1、 七步精通Python機(jī)器學(xué)習(xí)主題開始。這是最容易令人喪失斗志的兩個(gè)字。邁出第一步通常最艱難。當(dāng)可以選擇的方向太多時(shí)，就更讓人兩腿發(fā)軟了。從哪里開始？本文旨在通過七個(gè)步驟，使用全部免費(fèi)的線上資料，幫助新人獲取最基本的Python機(jī)器學(xué)習(xí)知識，直至成為博學(xué)的機(jī)器學(xué)習(xí)實(shí)踐者。這篇概述的主要目的是帶領(lǐng)讀者接觸眾多免費(fèi)的學(xué)習(xí)資源。這些資源有很多，但哪些是最好的？哪些相互補(bǔ)充？怎樣的學(xué)習(xí)順序才最好？我假定本文的讀者不是以下任何領(lǐng)域的專家：機(jī)器學(xué)習(xí)Python任何Python的機(jī)器學(xué)習(xí)、科學(xué)計(jì)算、數(shù)據(jù)分析庫如果你有前兩個(gè)領(lǐng)域其一或全部的基礎(chǔ)知識，可能會(huì)很有幫助，但這些也不是必需的。在下面幾個(gè)步驟中的前幾項(xiàng)

2、多花點(diǎn)時(shí)間就可以彌補(bǔ)。第一步：基本Python技能如果要使用Python進(jìn)行機(jī)器學(xué)習(xí)，擁有對Python有基礎(chǔ)的理解非常關(guān)鍵。幸運(yùn)的是，Python是當(dāng)前普遍使用的流行語言，并納入了科學(xué)計(jì)算和機(jī)器學(xué)習(xí)的內(nèi)容，所以找到入門教程并不困難。在選擇起點(diǎn)時(shí)，很大程度上要取決于你之前的Python經(jīng)驗(yàn)和編程經(jīng)驗(yàn)。首先要安裝Python。由于我們要使用機(jī)器學(xué)習(xí)和科學(xué)計(jì)算的packages，這里建議安裝。Anaconda是一個(gè)可在Linux,OSX,Windows上運(yùn)行的Python實(shí)現(xiàn)工具，擁有所需的機(jī)器學(xué)習(xí)packages，包括numpy,scikit-learn,matplotlib。它還包含iPyth

3、onNotebook，一個(gè)帶有許多教程的交互式環(huán)境。這里推薦使用Python，不是因?yàn)樘厥庠?，只是因?yàn)樗悄壳鞍惭b版本中的主流。LEAPYTHONIHHAMJWfffoANACONCA如果你之前沒有編程知識，建議你閱讀這本免費(fèi)電子書，然后再接觸其他學(xué)習(xí)材料：作者ZedA.Shaw如果你之前有編程知識，但不是Python的，又或者你的Python水平很基礎(chǔ)，推薦下列一種或幾種教程：（強(qiáng)烈推薦給視覺型學(xué)習(xí)者）作者M(jìn).ScottShell（一個(gè)很好的Python科學(xué)計(jì)算簡介，60頁）對于想要速成課程的人，這里有：當(dāng)然，如果你是個(gè)經(jīng)驗(yàn)豐富的Python程序員，可以跳過這一步。盡管如此，還是建議你把通

4、俗易懂的放在手邊。第二步：機(jī)器學(xué)習(xí)基礎(chǔ)技能KDnuggets的ZacharyLipton指出，人們對于“數(shù)據(jù)科學(xué)家”的認(rèn)知千差萬別。這實(shí)際上是對機(jī)器學(xué)習(xí)領(lǐng)域的反映。數(shù)據(jù)科學(xué)家在不同程度上使用計(jì)算學(xué)習(xí)算法。要建立和使用支持向量機(jī)模型，熟知答案當(dāng)然不是。就像現(xiàn)實(shí)生活中的許多事情一樣，所需要的理論深入程度與具體的實(shí)際應(yīng)用有關(guān)。獲取對機(jī)器學(xué)習(xí)算法的深入理解不是本文的討論范圍，而且這通常需要在學(xué)術(shù)領(lǐng)域投入大量時(shí)間，或者至少要通過密集的自學(xué)才能達(dá)到。好消息是，你不必?fù)碛胁┦考墑e的機(jī)器學(xué)習(xí)理論能力才能進(jìn)行實(shí)踐，就如同不是所有程序員都必須接受計(jì)算機(jī)理論教育才能寫好代碼。吳恩達(dá)在Coursera的課程飽受贊譽(yù)。

