在下面的教程中你可能看到一些其他的庫,比如說 Seaborn,一個基于Matplotlib的數(shù)據(jù)可視化庫.上述包是廣泛Python機器學(xué)習(xí)任務(wù)的核心,然而,讓你在下面引用時,理解這些適應(yīng)更多相關(guān)的包而不會懵.

第四步 開始Python機器學(xué)習(xí)

Python. √
Machine learning fundamentals. √
Numpy. √
Pandas. √
Matplotlib. √

吉時已到,我們開始使用python標(biāo)準(zhǔn)機器學(xué)習(xí)庫–scikit-learn實現(xiàn)機器學(xué)習(xí)算法吧.

下面大多數(shù)教程和聯(lián)系都在IPython(Jupyter)Notebook中實現(xiàn).它是Python執(zhí)行的一個交互式環(huán)境.這些IPython NOtebook可以選擇在線預(yù)覽或下載,并且在你電腦本地交互.

iPython Notebook Overview?from Stanford

另外請注意,下面教程來源于許多在線資源.所有Notebooks 都歸功于作業(yè),你發(fā)現(xiàn)沒有正確工作,請讓我知道,這種情況會盡快糾正.我非常想向Jake VanderPlas, Randal Olson, Donne Martin, Kevin Markham, and Colin Raffel等人致敬.因為他們神奇免費可用的資源(50字好評已給,請返現(xiàn)).
第一個教程從scikit-learn開始,在開始下面步驟之前,我建議先做這些.

scikit-learn庫的一般介紹,Python中最常用的機器學(xué)習(xí)庫,涵蓋了KNN算法:

An Introduction to scikit-learn?by Jake VanderPlas

更深入的介紹,包括知名數(shù)據(jù)集開始到項目完成:

Example Machine Learning Notebook?by Randal Olson

重點放在scikit-learn中不同模型的評估策略,涵蓋了訓(xùn)練集/測試集拆分(后面這句話的點沒get到呢):

Model Evaluation?by Kevin Markham

第五步 python機器學(xué)習(xí)主題

有了 scikit-learn基礎(chǔ)后,我們可以對常見,實用的算法做進一步深入了解.我們從K-means聚類開始,一個廣為人知的機器學(xué)習(xí)算法.解決無監(jiān)督學(xué)習(xí)問題一個簡單有效的方法:

k-means Clustering?by Jake VanderPlas

接下來,我們看看分類問題.了解歷史上最流行分類算法之一:

Decision Trees?via The Grimm Scientist

讓我們看看連續(xù)數(shù)值預(yù)測:

Linear Regression?by Jake VanderPlas

我們可以從過Logistic回歸解決分類問題:

Logistic Regression?by Kevin Markham

第六步 深入python機器學(xué)習(xí)主題

我們已經(jīng)開始scikit-learn,現(xiàn)在讓我們將注意轉(zhuǎn)向高級主題.首先SVM(支持向量機).一個將復(fù)雜數(shù)據(jù)映射到高維空間的not-necessarily-linear分類

Support Vector Machines?by Jake VanderPlas

接下來,隨機森林,一個組合分類,通過考察Kaggle Titanic競賽逐步引導(dǎo):

Kaggle Titanic Competition (with Random Forests)?by Donne Martin

降維是減少正在考慮問題中變量數(shù)目的方法.PCA(Principal Component Analysis,主成分分析)是一種非監(jiān)督的降維方法:

Dimensionality Reduction?by Jake VanderPlas

在進入到最后一步之前,我們可以花時間考慮下,我們已經(jīng)在相對較短的時間內(nèi)走了很長一段路.
使用Python和它的機器學(xué)習(xí)庫,我們已經(jīng)介紹一些最常見和總所周知的機器學(xué)習(xí)算法(K-means,支持向量機,KNN),考察了強大的組合技術(shù)(隨機森林),研究了支持任務(wù)的額外機器學(xué)習(xí)算法(降維,模型驗證技術(shù)).隨著這些基礎(chǔ)的機器學(xué)習(xí)技巧的學(xué)習(xí),我們已經(jīng)擁有了一些使用的技能.

第七步 python深度學(xué)習(xí)

深度學(xué)習(xí)無處不在.深度學(xué)習(xí)構(gòu)建與神經(jīng)網(wǎng)絡(luò)研究可以追溯到十幾年前,但是追溯到過去幾年的最新進展顯著增加.如果你不熟悉深度學(xué)習(xí),KDnuggets有很多文教詳細介紹了眾多最新創(chuàng)新,成就和令人贊譽的技術(shù).

最后一步并不對深度學(xué)習(xí)軟件分類,介紹2個引領(lǐng)當(dāng)代Python深度學(xué)習(xí)庫的幾個簡單的網(wǎng)絡(luò)實現(xiàn).對于有興趣挖掘更深的深度學(xué)習(xí)者,我建議你先從一下免費書開始:

*?Neural Networks and Deep Learning?by Michael Nielsen

Theano?
Theano是第一個Python深度學(xué)習(xí)庫,按作者的話來說:

Theano是一個python的庫,可以讓你高效地定義,優(yōu)化,評估包含多維數(shù)據(jù)的數(shù)學(xué)表達式，下面Theano的機器學(xué)習(xí)入門教程是非常長的,但相當(dāng)?shù)陌?十分生動:?
*?Theano Deep Learning Tutorial?by Colin Raffel

Caffe?
另一個測試執(zhí)行的庫,caffe.同樣的:

Caffe是一個帶有表達式,速度和模塊化的深度學(xué)習(xí)庫.由 Berkeley Vision and Learning Center (BVLC) 和社區(qū)貢獻者開發(fā).

我們已經(jīng)介紹了很多有趣的例子,這里再給出一個, 用Caffe實現(xiàn)Google’s #DeepDream.了解了這么多,自己動手放飛夢想吧(另外,關(guān)于深度學(xué)習(xí)的開源軟件非常多,更多的可以看的翻譯的GitHub深度學(xué)習(xí)庫,你了解多少?)。

Dreaming Deep with Caffe?via?Google’s GitHub

我沒不能保證這個過程會很快或很容易，但如果你把時間按照上面的7個步驟做，沒有任何理由，你不能達到合理水平，理解一些機器學(xué)習(xí)算法并利用Python流行的庫實現(xiàn)它，包括一些目前的深度學(xué)習(xí)研究前沿。