很多都会有一个问题“如何自学书本知识之外的内容”。也许你是想增加一些技能，也许仅仅是爱好，也许是你读报纸书刊遇到一个你想去了解的知识点，也许是你要开始进行独立的研究……总之，你总会面临一些需要自学的情况。

Python在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。 其中Numpy是一个用python实现的科学计算包。包括：一个强大的N维数组对象Array；比较成熟的（广播）函数库；用于整合C/C++和Fortran代码的工具包；实用的线性代数、傅里叶变换和随机数生成函数。

这两年机器学习的概念一直很火，无人车、人脸识别、语音识别，似乎无所不能。但有一点被忽略了，“机器学习”算法只是众多算法的一种，和快速排序、red-black BST 一样，它有自己独特的应用场景，而且只能在这个场景中使用。而且请注意，它并不像排序算法一样，可以保证百分之百的可用性，它的边界是有问题的。它更像那些固定算法的一个扩展，机器不用精确去执行程序代码的每一行，在程序以外，它提供给我们一些努力之外的惊喜。

机器学习Machine-Learning 主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课

Scala 机器学习库

既然说机器学习，就从什么机器学习开始，相对而言，机器学习是一个比较泛的概念 初看的话，会觉得机器学习和人工智能，数据挖掘讲的东西很像，实际他们之间的关系可以概括为：

最近学习的重点不在机器学习上面，但是现代的学科就是这么奇妙，错综复杂，玩着玩着，你发现又回到了人工智能这一块。所以干脆好好整理下当下令很多 人如痴如醉，但又不容易入门的机器学习。一来给大多数还没有入门的人一点宏观概念，二来让我自己以后找解决办法的时候更有头绪。故此文不是给想快速上手的 工程师的菜单，更像一篇娓娓道来的武侠小说，看看人工智能世界的先驱们是如何开宗创派的。

天行健，君子以自强不息常见经典排序算法1.希尔排序2.二分插入法3.直接插入法4.带哨兵的直接排序法5.冒泡排序6.选择排序7.快速排序8.堆排序一.希尔（Shell）排序法（又称宿小增量排序，是1959年由D.L.Shell提出来的)

这篇文章尝试使用 Haskhell 来重写常见的排序算法。这里不考虑效率，比如时间和空间上的，所以不会刻意去写成尾递归。

冒泡法： 这个最简单了: function bubble_sort($arr) {     $n = count($arr);     for($i=0;$i<$n;$i++){         $flag = 1; //1         for($j=0;$j<$n-$i-1;$j++){             if($arr[$j] > $arr[$j+1]){              

本文主要介绍了数据结构中的八大排序算法，利用Python分别将他们进行实现。

数据分析数据一般以文件形式或者单个数据库的方式组织，而数据挖掘必须建立在数据仓库或是分布式存储的基础之上。

Dijkstra算法是一种求单源最短路的算法，即从一个点开始到所有其他点的最短路。其步骤如下：

大量人工智能学习资源

专为机器学习初学者推荐的优质学习资源，帮助初学者快速入门。 这篇文章的确很难写，因为我希望它真正地对初学者有帮助。面前放着一张空白的纸，我坐下来问自己一个难题：面对一个对机器学习领域完全陌生的初学者，我该推荐哪些最适合的库，教程，论文及书籍帮助他们入门？

因为以下内容全都在证明机器学习的方法是有效的，你可以用机器学习来得到你想要的结果。然而对于编程或者使用这个方法的人来说，你只要放心大胆地用就行了。就像你知道1+1=2，你并不需要知道它为什么等于，反正你可以用。

Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。

【机器学习】Tensorflow学习笔记

Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。

希望这篇文章能对学习者有所启发。我在空白页前坐下，并且问自己了一个很难的问题：什么样的库、课程、论文和书籍对于机器学习的初学者来说是最好的。我必须把自己当做一个程序员和一个机器学习的初学者，站在这个角度去考虑最合适的资源。