5、但我的建議是去看看一名以前的學(xué)生做的筆記。略過那些針對Octave（個(gè)與Python無關(guān)的，類Matlab語言）的內(nèi)容。需要注意，這些不是官方的筆記，雖然看起來的確抓住了吳恩達(dá)課程材料的相關(guān)內(nèi)容。如果你有時(shí)間，可以自己去Coursera完成這個(gè)課程：鏈接除了吳恩達(dá)的課程以外，還有很多其他視頻教程。我是TomMitchell的粉絲，下面是他（與Maria-FlorinaBalcan共同完成的）最新的課程視頻，對學(xué)習(xí)者非常友好：你不需要現(xiàn)在看完全部的筆記和視頻。比較好的策略是向前推進(jìn)，去做下面的練習(xí)，需要的時(shí)候再查閱筆記和視頻。比如，你要做一個(gè)回歸模型，就可以去查閱吳恩達(dá)課程有關(guān)回歸的筆記以及/或

6、者M(jìn)itchell的視頻。第三步：科學(xué)計(jì)算Pythonpackages一覽好了?，F(xiàn)在我們有了Python編程經(jīng)驗(yàn)，并對機(jī)器學(xué)習(xí)有所了解。Python有很多為機(jī)器學(xué)習(xí)提供便利的開源庫。通常它們被稱為Python科學(xué)庫（scientificPythonlibraries），用以執(zhí)行基本的數(shù)據(jù)科學(xué)任務(wù)（這里有一點(diǎn)程度主觀色彩）：-主要用于N維數(shù)組-Python數(shù)據(jù)分析庫，包含dataframe等結(jié)構(gòu)-2D繪圖庫，產(chǎn)出質(zhì)量足以進(jìn)行印刷的圖-數(shù)據(jù)分析、數(shù)據(jù)挖掘任務(wù)使用的機(jī)器學(xué)習(xí)算法學(xué)習(xí)以上這些內(nèi)容可以使用：作者GaelVaroquaux，EmmanuelleGouillart，OlavVahtras下面

7、這個(gè)pandas教程也不錯(cuò)，貼近主題：在后面的教程中你會(huì)看到其他一些packages，比如包括Seaborn，一個(gè)基于matplotlib的可視化庫。前面提到的packages（再次承認(rèn)具有一定主觀色彩）是許多Python機(jī)器學(xué)習(xí)任務(wù)的核心工具。不過，理解它們也可以讓你在之后的教程中更好理解其他相關(guān)packageso好了，現(xiàn)在到了有意思的部分第四步：開始用Python進(jìn)行機(jī)器學(xué)習(xí)Python。搞定。機(jī)器學(xué)習(xí)基礎(chǔ)。搞定。Numpy。搞定。Pandas。搞定。ciiiKhilacfilicinFMatplotlib。搞定。是時(shí)候用Python的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)庫，scikit-learn，實(shí)現(xiàn)機(jī)器學(xué)習(xí)

8、算法了。匚lurtirE咚scikli-learnrilHlEKiDflEllktyscikit-learn算法選擇圖下面許多教程和練習(xí)都基于交互式環(huán)境iPython(Jupyter)Notebook。這些iPythonNotebooks有些可以在網(wǎng)上觀看，有些可以下載到本地電腦。斯坦福大學(xué)也請注意下面的資源來自網(wǎng)絡(luò)。所有資源屬于作者。如果出于某種原因，你發(fā)現(xiàn)有作者沒有被提及，請告知我，我會(huì)盡快改正。在此特別要向，致敬，感謝他們提供的優(yōu)秀免費(fèi)資源。下面是scikit-learn的入門教程。在進(jìn)行下一個(gè)步驟之前，推薦做完下列全部教程。對于scikit-learn的整體介紹，它是Python最常用

9、的通用機(jī)器學(xué)習(xí)庫，包含knn最近鄰算法:作者JakeVanderPlas更深入更寬泛的介紹，包含一個(gè)新手項(xiàng)目，從頭到尾使用一個(gè)著名的數(shù)據(jù)集：作者RandalOlson專注于scikit-learn中評估不同模型的策略，涉及訓(xùn)練集/測試集拆分:作者KevinMarkham第五步：Python機(jī)器學(xué)習(xí)主題在scikit-learn打下基礎(chǔ)以后，我們可以探索更多有用的常見算法。讓我們從最知名的機(jī)器學(xué)習(xí)算法之一，k-means聚類開始。對于無監(jiān)督學(xué)習(xí)問題，k-means通常簡單有效：作者JakeVanderPlas接下來是分類，讓我們看看史上最流行的分類方法之一，決策樹：分類之后，是連續(xù)數(shù)字變量的預(yù)測

