从机器学习到深度学习知识体系梳理

这几天看到一本书《从机器学习到深度学习（基于scikit-learn与Tensorflow的高效开发实战）》 感觉非常适合AI知识架构的搭建，在这里记录一下，其实里面还有非常棒的细节，比如：

• 把Numpy、Pandas、Matplotlib 作为了Python基础工具，感觉这个思路非常好可以用自己的知识体系梳理
• 作者把各知识点整理的非常清晰，框架用途和设计之初的理解说的特别清晰，比如：
• ① 按照Scipy 官方定义，在理想情况下，Numpy应该只包含多维数组数据结构本身和一些围绕其进行的基本操作：读取、排序、变形等
• ② 而Scipy是利用Numpy的基础数据结构进行数学运算，比如线性回归、概率分布、傅里叶运算等
• ③ 建议新项目开发，选择Scipy进行除加减乘除外的其他高级数学运算

Python基础工具

• Numpy应用： 数据封装工具，学习其中的标量、向量、索引、遍历、常用操作，几乎所有的Python科学计算库都使用Numpy封装数组与矩阵运算

• Matplotlib应用: 用于展示数据的工具，学习散点图、组合图、图像等的基本绘制方法

• Scipy应用: 用于科学计算的工具，比如微积分、插值、傅里叶变换、矩阵等

• Pandas应用：Pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）。Pandas是一种结构化数据工具集，可以用于数据挖掘、数据分析、数据清洗、数据可视化等。Pandas库最重要的两种数据结构是Series、DataFrame。

• Seaborn应用：Seaborn是一个基于matplotlib且数据结构与Pandas统一的统计图制作库。Seaborn提供的面向数据集制图函数主要是对行列索引和数组的操作，包含对整个数据集进行内部的语义映射与统计整合

• OpenCV应用：OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上(未来期待在Harmony OS上运行）。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

知识体系结构图

后期知识体系整理可参考此目录