開始赫粥。這是最容易令人喪失斗志的兩個字观话。邁出第一步通常最艱難。當可以選擇的方向太多時越平，就更讓人兩腿發(fā)軟了频蛔。
從哪里開始？
本文旨在通過七個步驟秦叛，使用全部免費的線上資料晦溪，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挣跋。這篇概述的主要目的是帶領(lǐng)讀者接觸眾多免費的學習資源三圆。這些資源有很多，但哪些是最好的避咆？哪些相互補充舟肉？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(lǐng)域的專家：
? 機器學習
? Python
? 任何 Python 的機器學習查库、科學計算度气、數(shù)據(jù)分析庫
如果你有前兩個領(lǐng)域其一或全部的基礎(chǔ)知識，可能會很有幫助膨报，但這些也不是必需的磷籍。在下面幾個步驟中的前幾項多花點時間就可以彌補适荣。
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 院领，這里建議安裝 Anaconda弛矛。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 比然，包括 numpy丈氓，scikit-learn，matplotlib强法。它還包含 iPython Notebook 万俗，一個帶有許多教程的交互式環(huán)境。這里推薦使用 Python 2.7 饮怯，不是因為特殊原因闰歪，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蓖墅，建議你閱讀這本免費電子書库倘，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 的论矾，又或者你的 Python 水平很基礎(chǔ)教翩，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贪壳，這里有：
? Learn X in Y Minutes (X = Python)
當然饱亿，如果你是個經(jīng)驗豐富的 Python 程序員，可以跳過這一步闰靴。盡管如此路捧，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(chǔ)技能
KDnuggets 的 Zachary Lipton 指出传黄，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(lǐng)域的反映队寇。數(shù)據(jù)科學家在不同程度上使用計算學習算法膘掰。要建立和使用支持向量機模型，熟知核函數(shù)方法是否是必需的佳遣？答案當然不是识埋。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(yīng)用有關(guān)零渐。獲取對機器學習算法的深入理解不是本文的討論范圍窒舟， 而且這通常需要在學術(shù)領(lǐng)域投入大量時間，或者至少要通過密集的自學才能達到诵盼。
好消息是惠豺，你不必擁有博士級別的機器學習理論能力才能進行實踐银还，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 的課程飽受贊譽洁墙。但我的建議是去看看一名以前的學生做的筆記蛹疯。略過那些針對 Octave（一個與 Python 無關(guān)的，類 Matlab 語言）的內(nèi)容热监。需要注意捺弦，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(guān)內(nèi)容孝扛。如果你有時間列吼，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苦始，還有很多其他視頻教程寞钥。我是Tom Mitchell的粉絲，下面是他（與Maria-Florina Balcan共同完成的）最新的課程視頻盈简，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凑耻。比較好的策略是向前推進，去做下面的練習柠贤，需要的時候再查閱筆記和視頻香浩。比如，你要做一個回歸模型臼勉，就可以去查閱吳恩達課程有關(guān)回歸的筆記以及/或者 Mitchell 的視頻邻吭。
第三步：科學計算 Python packages 一覽
好了。現(xiàn)在我們有了 Python 編程經(jīng)驗宴霸，并對機器學習有所了解囱晴。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）瓢谢，用以執(zhí)行基本的數(shù)據(jù)科學任務(wù)（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)分析庫畸写，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)分析氓扛、數(shù)據(jù)挖掘任務(wù)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枯芬， Emmanuelle Gouillart， Olav Vahtras
下面這個pandas教程也不錯采郎，貼近主題：
? 10 Minutes to Pandas
在后面的教程中你會看到其他一些packages千所，比如包括Seaborn，一個基于matplotlib的可視化庫蒜埋。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(wù)的核心工具淫痰。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(guān)packages整份。
好了待错，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籽孙。搞定。
