使用 Python 開始你的機器學習之旅

你想知道如何開始機器學習嗎？在這篇文章中，我將簡要概括一下使用 Python 來開始機器學習的一些步驟。Python 是一門流行的開源程序設計語言，也是在人工智慧及其它相關科學領域中最常用的語言之一。機器學習簡稱 ML，是人工智慧的一個分支，它是利用演算法從數據中進行學習，然後作出預測。機器學習有助於幫助我們預測我們周圍的世界。

從無人駕駛汽車到股市預測，再到在線學習，機器學習通過預測來進行自我提高的方法幾乎被用在了每一個領域。由於機器學習的實際運用，目前它已經成為就業市場上最有需求的技能之一。另外，使用 Python 來開始機器學習很簡單，因為有大量的在線資源，以及許多可用的 Python 機器學習庫。

你需要如何開始使用 Python 進行機器學習呢？讓我們來總結一下這個過程。

提高你的 Python 技能

由於 Python 在工業界和科學界都非常受歡迎，因此你不難找到 Python 的學習資源。如果你是一個從未接觸過 Python 的新手，你可以利用在線資源，比如課程、書籍和視頻來學習 Python。比如下面列舉的一些資源：

• Python 學習之路
• Google 開發者 Python 課程（視頻）
• Google 的 Python 課堂

安裝 Anaconda

下一步是安裝 Anacona。有了 Anaconda ，你將可以開始使用 Python 來探索機器學習的世界了。Anaconda 的默認安裝庫包含了進行機器學習所需要的工具。

基本的機器學習技能

有了一些基本的 Python 編程技能，你就可以開始學習一些基本的機器學習技能了。一個實用的學習方法是學到一定技能便開始進行練習。然而，如果你想深入學習這個領域，那麼你需要準備投入更多的學習時間。

一個獲取技能的有效方法是在線課程。吳恩達的 Coursera 機器學習課程 是一個不錯的選擇。其它有用的在線訓練包括：

• Python 機器學習： Scikit-Learn 教程
• Python 實用機器學習教程

你也可以在 LiveEdu.tv 上觀看機器學習視頻，從而進一步了解這個領域。

學習更多的 Python 庫

當你對 Python 和機器學習有一個好的感覺之後，可以開始學習一些開源的 Python 庫。科學的 Python 庫將會使完成一些簡單的機器學習任務變得很簡單。然而，選擇什麼庫是完全主觀的，並且在業界內許多人有很大的爭論。

一些實用的 Python 庫包括：

• Scikit-learn ：一個優雅的機器學習演算法庫，可用於數據挖掘和數據分析任務。
• Tensorflow ：一個易於使用的神經網路庫。
• Theano ： 一個強大的機器學習庫，可以幫助你輕鬆的評估數學表達式。
• Pattern ： 可以幫助你進行自然語言處理、數據挖掘以及更多的工作。
• Nilearn ：基於 Scikit-learn，它可以幫助你進行簡單快速的統計學習。

探索機器學習

對基本的 Python、機器學習技能和 Python 庫有了一定理解之後，就可以開始探索機器學習了。接下來，嘗試探索一下 Scikit-learn 庫。一個不錯的教程是 Jake VanderPlas 寫的 Scikit-learn 簡介。

然後，進入中級主題，比如 K-均值聚類演算法簡介、線性回歸、決策樹和邏輯回歸。

最後，深入高級機器學習主題，比如向量機和複雜數據轉換。

就像學習任何新技能一樣，練習得越多，就會學得越好。你可以通過練習不同的演算法，使用不同的數據集來更好的理解機器學習，並提高解決問題的整體能力。

使用 Python 進行機器學習是對你的技能的一個很好的補充，並且有大量免費和低成本的在線資源可以幫助你。你已經掌握機器學習技能了嗎？可以在下面留下你的評論，或者提交一篇文章來分享你的故事。

（題圖：opensource.com）

作者簡介：

Michael J. Garbade 博士是舊金山 LiveEdu Inc（Livecoding.tv）的創始人兼首席執行官。Livecoding.tv 是世界上觀看工程師直播編代碼最先進的直播平台。你可以通過觀看工程師們寫網站、移動應用和遊戲，來將你的技能提升到一個新的水平。MichaelJ. Garbade 博士擁有金融學博士學位，並且是一名自學成才的工程師，他喜歡 Python、Django、Sencha Touch 和視頻流。

via: https://opensource.com/article/17/5/python-machine-learning-introduction

作者：Michael J. Garbade 譯者：ucasFL 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive