《机器学习：通过实践教授》是一个很好的选择，可以学习既包括理论又包括代码的知识。
(1) 机器学习介绍，通过实践教学：http://lnkd.in/gqN2PMX5
(2) 什么是机器学习？机器学习的历史：http://lnkd.in/gvpNSAKh
(3) 机器学习模型的类型：http://lnkd.in/gSy2mChM
(4) 任何机器学习项目的六个步骤：http://lnkd.in/ggCGchPQ
(5) 安装Python和VSCode并运行你的第一个代码：http://lnkd.in/gyic7J7b
(6) 线性分类器 第1部分：http://lnkd.in/gYdfD97D
(7) 线性分类器 第2部分：http://lnkd.in/gac_z-G8
(8) Jupyter笔记本、NumPy和Scikit-Learn：http://lnkd.in/gWRaC_tB
(9) 在Python中运行随机线性分类器算法：http://lnkd.in/g5HacbFC
(10) 最老的机器学习模型 – 感知器：http://lnkd.in/gpce6uFt
(11) 编写感知器代码：http://lnkd.in/gmz-XjNK
(12) 感知器收敛定理：http://lnkd.in/gmz-XjNK
(13) 机器学习中的特性魔法：http://lnkd.in/gCeDRb3g
(14) One hot编码：http://lnkd.in/g3WfRQGQ
(15) 逻辑回归 第1部分：http://lnkd.in/gTgZAAZn
(16) 交叉熵损失：http://lnkd.in/g3Ywg_2p
(17) 梯度下降如何工作：http://lnkd.in/gKBAsazF
(18) 在Python中从头开始逻辑回归：http://lnkd.in/g8iZh27P
(19) 正则化简介：http://lnkd.in/gjM9pVw2
(20) 在Python中实现正则化：http://lnkd.in/gRnSK4v4
(21) 线性回归介绍：http://lnkd.in/gPYtSPJ9
(22) 普通最小二乘法逐步实现：http://lnkd.in/gnWQdgNy
(23) 岭回归基础和直觉：http://lnkd.in/gE5M-CSM
(24) 面试中的回归复习：http://lnkd.in/gNBWzzWv
(25) 神经网络架构在30分钟内：http://lnkd.in/g7qSrkxG
(26) 反向传播的直觉：http://lnkd.in/gAmBARHm
(27) 神经网络激活函数：http://lnkd.in/gqrC3zDP
(28) 梯度下降中的动量：http://lnkd.in/g3M4qhbP
(29) 在Python中实际操作神经网络训练：http://lnkd.in/gz-fTBxs
(30) 卷积神经网络（CNNs）简介：http://lnkd.in/gpmuBm3j