turi create

来源：数据Seminar 本文约 3800 字， 建议阅读 7 分钟。 本文列出了 2017 年 GitHub 平台上最为热门的知识库，其中包含了学习资料与工具。 GitHub 是计算机科学领域最为活跃的社区，在 GitHub 上，来自不同背景的人们分享越来越多的软件工具和资源库。在其中，你不仅可以获取自己所需的工具，还可以观看代码是如何写成并实现的。 作为一名机器学习爱好者，作者在本文中列出了 2017 年 GitHub 平台上最为热门的知识库，其中包含了学习资料与工具。希望对你的学习和研究有所帮助。 1、学习资源 1.1 Awesome Data Science 项目地址 ： github.com/bulutyazilim 该 repo 是数据科学的基本资源。多年来的无数贡献构建了此 repo 里面的各种资源，从入门指导、信息图，到社交网络上你需要 follow 的账号。无论你是初学者还是业内老兵，里面都有大量的资源需要学习。 从该 repo 的目录可以看出其深度。 1.2 Machine Learning / Deep Learning Cheat Sheet 项目地址： github.com/kailashahirw 该项目以 cheatsheet 的形式介绍了机器学习/深度学习中常用的工具与技术，从 pandas 这样的简单工具到深度学习技术都涵盖其中。在收藏或者

https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/ ， 一篇详细的入门级的推荐系统的文章，这篇文章内容详实，格式漂亮，推荐给大家. 下面是翻译，翻译关注的是意思，不是直译哈，大家将就着看, 如果英文好，推荐看原文，原文的排版比我这个舒服多了. NOTE： 原文中发现一个有误的地方，下面我会用 红色 标出来. 同时，我在翻译的过程中，有疑虑或者值得商榷的地方，我会用 蓝色 标出来. Comprehensive Guide to build a Recommendation Engine from scratch (in Python) 从0开始搭建推荐系统 Introduction / 简介 In today’s world, every customer is faced with multiple choices. For example, If I’m looking for a book to read without any specific idea of what I want, there’s a wide range of possibilities how my search might pan out. I might