七步精通Python机器学习.docxVIP

七步精通Python机器学习主题 /topics据挖掘 /topicsython开始。这是最容易令人丧失斗志的两个字。迈出第一步通常最艰难。当可以选择的方向太多时，就更让人两腿发软了。从哪里开始？本文旨在通过七个步骤，使用全部免费的线上资料，帮助新人获取最基本的 Python 机器学习知识，直至成为博学的机器学习实践者。这篇概述的主要目的是带领读者接触众多免费的学习资源。这些资源有很多，但哪些是最好的？哪些相互补充？怎样的学习顺序才最好？我假定本文的读者不是以下任何领域的专家：??机器学习??Python???任何Python的机器学习、科学计算、数据分析库如果你有前两个领域其一或全部的基础知识，可能会很有帮助，但这些也不是必需的。在下面几个步骤中的前几项多花点时间就可以弥补。第一步：基本 Python 技能?如果要使用 Python 进行机器学习，拥有对 Python 有基础的理解非常关键。幸运的是，Python 是当前普遍使用的流行语言，并纳入了科学计算和机器学习的内容，所以找到入门教程并不困难。在选择起点时，很大程度上要取决于你之前的 Python 经验和编程经验。首先要安装 Python 。由于我们要使用机器学习和科学计算的 packages ，这里建议安装 http://docs.continuum.io/anaconda/installAnaconda 。Anaconda 是一个可在 Linux , OSX , Windows 上运行的 Python 实现工具，拥有所需的机器学习 packages ，包括 numpy，scikit-learn，matplotlib。它还包含iPython Notebook ，一个带有许多教程的交互式环境。这里推荐使用 Python 2.7 ，不是因为特殊原因，只是因为它是目前安装版本中的主流。如果你之前没有编程知识，建议你阅读这本免费电子书，然后再接触其他学习材料：? /book/Python The Hard Way 作者Zed A. Shaw?如果你之前有编程知识，但不是Python的，又或者你的Python水平很基础，推荐下列一种或几种教程：? /playlist?list=PLfZeRfzhgQzTMgwFVezQbnpc1ck0I6CQlGoogle Developers Python Course （(强烈推荐给视觉型学习者）? /~shell/che210d/python.pdfAn Introduction to Python for Scientific Computing (from UCSB Engineering) 作者 M. Scott Shell (一个很好的 Python 科学计算简介，60 页)?对于想要速成课程的人，这里有：? /docs/python/Learn X in Y Minutes (X = Python)当然，如果你是个经验丰富的Python程序员，可以跳过这一步。尽管如此，还是建议你把通俗易懂的 /doc/Python documentation 放在手边。?第二步：机器学习基础技能KDnuggets 的 Zachary Lipton 指出，人们对于“数据科学家”的认知千差万别。这实际上是对机器学习领域的反映。数据科学家在不同程度上使用计算学习算法。要建立和使用支持向量机模型，熟知 /wiki/Kernel_method核函数方法是否是必需的？ 答案当然不是。就像现实生活中的许多事情一样，所需要的理论深入程度与具体的实际应用有关。获取对机器学习算法的深入理解不是本文的讨论范围， 而且这通常需要在学术领域投入大量时间，或者至少要通过密集的自学才能达到。好消息是，你不必拥有博士级别的机器学习理论能力才能进行实践，就如同不是所有程序员都必须接受计算机理论教育才能写好代码。吴恩达在 Coursera 的课程饱受赞誉。但我的建议是去看看一名以前的学生做的笔记。略过那些针对 Octave（一个与 Python 无关的，类 Matlab 语言）的内容。需要注意，这些不是“官方”的笔记，虽然看起来的确抓住了吴恩达课程材料的相关内容。如果你有时间，可以自己去 Coursera 完成这个课程?： /learn/machine-learningAndrew Ngs Machine Learning course 。? /mlclass/非官方课程笔记 链接?除了吴恩达的课程以外，还有很多其他视频教程。我是Tom Mitchell的粉丝，下面是他（与Maria-Florina Balcan共同完成的）最新的课程视频，对学习者非常友好：? /~ninamf/courses/601sp15/lectures.shtmlT