開始。這是最容易令人喪失斗志的兩個字。邁出第一步通常最艱難。當可以選擇的方向太多時，就更讓人兩腿發(fā)軟了。

從哪里開始？

本文旨在通過七個步驟，使用全部免費的線上資料，幫助新人獲取最基本的 Python 機器學習知識，直至成為博學的機器學習實踐者。這篇概述的主要目的是帶領讀者接觸眾多免費的學習資源。這些資源有很多，但哪些是最好的？哪些相互補充？怎樣的學習順序才最好？

我假定本文的讀者不是以下任何領域的專家：

  機器學習

  Python

  任何 Python 的機器學習、科學計算、數(shù)據(jù)分析庫

如果你有前兩個領域其一或全部的基礎知識，可能會很有幫助，但這些也不是必需的。在下面幾個步驟中的前幾項多花點時間就可以彌補。

第一步：基本 Python 技能

如果要使用 Python 進行機器學習，擁有對 Python 有基礎的理解非常關鍵。幸運的是，Python 是當前普遍使用的流行語言，并納入了科學計算和機器學習的內(nèi)容，所以找到入門教程并不困難。在選擇起點時，很大程度上要取決于你之前的 Python 經(jīng)驗和編程經(jīng)驗。

首先要安裝 Python 。由于我們要使用機器學習和科學計算的 packages ，這里建議安裝  Anaconda。Anaconda 是一個可在 Linux , OSX , Windows 上運行的 Python 實現(xiàn)工具，擁有所需的機器學習 packages ，包括 numpy，scikit-learn，matplotlib。它還包含iPython Notebook ，一個帶有許多教程的交互式環(huán)境。這里推薦使用 Python 2.7 ，不是因為特殊原因，只是因為它是目前安裝版本中的主流。

如果你之前沒有編程知識，建議你閱讀這本免費電子書，然后再接觸其他學習材料：

  Python The Hard Way 作者Zed A. 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，推薦下列一種或幾種教程：

  Google Developers Python Course（(強烈推薦給視覺型學習者）

  An Introduction to Python for Scientific Computing (from UCSB Engineering) 作者 M. Scott Shell (一個很好的 Python 科學計算簡介，60 頁)

對于想要速成課程的人，這里有：

  Learn X in Y Minutes (X = Python)

當然，如果你是個經(jīng)驗豐富的 Python 程序員，可以跳過這一步。盡管如此，還是建議你把通俗易懂的 Python documentation  放在手邊。

第二步：機器學習基礎技能

KDnuggets 的 Zachary Lipton 指出，人們對于“數(shù)據(jù)科學家”的認知千差萬別。這實際上是對機器學習領域的反映。數(shù)據(jù)科學家在不同程度上使用計算學習算法。要建立和使用支持向量機模型，熟知核函數(shù)方法是否是必需的？答案當然不是。就像現(xiàn)實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際應用有關。獲取對機器學習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術(shù)領域投入大量時間，或者至少要通過密集的自學才能達到。

好消息是，你不必擁有博士級別的機器學習理論能力才能進行實踐，就如同不是所有程序員都必須接受計算機理論教育才能寫好代碼。

吳恩達在 Coursera 的課程飽受贊譽。但我的建議是去看看一名以前的學生做的筆記。略過那些針對 Octave（一個與 Python 無關的，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課程材料的相關內(nèi)容。如果你有時間，可以自己去 Coursera 完成這個課程 ：Andrew Ng's Machine Learning course 。

  非官方課程筆記鏈接

除了吳恩達的課程以外，還有很多其他視頻教程。我是 Tom Mitchell 的粉絲，下面是他（與Maria-Florina Balcan 共同完成的）最新的課程視頻，對學習者非常友好：

  Tom Mitchell Machine Learning Lectures

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，去做下面的練習，需要的時候再查閱筆記和視頻。比如，你要做一個回歸模型，就可以去查閱吳恩達課程有關回歸的筆記以及/或者 Mitchell 的視頻。

第三步：科學計算 Python packages 一覽

好了?，F(xiàn)在我們有了 Python 編程經(jīng)驗，并對機器學習有所了解。Python 有很多為機器學習提供便利的開源庫。通常它們被稱為 Python 科學庫（scientific Python libraries），用以執(zhí)行基本的數(shù)據(jù)科學任務（這里有一點程度主觀色彩）：

  numpy - 主要用于 N 維數(shù)組

  pandas - Python 數(shù)據(jù)分析庫，包含 dataframe 等結(jié)構(gòu)

  matplotlib - 2D 繪圖庫，產(chǎn)出質(zhì)量足以進行印刷的圖

  scikit-learn - 數(shù)據(jù)分析、數(shù)據(jù)挖掘任務使用的機器學習算法

學習以上這些內(nèi)容可以使用：

  Scipy Lecture Notes 作者 Ga?l Varoquaux， Emmanuelle Gouillart， Olav Vahtras

下面這個 pandas 教程也不錯，貼近主題：

  10 Minutes to Pandas

在后面的教程中你會看到其他一些 packages ，比如包括 Seaborn ，一個基于 matplotlib 的可視化庫。前面提到的 packages （再次承認具有一定主觀色彩）是許多 Python 機器學習任務的核心工具。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 packages。

好了，現(xiàn)在到了有意思的部分.....

