文 | Matthew Mayo译 | 王鹏宇
开始。这是最容易令人丧失斗志的两个字。迈出第一步通常最艰难。当可以选择的方向太多时,就更让人两腿发软了。
从哪里开始?
本文旨在通过七个步骤,使用全部免费的线上资料,帮助新人获取最基本的 Python 机器学习知识,直至成为博学的机器学习实践者。这篇概述的主要目的是带领读者接触众多免费的学习资源。这些资源有很多,但哪些是最好的?哪些相互补充?怎样的学习顺序才最好?
我假定本文的读者不是以下任何领域的专家:
Python
任何 Python 的机器学习、科学计算、数据分析库
如果你有前两个领域其一或全部的基础知识,可能会很有帮助,但这些也不是必需的。在下面几个步骤中的前几项多花点时间就可以弥补。
第一步:基本的 Python 技能
首先要安装 Python 。由于我们要使用机器学习和科学计算的 packages ,这里建议安装 Anaconda。Anaconda 是一个可在 Linux , OSX , Windows 上运行的 Python 实现工具,拥有所需的机器学习 packages ,包括 numpy,scikit-learn,matplotlib。它还包含 iPython Notebook ,一个带有许多教程的交互式环境。这里推荐使用 Python 2.7 ,不是因为特殊原因,只是因为它是目前安装版本中的主流。
如果你之前没有编程知识,建议你阅读这本免费电子书,然后再接触其他学习材料:
Python The Hard Way 作者Zed A. Shaw(http://learnpythonthehardway.org/book/)
如果你之前有编程知识,但不是 Python 的,又或者你的 Python 水平很基础,推荐下列一种或几种教程:
Google Developers Python Course(https://www.youtube.com/playlist?list=PLfZeRfzhgQzTMgwFVezQbnpc1ck0I6CQl)(强烈推荐给视觉型学习者)
An Introduction to Python for Scientific Computing (from UCSB Engineering) 作者 M. Scott Shell (http://www.engr.ucsb.edu/~shell/che210d/python.pdf)(一个很好的 Python 科学计算简介,60 页)
对于想要速成课程的人,这里有:
Learn X in Y Minutes (X = Python)(https://learnxinyminutes.com/docs/python/)
当然,如果你是个经验丰富的 Python 程序员,可以跳过这一步。尽管如此,还是建议你把通俗易懂的 Python documentation (https://www.python.org/doc/)放在手边。
第二步:机器学习基础技能
KDnuggets 的 Zachary Lipton 指出,人们对于“数据科学家”的认知千差万别。这实际上是对机器学习领域的反映。数据科学家在不同程度上使用计算学习算法。要建立和使用支持向量机模型,熟知核函数方法是否是必需的?(https://en.wikipedia.org/wiki/Kernel_method)答案当然不是。就像现实生活中的许多事情一样,所需要的理论深入程度与具体的实际应用有关。获取对机器学习算法的深入理解不是本文的讨论范围, 而且这通常需要在学术领域投入大量时间,或者至少要通过密集的自学才能达到。
好消息是,你不必拥有博士级别的机器学习理论能力才能进行实践,就如同不是所有程序员都必须接受计算机理论教育才能写好代码。
吴恩达在 Coursera 的课程饱受赞誉。但我的建议是去看看一名以前的学生做的笔记。略过那些针对 Octave(一个与 Python 无关的,类 Matlab 语言)的内容。需要注意,这些不是“官方”的笔记,虽然看起来的确抓住了吴恩达课程材料的相关内容。如果你有时间,可以自己去 Coursera 完成这个课程 :Andrew Ng's Machine Learning course(https://www.coursera.org/learn/machine-learning) 。
非官方课程笔记链接(http://www.holehouse.org/mlclass/)
除了吴恩达的课程以外,还有很多其他视频教程。我是Tom Mitchell的粉丝,下面是他(与Maria-Florina Balcan共同完成的)最新的课程视频,对学习者非常友好:
Tom Mitchell Machine Learning Lectures(http://www.cs.cmu.edu/~ninamf/courses/601sp15/lectures.shtml)
你不需要现在看完全部的笔记和视频。比较好的策略是向前推进,去做下面的练习,需要的时候再查阅笔记和视频。比如,你要做一个回归模型,就可以去查阅吴恩达课程有关回归的笔记以及/或者 Mitchell 的视频。
第三步:科学计算 Python packages 一览
好了。现在我们有了 Python 编程经验,并对机器学习有所了解。Python 有很多为机器学习提供便利的开源库。通常它们被称为 Python 科学库(scientific Python libraries),用以执行基本的数据科学任务(这里有一点程度主观色彩):