機器學習基礎(chǔ)朗鸠。搞定蚯撩。
Numpy。搞定烛占。
Pandas胎挎。搞定。
Matplotlib忆家。搞定犹菇。
是時候用 Python 的標準機器學習庫，scikit-learn芽卿，實現(xiàn)機器學習算法了揭芍。
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)上觀看卸例，有些可以下載到本地電腦称杨。
? iPython Notebook概覽 斯坦福大學
也請注意下面的資源來自網(wǎng)絡(luò)。所有資源屬于作者筷转。如果出于某種原因姑原，你發(fā)現(xiàn)有作者沒有被提及，請告知我呜舒，我會盡快改正锭汛。在此特別要向Jake VanderPlas，Randal Olson袭蝗，Donne Martin唤殴，Kevin Markham，Colin Raffel致敬到腥，感謝他們提供的優(yōu)秀免費資源朵逝。
下面是 scikit-learn 的入門教程。在進行下一個步驟之前乡范，推薦做完下列全部教程配名。
對于 scikit-learn 的整體介紹，它是 Python 最常用的通用機器學習庫篓足，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，包含一個新手項目闰蚕，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栈拖，涉及訓(xùn)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(chǔ)以后，我們可以探索更多有用的常見算法没陡。讓我們從最知名的機器學習算法之一涩哟，k-means聚類開始索赏。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接下來是分類贴彼，讓我們看看史上最流行的分類方法之一潜腻，決策樹：? Decision Trees via The Grimm Scientist分類之后，是連續(xù)數(shù)字變量的預(yù)測：? Linear Regression 作者 Jake VanderPlas通過邏輯斯蒂回歸器仗，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融涣，現(xiàn)在讓我們把注意力轉(zhuǎn)向更高級的內(nèi)容。首先是支持向量機精钮，一個無需線性的分類器威鹿，它依賴復(fù)雜的數(shù)據(jù)轉(zhuǎn)換，把數(shù)據(jù)投向高維空間轨香。
? Support Vector Machines 作者 Jake VanderPlas
接下來是隨機森林忽你，一種集成分類器。下面的教程通過 Kaggle Titanic Competition講解臂容。
? 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)目的方法科雳。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，可以暫停一下脓杉，回想我們在短短的時間已經(jīng)走了多遠糟秘。
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 最近鄰丽已，k-means 聚類蚌堵，支持向量機），了解了一種強有力的集成方法（隨機森林）沛婴，涉及了一些其他機器學習支持方案（降維吼畏，模型驗證技巧）。在一些基礎(chǔ)機器學習的技巧的幫助下嘁灯，我們開始有了一個漸漸豐富的工具箱泻蚊。
在結(jié)束以前，讓我們給工具箱增加一個需求很大的工具丑婿。
第七步 ：Python 深度學習
學習性雄，深深地。
到處都在深度學習羹奉！深度學習基于過去幾十年的神經(jīng)網(wǎng)絡(luò)研究秒旋，但最近幾年的發(fā)展大大增加了深度神經(jīng)網(wǎng)絡(luò)的能力和對于它的興趣。如果你不熟悉深度學習诀拭，KDnuggets 有許多文章 迁筛，詳細介紹最近的進展、成果耕挨，以及對這項技術(shù)的贊譽细卧。
本文的最后一部分并不想成為某種深度學習示范教程尉桩。我們會關(guān)注基于兩個 Python 深度學習庫的簡單應(yīng)用。對于想了解更多的讀者贪庙，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(guān)注的第一個 Python 深度學習庫蜘犁。根據(jù)作者所說：
作為一個 Python 庫，Theano 讓你可以有效定義止邮、優(yōu)化这橙、評估包含多維數(shù)組的數(shù)學表達式。
下面的 Theano 深度學習教程很長农尖，但非常不錯析恋，描述詳細，有大量評論：
? Theano Deep Learning Tutorial 作者 Colin Raffel
Caffe
我們關(guān)注的另一個庫是 Caffe盛卡。根據(jù)它的作者所說：
Caffe 是一個深度學習框架助隧。開發(fā)過程中時刻考慮著表達式、速度滑沧、模型并村。 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滓技。盡管上面列舉了一些有趣的案例哩牍，沒有那個比得上下面這個：用 Caffe 實現(xiàn) Google的#DeepDream。希望你喜歡令漂！理解這個教程以后膝昆，盡情玩樂，讓你的處理器開始自己做夢吧叠必。
? 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荚孵。但只要投入時間，遵循這七個步驟纬朝，你無疑會對于這個領(lǐng)域擁有足夠的熟練度和理解收叶，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(lǐng)域的前沿內(nèi)容共苛。
以上內(nèi)容均為摘錄判没，只為自己在機器學習的路上找到方向和學習路線，我自己也整理相關(guān)的學習計劃和腦圖：Python機器學習腦圖
