awesome-machine-learning
November 15, 2018 · View on GitHub
Medium上6900个赞的AI学习路线图，让你快速上手机器学习
介绍
数据挖掘通用场景：
Engineering statistics handbook
python-machine-learning-book-2nd-edition
商业理解
遇到了什么问题，需要什么数据来解决这个问题
特征工程
有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。包括采样数据、探索数据，了解数据的特征（NA、分布、均值），数据清洗、数据预处理，特征选择，降维等。
自动化特征工具featuretools介绍---适合离线批数据预测，比如超市商品的销售额预测。
数据探索
A Comprehensive Guide to Data Exploration
特征提取
特征提取与 特征选择(Feature selection)有很大的不同: 前者意义在于把复杂的数据，如文本和图像，转化为数字特征，从而在机器学习中使用。后者是一个机器学习中应用这些特征的方法 sklearn feature extraction
数据预处理
利用 Scikit Learn的Python数据预处理实战指南
特征选择
降维
模型建立
模型评估
可视化
facets--Visualizations for machine learning datasets
A/B Test
推荐系统
广告引擎
Ad-papers---Papers on Computational Advertising
预测
机器学习系统
DL实战
AutoML
Algorithm
Auto-sklearn--auto-sklearn is an automated machine learning toolkit and a drop-in replacement for a scikit-learn estimator.
DataSet
OpenML--OpenML aims to create a novel ecosystem for machine learning experimentation. The current generation of machine learning and data mining platforms offers a wide variety of algorithms to process and model all kinds of data.
chalearn automl challenge
kaggle