numpy(http://www.numpy.org/) - 主要用于N维数组
pandas (http://pandas.pydata.org/)- Python数据分析库,包含dataframe等结构
matplotlib(http://matplotlib.org/) - 2D绘图库,产出质量足以进行印刷的图
scikit-learn (http://scikit-learn.org/stable/)- 数据分析、数据挖掘任务使用的机器学习算法
学习以上这些内容可以使用:
Scipy Lecture Notes 作者 Gaêl Varoquaux, Emmanuelle Gouillart, Olav Vahtras
下面这个pandas教程也不错,贴近主题:
10 Minutes to Pandas(http://pandas.pydata.org/pandas-docs/stable/10min.html)
在后面的教程中你会看到其他一些packages,比如包括Seaborn,一个基于matplotlib的可视化库。前面提到的packages (再次承认具有一定主观色彩)是许多Python机器学习任务的核心工具。不过,理解它们也可以让你在之后的教程中更好理解其他相关packages。
好了,现在到了有意思的部分.....
第四步:开始用 Python 进行机器学习
Python。搞定。
机器学习基础。搞定。
Numpy。搞定。
Pandas。搞定。
Matplotlib。搞定。
是时候用 Python 的标准机器学习库,scikit-learn,实现机器学习算法了。
scikit-learn 算法选择图
下面许多教程和练习都基于交互式环境 iPython (Jupyter) Notebook。这些iPython Notebooks 有些可以在网上观看,有些可以下载到本地电脑。
iPython Notebook概览(http://cs231n.github.io/ipython-tutorial/) 斯坦福大学
也请注意下面的资源来自网络。所有资源属于作者。如果出于某种原因,你发现有作者没有被提及,请告知我,我会尽快改正。在此特别要向Jake VanderPlas,Randal Olson,Donne Martin,Kevin Markham,Colin Raffel致敬,感谢他们提供的优秀免费资源。
下面是 scikit-learn 的入门教程。在进行下一个步骤之前,推荐做完下列全部教程。
对于 scikit-learn 的整体介绍,它是 Python 最常用的通用机器学习库,包含 knn 最近邻算法:
An Introduction to scikit-learn 作者 Jake VanderPlas(http://cs231n.github.io/ipython-tutorial/)
更深入更宽泛的介绍,包含一个新手项目,从头到尾使用一个著名的数据集:·
Example Machine Learning Notebook 作者 Randal Olson(http://nbviewer.ipython.org/github/rhiever/Data-Analysis-and-Machine-Learning-Projects/blob/master/example-data-science-notebook/Example%20Machine%20Learning%20Notebook.ipynb)
专注于 scikit-learn 中评估不同模型的策略,涉及训练集/测试集拆分:
Model Evaluation 作者 Kevin Markham(https://github.com/justmarkham/scikit-learn-videos/blob/master/05_model_evaluation.ipynb)
第五步:Python机器学习主题
在 scikit-learn 打下基础以后,我们可以探索更多有用的常见算法。让我们从最知名的机器学习算法之一,k-means聚类开始。对于无监督学习问题,k-means通常简单有效:
k-means Clustering 作者 Jake VanderPlas(https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/04.2-Clustering-KMeans.ipynb)
接下来是分类,让我们看看史上最流行的分类方法之一,决策树:
Decision Trees (http://thegrimmscientist.com/2014/10/23/tutorial-decision-trees/)via The Grimm Scientist(http://thegrimmscientist.com/)
分类之后,是连续数字变量的预测:
Linear Regression 作者 Jake VanderPlas(http://nbviewer.ipython.org/github/donnemartin/data-science-ipython-notebooks/blob/master/scikit-learn/scikit-learn-linear-reg.ipynb)
通过逻辑斯蒂回归,我们可以用回归解决分类问题:
Logistic Regression 作者Kevin Markham(http://nbviewer.ipython.org/github/justmarkham/gadsdc1/blob/master/logistic_assignment/kevin_logistic_sklearn.ipynb)
