基础篇：只需7步，从零开始掌握Python机器学习（附资源）Python可以说是现在最流行的机器学习语言，而且你也能在网上找到大量的资源。你现在也在考虑从Python入门机器学习吗？本教程或许能帮你成功上手，从0到1掌握Python机器学习，至于后面再从1到100变成机器学习专家，就要看你自己的努力了。「开始」往往是最难的，尤其是当选择太多的时候，一个人往往很难下定决定做出选择。本教程的目的是帮助几乎没有Python机器学习背景的新手成长为知识渊博的实践者，而且这个过程中仅需要使用免费的材料和资源即可。这个大纲的主要目标是带你了解那些数量繁多的可用资源。毫无疑问，资源确实有很多，但哪些才是最好的呢？哪些是互补的呢？以怎样的顺序学习这些资源才是最合适的呢？首先，我假设你并不是以下方面的专家：机器学习Python任何Python的机器学习、科学计算或数据分析库当然，如果你对前两个主题有一定程度的基本了解就更好了，但那并不是必要的，在早期阶段多花一点点时间了解一下就行了。基础篇第一步：基本Python技能如果我们打算利用Python来执行机器学习，那么对Python有一些基本的了解就是至关重要的。幸运的是，因为Python是一种得到了广泛使用的通用编程语言，加上其在科学计算和机器学习领域的应用，所以找到一个初学者教程并不十分困难。你在Python和编程上的经验水平对于起步而言是至关重要的。首先，你需要安装Python。因为我们后面会用到科学计算和机器学习软件包，所以我建议你安装Anaconda。这是一个可用于Linux、OSX和Windows上的工业级的Python实现，完整包含了机器学习所需的软件包，包括numpy、scikit-learn和matplotlib。其也包含了iPythonNotebook，这是一个用在我们许多教程中的交互式环境。我推荐安装Python2.7。如果你不懂编程，我建议你从下面的免费在线书籍开始学习，然后再进入后续的材料：LearnPythontheHardWay，作者ZedA.Shaw：https://learnpythonthehardway.org/book/如果你有编程经验，但不懂Python或还很初级，我建议你学习下面两个课程：谷歌开发者Python课程（强烈推荐视觉学习者学习）：http://suo.im/toMzqPython科学计算入门（来自UCSBEngineering的M.ScottShell）（一个不错的入门，大约有60页）：http://suo.im/2cXycM如果你要30分钟上手Python的快速课程，看下面：在Y分钟内学会X（X=Python）：http://suo.im/zm6qX当然，如果你已经是一位经验丰富的Python程序员了，这一步就可以跳过了。即便如此，我也建议你常使用Python文档：https://www.python.org/doc/第二步：机器学习基础技巧KDnuggets的ZacharyLipton已经指出：现在，人们评价一个「数据科学家」已经有很多不同标准了。这实际上是机器学习领域领域的一个写照，因为数据科学家大部分时间干的事情都牵涉到不同程度地使用机器学习算法。为了有效地创造和获得来自支持向量机的洞见，非常熟悉核方法（kernelmethods）是否必要呢？当然不是。就像几乎生活中的所有事情一样，掌握理论的深度是与实践应用相关的。对机器学习算法的深度了解超过了本文探讨的范围，它通常需要你将非常大量的时间投入到更加学术的课程中去，或者至少是你自己要进行高强度的自学训练。好消息是，对实践来说，你并不需要获得机器学习博士般的理论理解——就想要成为一个高效的程序员并不必要进行计算机科学理论的学习。人们对吴恩达在Coursera上的机器学习课程内容往往好评如潮；然而，我的建议是浏览前一个学生在线记录的课堂笔记。跳过特定于Octave（一个类似于Matlab的与你Python学习无关的语言）的笔记。一定要明白这些都不是官方笔记，但是可以从它们中把握到吴恩达课程材料中相关的内容。当然如果你有时间和兴趣，你现在就可以去Coursera上学习吴恩达的机器学习课程：http://suo.im/2o1uD吴恩达课程的非官方笔记：http://www.holehouse.org/mlclass/除了上面提到的吴恩达课程，如果你还需要需要其它的，网上还有很多各类课程供你选择。比如我就很喜欢TomMitchell，这里是他最近演讲的视频（一起的还有Maria-FlorinaBalcan），非常平易近人。TomMitchell的机器学习课程：http://suo.im/497arw目前你不...
