本文为AI入门者推荐一个Github仓库，仓库推荐了一个简易的学习路线，并提供了代码和数据集下载。一、前言
AI以及机器学习入门，初学者遇到的问题非常多，但最大的问题就是：
资料太多！！！不知道如何取舍！！！
Github上有一个仓库（标星3000+），很大程度上解决了这个问题，不但提供了学习路线，为初学者指明了学习的方向，而且所有代码和数据集都提供了下载方式。
初学者根据这个github仓库学完以后，就基本入门AI了。
入门以后，遇到问题能上网搜索解决了，也知道接下来应该学什么。
二、github仓库介绍
仓库作者黄海广（github累计star数40000+，排名世界80），另一部分由其他公益组织创作。
https://github.com/fengdu78/Data-Science-Notes
由于下载慢，黄博已经将github打包成压缩文件，可以扫码上面的黄博公众号，通过在公众号回复“DTSN”获取百度云下载链接。
三、仓库目录及概述
0.math
数学基础
1.python-basic
python基础
2.numpy
numpy基础
3.pandas
pandas基础
4.scipy
scipy基础
5.data-visualization
数据可视化基础
6.scikit-learn
scikit-learn基础
7.machine-learning
机器学习入门
8.deep-learning
深度学习入门
9.feature-engineering
特征工程入门
四、学习路线说明
这个目录其实是一个学习路线：
0——>1——>2——>3——>4——>5——>6——>7——>8——>9
1-5是个整体，6和7的顺序可以交换也可以同时学习，8属于选学部分（深度学习），9放在最后学习。
五、学习路线和内容
第一部分，数学基础学习
目录名称：0.math
数学基础：数学基础内容太多，很容易把人劝退，其实先把高等数学、概率论与数理统计和线性代数这三门课学熟了，大部分机器学习问题是能解决的。数学基础部分我放了三个资料。
第一个是当时考研和考博士复习的。数学基础，我把机器学习的部分，提炼出来。
第二、三个是今年刚翻译的CS229的线性代数和概率论，这部分是斯坦福所有人工智能有关的课程的数学基础复习材料，非常实用。
这部分内容曾经有文章介绍（）
第二部分，python学习
目录名称：1.python-basic
python基础：这里有个代码练习：两天入门python
目录名称：2.numpy
numpy基础：这里有2个代码练习
- 一、适合初学者快速入门的Numpy实战全集
- 二、Numpy练习题100题-提高你的数据分析技能
目录名称：3.pandas
pandas基础：这里有3个代码练习
- 一、《十分钟搞定pandas》：10-Minutes-to-pandas，这是十分钟搞定pandas 10 minutes in pandas的中文翻译。
二、《pandas练习题》：Pandas_Exercises，这个是pandas的练习题。
三、《pandas入门教程-2天学会pandas》：pandas_beginner
四、《pandas五十题》：pandas50
目录名称：4.scipy
scipy基础：scipy的示例代码
目录名称：5.data-visualization
数据可视化基础：这里有2个代码练习
- 一、matplotlib学习之基本使用
- 二、数据可视化的利器-Seaborn简易入门
第三部分，机器学习基础
目录名称：6.scikit-learn
scikit-learn基础：PyParis 2018: Machine learning using scikit-learn的代码翻译（截图如下：）
图：代码截图
目录名称：7.machine-learning
机器学习入门，推荐4份教程，着重推荐1、2部分。
一、斯坦福大学2014（吴恩达）机器学习教程中文笔记及资源
二、李航《统计学习方法》的代码实现
内容介绍（）
三、周志华老师的《机器学习》的解答--南瓜书PumpkinBook
内容介绍（）
四、台大林轩田《机器学习基石》系列课程教材的习题解答
内容介绍（）
目录名称：8.deep-learning
深度学习入门，推荐3份教程
目录名称：9.feature-engineering
特征工程入门，这个是项目实战部分。
- 一、面向机器学习的特征工程
内容介绍（）
本文提供了适合初学者入门AI的路线及资料下载，以上内容都整合到一个仓库：
仓库链接：
https://github.com/fengdu78/Data-Science-Notes