github入门级教程--超全面
知乎首发,欢迎大家指点。本文包含了Windows和Linux下的设置方法。
最近在使用github,研究了一个晚上,不断的删库、建库,得出一些经验与结论,与大家分享。
第一步:你需要一个github账号
直接去https://github.com注册。
由于是国外的网站,国内实测200多毫秒的网络延迟,上传下载毫无问题,工程如果较大可能时间比较长。


注册好账号,登录,新建库,没什么说的。
第二步:安装github
可以参考官方文档--About Version Control,英文版的。
对于小白来说,不太友好,中文版的在这里Git - 安装 Git。
1.windows安装,文档上写了好多操作方法,其实就是去网站http://windows.github.com,下载这个安装就好了。安装好了,就可以继续下一步了。
2.Linux安装,很简单,对于平时使用最多的CentOS或者Red Hat等linux操作系统,使用 sodu yum install git安装即可。
3.mac安装,提供网址http://git-scm.com/download/mac,本人实在穷啊,买不起macbook,大家自行研究。
第三步:使用github
在网站新建库之后,会出现下图所示界面,有多种方法完成配置。

- Windows下使用github软件
首先说Quick setup,快速安装。点击Set up in Desktop按钮,进入github软件界面。

上图所示的网址,是github服务器配置库的地址。上图所示的目录,是本地配置库的目录。点击Clone,也就是下载的意思。

这是把服务器配置库的内容拷贝到本地,一旦在Local Path本地目录增加、修改、删除文件,都会出现在左边。

写上注释,点击下面的Commit to master,提交到主分支。

大家注意,这里的提交只是提交到本地配置库的,如果想要在github网站上看到,还需要push推送,也就是上传服务器的意思。

去网站上看,发现已经上传好了

- Windows命令行模式下使用github
对于程序猿来说,命令行实在太友好了,命令简单,操作有点像CVS或者SVN,用过的会觉得比较亲切。

Windows命令行模式下键入
echo " DEMO" >> README.mdgit initgit add README.mdgit commit -m "first commit"git remote add originhttps://github.com/【自己的github网址】git push -u origin master

可能会需要输入github用户名和密码,完成后去github网址刷新页面,会发现服务器配置库已经建好了,里面多了一个README.md文件。
- Linux使用github
对于linux开发者来说,命令行模式的命令通用。
首先,写配置文件。
git config --globaluser.email"you@example.com"git config --globaluser.name"Your Name"
配置查询命令
git config --list
初始化本地库
echo " DEMO" >> README.mdgit initgit add README.mdgit commit -m "first commit"
查看本地配置库版本
git status
推送到远程服务器
git push
疑难解答
- Windows下,不能批量提交

一定要写注释,一定要写注释,一定要写注释,重要的话说三遍。
- Linux下,提交报错

不设置配置文件会报错
git config --globaluser.email"you@example.com"git config --globaluser.name"Your Name"
- linux下远程推送报错

需要同步配置库到本地,链接远程配置库,再做推送
git clonehttps://github.com/【自己的github网址】git remote add 【配置库名】https://github.com/【自己的github网址】git push 【配置库名】

事不宜迟,来看看这里面有啥。
从入门到大牛
很多初学者都会遇到这样的问题:入门机器学习应该从哪里学起?
这些过来人表示,学习路径分三步,先学机器学习基础,然后攻克深度学习基础,最后学习自然语言处理(NLP)相关知识。贡献者表示:按照这个流程来学习,你可以当大牛。
在机器学习基础部分,贡献者给出的学习路线图是这样的:
- 机器学习基础
- KNN近邻算法
- 决策树
- 朴素贝叶斯
- 逻辑回归
- SVM支持向量机
- 集成方法
- 回归
- 树回归
- K-Means聚类
- 利用Apriori算法进行关联分析
- FP-growth高效发现频繁项集
- 利用PCA来简化数据
- 利用SVD来简化数据
- 大数据与MapReduce
- 推荐系统
在上面16个学习模块中,是知识点介绍、常用工具和实战项目等不同类型的学习资源的整合版。点进去就是具体学习资料,非常方便。
比如决策树模块,先介绍了概念与主要场景:
然后介绍了具体的项目案例和开发流程代码:
每个模块还有配套视频,一并服用效果更好:
即使以后出现了新的学习资源,这套方法论也可以用上。
深度学习基础部分在第一部分的基础上,继续扩展了反向传播、CNN原理、RNN原理和LSTM四个知识点:
每个知识点对应一个口碑介绍帖,内文图文并茂。
NLP内容的学习路径偏向于实际应用,在文本分类、语言建模、图像字幕、机器翻译、问答系统、语音识别、自动文摘7个领域极少,还一并放上了大量相关数据集:
GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这
谷歌工程师条件:名校出身、CS专业背景、博士学位加持,技术过硬?
国外一个叫John Washam的小哥告诉你:不用,自学8个月也可以!
John Washam励志要成为一名谷歌软件工程师,但没有CS专业背景的他,只能通过自己的努力来达成理想。
于是,8个月的时间里,小哥花了数千小时阅读书籍、编写代码、观看CS技术讲座,一路披荆斩棘、打怪升级。
最终,虽然没有去谷歌,但他人到中年,还顺利成为了一名亚马逊AWS的技术专家,年薪百万。
更加难能可贵的是,小哥还将自学经验编写成了一份教程,在GitHub上线以来,已收获近133k星的好评。
正如他所说:
中文版终于来了!GitHub上最励志的计算机自学教程
↑↑↑点击上方