只需十四步：从零开始掌握Python机器学习（附资源）
2017-03-15 08:55:54   来源：   评论：0 点击：

• 来自斯坦福的 iPython Notebook 概览：http://cs231n.github.io/ipython-tutorial/

同样也请注意，以下的教程是由一系列在线资源所组成。如果你感觉课程有什么不合适的，可以和作者交流。我们第一个教程就是从 scikit-learn 开始的，我建议你们在继续完成教程前可以按顺序看一看以下的文章。

下面是一篇是对 scikit-learn 简介的文章，scikit-learn 是 Python 最常用的通用机器学习库，其覆盖了 K 近邻算法：

• Jake VanderPlas 写的 scikit-learn 简介：http://suo.im/3bMdEd 

下面的会更加深入、扩展的一篇简介，包括了从著名的数据库开始完成一个项目：

• Randal Olson 的机器学习案例笔记：http://suo.im/RcPR6

下一篇关注于在 scikit-learn 上评估不同模型的策略，包括训练集/测试集的分割方法：

• Kevin Markham 的模型评估：http://suo.im/2HIXDD

第五步：Python 上实现机器学习的基本算法

在有了 scikit-learn 的基本知识后，我们可以进一步探索那些更加通用和实用的算法。我们从非常出名的 K 均值聚类（k-means clustering）算法开始，它是一种非常简单和高效的方法，能很好地解决非监督学习问题：

• K-均值聚类：http://suo.im/40R8zf 

接下来我们可以回到分类问题，并学习曾经最流行的分类算法：

• 决策树：http://thegrimmscientist.com/tutorial-decision-trees/

在了解分类问题后，我们可以继续看看连续型数值预测：

• 线性回归：http://suo.im/3EV4Qn

我们也可以利用回归的思想应用到分类问题中，即 logistic 回归：

• logistic 回归：http://suo.im/S2beL

第六步：Python 上实现进阶机器学习算法

我们已经熟悉了 scikit-learn，现在我们可以了解一下更高级的算法了。首先就是支持向量机，它是一种依赖于将数据转换映射到高维空间的非线性分类器。

• 支持向量机：http://suo.im/2iZLLa

随后，我们可以通过 Kaggle Titanic 竞赛检查学习作为集成分类器的随机森林：

• Kaggle Titanic 竞赛（使用随机森林）：http://suo.im/1o7ofe

降维算法经常用于减少在问题中所使用的变量。主成份分析法就是非监督降维算法的一个特殊形式：

• 降维算法：http://suo.im/2k5y2E

在进入第七步之前，我们可以花一点时间考虑在相对较短的时间内取得的一些进展。

首先使用 Python 及其机器学习库，我们不仅已经了解了一些最常见和知名的机器学习算法（k 近邻、k 均值聚类、支持向量机等），还研究了强大的集成技术（随机森林）和一些额外的机器学习任务（降维算法和模型验证技术）。除了一些基本的机器学习技巧，我们已经开始寻找一些有用的工具包。

我们会进一步学习新的必要工具。