七步精通python机器学习.docxVIP

七步精通Ｐｙtｈｏn机器学习 主题 HＹPEＲLIＮK ＂　数据挖掘　 HYPEＲLINK 　Ｐytｈon 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　　HＹPＥＲＬIＮＫ　 Anaｃonda 。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： ??? 　HＹPＥRＬIＮK 　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: ???　 HYPEＲLＩNＫ Gｏｏｇlｅ Ｄｅvelopｅrs Ｐytｈon Ｃoursｅ ((强烈推荐给视觉型学习者） ??? 　HYPＥRＬＩＮK An 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: ???　　HYPERＬＩNK 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?　 HYPEＲLINＫ　 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 HＹPERＬINＫ 　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?:　 HYＰＥRLINK 　Andrew Ｎｇ＇s Ｍａchiｎe　Learnｉng coｕrｓｅ 。 ??? HＹPＥRLIＮK ＂ 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: ?　 HYPＥRLINK　 Tｏｍ　Mｉtchell　Mａｃｈiｎe Learninｇ Ｌeｃturｅs 你不需要现在看完全部的笔记和视频。比较好的策略是向前推进,去做下面的