第四步：開始用 Python 進行機器學習

Python。搞定。

機器學習基礎。搞定。

Numpy。搞定。

Pandas。搞定。

Matplotlib。搞定。

是時候用 Python 的標準機器學習庫，scikit-learn，實現(xiàn)機器學習算法了。

scikit-learn 算法選擇圖

下面許多教程和練習都基于交互式環(huán)境 iPython (Jupyter) Notebook 。這些 iPython Notebooks有些可以在網(wǎng)上觀看，有些可以下載到本地電腦。

  iPython Notebook 概覽 斯坦福大學

也請注意下面的資源來自網(wǎng)絡。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，我會盡快改正。在此特別要向 Jake VanderPlas，Randal Olson，Donne Martin，Kevin Markham，Colin Raffel 致敬，感謝他們提供的優(yōu)秀免費資源。

下面是 scikit-learn 的入門教程。在進行下一個步驟之前，推薦做完下列全部教程。

對于 scikit-learn 的整體介紹，它是 Python 最常用的通用機器學習庫，包含knn最近鄰算法： 

  An Introduction to scikit-learn 作者 Jake VanderPlas

更深入更寬泛的介紹，包含一個新手項目，從頭到尾使用一個著名的數(shù)據(jù)集：

  Example Machine Learning Notebook 作者 Randal Olson

專注于 scikit-learn 中評估不同模型的策略，涉及訓練集/測試集拆分：

  Model Evaluation 作者 Kevin Markham

第五步：Python 機器學習主題

在 scikit-learn 打下基礎以后，我們可以探索更多有用的常見算法。讓我們從最知名的機器學習算法之一，k-means 聚類開始。對于無監(jiān)督學習問題，k-means 通常簡單有效：

  k-means Clustering 作者 Jake VanderPlas

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：

  Decision Trees via The Grimm Scientist

分類之后，是連續(xù)數(shù)字變量的預測：

  Linear Regression 作者 Jake VanderPlas

通過邏輯斯蒂回歸，我們可以用回歸解決分類問題：

  Logistic Regression 作者 Kevin Markham

第六步：Python高級機器學習

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，一個無需線性的分類器，它依賴復雜的數(shù)據(jù)轉(zhuǎn)換，把數(shù)據(jù)投向高維空間。

  Support Vector Machines 作者 Jake VanderPlas

接下來是隨機森林，一種集成分類器。下面的教程通過 Kaggle Titanic Competition講解。

  Kaggle Titanic Competition (with Random Forests) 作者 Donne Martin

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)督學習降維的特殊形式：

  Dimensionality Reduction?作者 Jake VanderPlas

在開始下一步之前，可以暫停一下，回想我們在短短的時間已經(jīng)走了多遠。

通過使用 Python 和它的機器學習庫，我們涵蓋了一些最常用最知名的機器學習算法（ knn 最近鄰，k-means 聚類，支持向量機），了解了一種強有力的集成方法（隨機森林），涉及了一些其他機器學習支持方案（降維，模型驗證技巧）。在一些基礎機器學習的技巧的幫助下，我們開始有了一個漸漸豐富的工具箱。

在結(jié)束以前，讓我們給工具箱增加一個需求很大的工具：

第七步 ：Python 深度學習

學習，深深地。

到處都在深度學習！深度學習基于過去幾十年的神經(jīng)網(wǎng)絡研究，但最近幾年的發(fā)展大大增加了深度神經(jīng)網(wǎng)絡的能力和對于它的興趣。如果你不熟悉深度學習，KDnuggets 有許多文章 ，詳細介紹最近的進展、成果，以及對這項技術(shù)的贊譽。

本文的最后一部分并不想成為某種深度學習示范教程。我們會關注基于兩個Python深度學習庫的簡單應用。對于想了解更多的讀者，我推薦下面這本免費在線書：

  Neural Networks and Deep Learning 作者 Michael Nielsen

Theano

Theano是我們關注的第一個 Python 深度學習庫。根據(jù)作者所說：

作為一個 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)學表達式。

下面的 Theano 深度學習教程很長，但非常不錯，描述詳細，有大量評論：

  Theano Deep Learning Tutorial 作者 Colin Raffel

Caffe

我們關注的另一個庫是 Caffe。根據(jù)它的作者所說：

Caffe 是一個深度學習框架。開發(fā)過程中時刻考慮著表達式、速度、模型。 它是由 Berkeley Vision and Learning Center (BVLC) 和社區(qū)貢獻者共同開發(fā)的。

這個教程是本文的壓軸。盡管上面列舉了一些有趣的案例，沒有那個比得上下面這個：用 Caffe 實現(xiàn) Google 的  #DeepDream。希望你喜歡！理解這個教程以后，盡情玩樂，讓你的處理器開始自己做夢吧。

  Dreaming Deep with Caffe via Google's GitHub

我不敢保證Python機器學習是速成的或簡單的。但只要投入時間，遵循這七個步驟，你無疑會對于這個領域擁有足夠的熟練度和理解，會使用流行的 Python 庫實現(xiàn)許多機器學習算法，甚至當今深度學習領域的前沿內(nèi)容。

作者簡介:  Matthew Mayo 是一名計算機專業(yè)的研究生。他目前在從事并行機器學習算法方面的論文工作。同時他也是一個數(shù)據(jù)挖掘?qū)W習者，數(shù)據(jù)愛好者，立志成為機器學習科學家。

翻譯：數(shù)據(jù)工匠

原文地址：

http://www./2015/11/seven-steps-machine-learning-python.html