逻辑回归

• 神经网络

• SVM

• Knn

• K-Means

• 决策树

• 随机森林

• AdaBoost

• 朴素贝叶斯

• 梯度下降

• 主成分分析

这部分包含了大量的数学公式，但作者尽力注解了其中的每个公式，从而充分、清晰地表达了众多数学概念。

例如在「神经网络」部分，作者整理了 59 页的笔记（从 311 页到 369 页）。作者从人脑中的神经元架构说起，介绍了人工神经网络（ANN）、人工神经元工作的原理。这份笔记非常注重图像化的概念解释，理解起来非常直观。

在涉及到数学公式时，作者会在旁边有详细的注解，如下图所示：

对于并列的可选项（如激活函数、常用神经网络架构等），也会有全面的列表：

常用的激活函数。

然后会有每个激活函数的单独介绍：

Sigmoid 激活函数。

用神经网络分类手写数字的前向传播示例（softmax 激活函数）。

对于神经网络中较为复杂的概念（如求导、反向传播），几张图就能解释清楚：

关于神经网络的完整训练过程，作者用简略流程图+计算细节展开的方式呈现：

前向传播部分的计算细节。

就像前面提到的，这部分除了「神经网络」的介绍，还包括随机森林、梯度下降等概念的介绍，读者们可查看原教程。

扫码关注后回复“机器学习”，获取下链接：

总结

看完这份教程之后，小编觉得这是一份包罗万象的学习笔记，既适合非专业人士了解有关机器学习的基础概念，又适合有专业背景的学生进一步学习。

写教程是为了自己持续学习，分享教程是为了帮助更多人学习。

END

后台回复“面试” “资料” 领取一份干货，数百面试手册等你

开发者技术前线 ，汇集技术前线快讯和关注行业趋势，大厂干货，

是开发者经历和成长的优秀指南。

历史推荐

好文点个在看吧