python、C++、机器学习、深度学习-------资源、代码练习的常用网站大全

一、13万第三方库的下载查询网站：pypi

网站：https://pypi.org/

二、UCI页面（在windows操作系统上，可以下载的第三方库（编译后的版本））

网站：https://www.lfd.uci.edu/~gohlke/pythonlibs/

安装上面库的步骤：

步骤1：在UCI页面上搜索库名

步骤2：下载对应版本的文件（64位或者32位的 .whl文件）

步骤3：（cmd命令行下：）使用 pip install <文件名> 安装

三、专为大学生学习编程的网站

网站：https://github.com/dipakkr/A-to-Z-Resources-for-Students

项目的名字叫做：A-to-Z-Resources-for-students，看名字就知道，是专门为学生准备的编程方面的资源。

A to Z的意思就是非常详尽的、像字典一样事无巨细的罗列出来，所有作为学生的你，想要成为程序猿而所需要了解和学习的资源。

从编程语言入门，到编程社区、活动。从学生可以使用的免费资源、学习资源，到适合用来学习的开源项目、免费的电子书籍。

项目还列出了各个不同语言的社区、开发者大会，其中还包含了很多专门为女生准备的社区和大会。为程序媛们欢呼～

甚至，项目还专门列出了适合启动创业和孵化项目的资源、业内大牛们的网站、博客和github账号等等等等。

简直就是一步新手入门的完全版作弊脚本，至于你能够成为什么样的程序猿or媛，就看自己发挥啦

四、使用多种语言实现算法的github项目：

网站：https://github.com/TheAlgorithms

更新于2018.11.6

五、100天算法挑战题集

网址：https://github.com/coells/100days

六、100天Python学习-----从入门到精通（国人项目，手撸代码绝对很爽）

网址：https://github.com/jackfrued/Python-100-Days

七、100天掌握机器学习

网址：https://github.com/Avik-Jain/100-Days-Of-ML-Code

目前只到57天，不过是一个很好的学习机器学习的例子，加油！！

2018.11.18

八、tensorflow中文版教程

地址：https://tensorflow.google.cn/tutorials/?hl=zh-cn

九、基于PyTorch的深度学习教程

地址：https://github.com/GokuMohandas/practicalAI

该项目作者是 Goku Mohandas，是一名硅谷的 AI 研究员，曾就职于苹果公司，并在 O'Reilly Media 从事过教学工作。他开发的这个 GitHub 项目——PracticalAI 目前已经有大约 2500 的收藏量，覆盖了 Jupyter Notebook 和 Google Colab 的使用教程、Python 编程基础、深度学习基础（PyTorch 框架和 CNN、RNN 等算法），以及更高层次的算法和 AI 研究课题。

作者指出，他开发这个教程的目的是让人们能学习到目标导向、产品导向的机器学习思维，而不会停留在课堂。

课程简介

下表概括了整个项目的课程大纲，分成 4 个主要部分：基础、深度学习、高级深度学习算法和 AI 研究课题（蓝色是已经写好 notebook 的部分，可以直接链接到 Colab 页面，黑色是尚未写的部分）。

基础：包括 Jupyter Notebooks 简介、Python 编程基础和基础机器学习算法。作者会介绍 Jupyter Notebooks 的单元格编程界面和操作、执行单元格的方法；然后是 Python 以及两个重要的 Python 库——NumPy、Pandas 的入门；最后是线性回归、逻辑回归等基础 ML 算法的讲解，这些算法覆盖面很窄，不包含 SVM、朴素贝叶斯、隐马尔科夫模型等更复杂的算法。但该项目并不是为经典机器学习而设计的课程，读者可以在学习这些简单算法的过程中了解到 AI 算法的训练、数据集、评估、推理、正则化等基本概念，然后进入深度学习课程。

深度学习：包括 PyTorch 框架介绍和多种经典的深度学习算法。PyTorch 的介绍主要涉及张量计算和梯度计算。深度学习算法涉及多层感知机、CNN、RNN、词嵌入等，作者还写了两个较高层面的主题，分别是数据和模型的关系，以及目标导向的机器学习，让读者对如何利用这些算法有个基本理解。每种算法针对的任务都比较单一，也没有涉及生成模型，但通过深入的理解单个模型应用的每一个过程，可以让你在进阶学习时不被细节拖后腿。

高级深度学习算法：包括高级 RNN 模型、残差网络、自编码器、生成对抗网络、空间变换网络等。这些算法的模型架构设计建立在基础的深度网络之上。作者目前只写了高级 RNN 模型，涉及条件 RNN、编码器-解码器架构以及注意力机制等，其它模型还需等作者更新。或许作者还可以考虑加上基于流的模型、图神经网络等高级算法。

AI 研究课题：包括计算机视觉、时间序列分析、主题建模、推荐系统、预训练语言模型、多任务学习、小样本学习、强化学习等。这些课题不对应具体的模型架构，但会随当前研究现状有所偏好，如计算机视觉领域的主要模型架构就是 CNN 和编码器-解码器，作者目前只写了计算机视觉部分。要把握这些课题，需要读者对要解决的问题本身有很好的理解，从而不限于方法层面的视角。或许作者还可以考虑加上 AutoML、自监督学习、迁移学习、AI 游戏等课题。

可以跑的教程

这一套实践教程都能直接在 Colab 上运行，因此结合解释与代码，我们能更好地入门机器学习。那么小白是不是也能看得懂这个教程？我们可以从最基础的 Python 和 NumPy 出发，看看它们都介绍了些什么，纯小白是不是能在较短的篇幅里了解最核心的思想与技术。

在 Pyhon 实践中，作者给出了一个非常精简的教程，其仅涉及 Python 最核心的模块，包括变量、数据结构、基本语句与结构等。即使没有什么基础的小白，了解这些核心模块后至少能看懂大部分代码，剩下困难的只需要在遇到时谷歌一下就行了。

2018.12.16更（若侵权，联系删除）

十、《统计学习方法》的Python 3.6复现

地址：https://github.com/fengdu78/lihang-code

统计学习方法》，作者李航，本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场等。除第 1 章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。

统计学习方法的代码实现

《统计学习方法》官方没有提供代码实现，但是网上有许多机器学习爱好者尝试对每一章的内容进行了代码实现。作者在 GitHub 网站搜集了一些代码进行整理，并作了一定的修改，使用 Python3.6 实现了第 1-11 章的课程代码。

代码目录与截图：