七步精通Python機器學習_數(shù)據(jù)分析師

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：基本的 Python 技能

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等結構

? matplotlib - 2D繪圖庫，產(chǎn)出質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)