10、：作者JakeVanderPlas通過邏輯斯蒂回歸，我們可以用回歸解決分類問題作者KevinMarkham第六步：Python高級機(jī)器學(xué)習(xí)接觸過scikit-learn，現(xiàn)在讓我們把注意力轉(zhuǎn)向更高級的內(nèi)容。首先是支持向量機(jī)，一個(gè)無需線性的分類器，它依賴復(fù)雜的數(shù)據(jù)轉(zhuǎn)換，把數(shù)據(jù)投向高維空間。作者JakeVanderPlas接下來是隨機(jī)森林，一種集成分類器。下面的教程通過講解。作者DonneMartin降維是一種減少問題涉及的變量數(shù)目的方法PCA主成分分析是一種無監(jiān)督學(xué)習(xí)降維的特殊形式:作者JakeVanderPlas在開始下一步之前，可以暫停一下，回想我們在短短的時(shí)間已經(jīng)走了多遠(yuǎn)。通過使用Pyth

11、on和它的機(jī)器學(xué)習(xí)庫，我們涵蓋了一些最常用最知名的機(jī)器學(xué)習(xí)算法（knn最近鄰，k-means聚類，支持向量機(jī)），了解了一種強(qiáng)有力的集成方法（隨機(jī)森林），涉及了一些其他機(jī)器學(xué)習(xí)支持方案（降維，模型驗(yàn)證技巧）。在一些基礎(chǔ)機(jī)器學(xué)習(xí)的技巧的幫助下，我們開始有了一個(gè)漸漸豐富的工具箱。在結(jié)束以前，讓我們給工具箱增加一個(gè)需求很大的工具：第七步：Python深度學(xué)習(xí)DfagcrulMrioNoda：NodeN-ode學(xué)習(xí)，深深地。到處都在深度學(xué)習(xí)！深度學(xué)習(xí)基于過去幾十年的神經(jīng)網(wǎng)絡(luò)研究，但最近幾年的發(fā)展大大增加了深度神經(jīng)網(wǎng)絡(luò)的能力和對于它的興趣。如果你不熟悉深度學(xué)習(xí)，許多文章，詳細(xì)介紹最近的進(jìn)展、成果，以及對這

12、項(xiàng)技術(shù)的贊譽(yù)。本文的最后一部分并不想成為某種深度學(xué)習(xí)示范教程。我們會(huì)關(guān)注基于兩個(gè)Python深度學(xué)習(xí)庫的簡單應(yīng)用。對于想了解更多的讀者，我推薦下面這本免費(fèi)在線書：作者Theano是我們關(guān)注的第一個(gè)Python深度學(xué)習(xí)庫。根據(jù)作者所說：作為一個(gè)Python庫，Theano讓你可以有效定義、優(yōu)化、評估包含多維數(shù)組的數(shù)學(xué)表達(dá)式。下面的Thean。深度學(xué)習(xí)教程很長，但非常不錯(cuò)，描述詳細(xì)，有大量評論：作者我們關(guān)注的另一個(gè)庫是Caffe。根據(jù)它的作者所說:Caffe是一個(gè)深度學(xué)習(xí)框架。開發(fā)過程中時(shí)刻考慮著表達(dá)式、速度、模型。它是由BerkeleyVisionandLearningCenter(BVLC)和

13、社區(qū)貢獻(xiàn)者共同開發(fā)的。這個(gè)教程是本文的壓軸。盡管上面列舉了一些有趣的案例，沒有那個(gè)比得上下面這個(gè)：用Caffe實(shí)現(xiàn)。希望你喜歡！理解這個(gè)教程以后，盡情玩樂，讓你的處理器開始自己做夢吧。via我不敢保證Python機(jī)器學(xué)習(xí)是速成的或簡單的。但只要投入時(shí)間，遵循這七個(gè)步驟，你無疑會(huì)對于這個(gè)領(lǐng)域擁有足夠的熟練度和理解，會(huì)使用流行的Python庫實(shí)現(xiàn)許多機(jī)器學(xué)習(xí)算法，甚至當(dāng)今深度學(xué)習(xí)領(lǐng)域的前沿內(nèi)容。K-tn&ansK-NearesTNeighixiLirSuppdrVMtdfMaAhingiLinearSVMKernelSVMAuto-enraderFactorAnajlygisRandomFores:GridSearchEiClassificationrchcalI/滄忙即l岀AdelineY_|KeniPCAPrinipl&CompccienfiAnalysis竺空GeneralizedLinearModel|ClusteringNeuralNetworkNonlinearHyper-parametersReinforcenneritLearning簡略機(jī)器學(xué)習(xí)模型匯總MatrixFactwizalionFrecucrlPtadnrnGrawWiR