第六步:Python 高级机器学习
接触过 scikit-learn,现在让我们把注意力转向更高级的内容。首先是支持向量机,一个无需线性的分类器,它依赖复杂的数据转换,把数据投向高维空间。
Support Vector Machines 作者 Jake VanderPlas(https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/03.1-Classification-SVMs.ipynb)
接下来是随机森林,一种集成分类器。下面的教程通过 Kaggle Titanic Competition(https://www.kaggle.com/c/titanic)讲解。
Kaggle Titanic Competition (with Random Forests) 作者 Donne Martin(http://nbviewer.ipython.org/github/donnemartin/data-science-ipython-notebooks/blob/master/kaggle/titanic.ipynb)
降维是一种减少问题涉及的变量数目的方法。PCA 主成分分析是一种无监督学习降维的特殊形式:
Dimensionality Reduction 作者 Jake VanderPlas(https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/04.1-Dimensionality-PCA.ipynb)
在开始下一步之前,可以暂停一下,回想我们在短短的时间已经走了多远。
通过使用 Python 和它的机器学习库,我们涵盖了一些最常用最知名的机器学习算法( knn 最近邻,k-means 聚类,支持向量机),了解了一种强有力的集成方法(随机森林),涉及了一些其他机器学习支持方案(降维,模型验证技巧)。在一些基础机器学习的技巧的帮助下,我们开始有了一个渐渐丰富的工具箱。
在结束以前,让我们给工具箱增加一个需求很大的工具:
第七步 :Python 深度学习
学习,深深地。
到处都在深度学习!深度学习基于过去几十年的神经网络研究,但最近几年的发展大大增加了深度神经网络的能力和对于它的兴趣。如果你不熟悉深度学习,KDnuggets (http://www.kdnuggets.com/?s=deep+learning)有许多文章 ,详细介绍最近的进展、成果,以及对这项技术的赞誉。
本文的最后一部分并不想成为某种深度学习示范教程。我们会关注基于两个 Python 深度学习库的简单应用。对于想了解更多的读者,我推荐下面这本免费在线书:
Neural Networks and Deep Learning 作者 Michael Nielsen (http://neuralnetworksanddeeplearning.com/)
Theano
Theano 是我们关注的第一个 Python 深度学习库。根据作者所说:
作为一个 Python 库,Theano 让你可以有效定义、优化、评估包含多维数组的数学表达式。
下面的 Theano 深度学习教程很长,但非常不错,描述详细,有大量评论:
Theano Deep Learning Tutorial 作者 Colin Raffel (http://nbviewer.ipython.org/github/craffel/theano-tutorial/blob/master/Theano%20Tutorial.ipynb)
Caffe
我们关注的另一个库是 Caffe。根据它的作者所说:
Caffe 是一个深度学习框架。开发过程中时刻考虑着表达式、速度、模型。 它是由 Berkeley Vision and Learning Center (BVLC) 和社区贡献者共同开发的。
这个教程是本文的压轴。尽管上面列举了一些有趣的案例,没有那个比得上下面这个:用 Caffe 实现 Google的#DeepDream。希望你喜欢!理解这个教程以后,尽情玩乐,让你的处理器开始自己做梦吧。
Dreaming Deep with Caffe(https://github.com/google/deepdream/blob/master/dream.ipynb) via Google's GitHub(https://github.com/google)
我不敢保证 Python 机器学习是速成的或简单的。但只要投入时间,遵循这七个步骤,你无疑会对于这个领域拥有足够的熟练度和理解,会使用流行的 Python库实现许多机器学习算法,甚至当今深度学习领域的前沿内容。
作者简介: Matthew Mayo 是一名计算机专业的研究生。他目前在从事并行机器学习算法方面的论文工作。同时他也是一个数据挖掘学习者,数据爱好者,立志成为机器学习科学家。
end
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31本人基本情况: 学校及专业:厦门大学经济学院应用统计 实习经历:快手数据分析、字节数据分析、百度数据分析 Offer情况:北京 ...
2025-01-3001专家简介 徐杨老师,CDA数据科学研究院教研副总监,主要负责CDA认证项目以及机器学习/人工智能类课程的研发与授课,负责过中 ...
2025-01-29