前言
「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。

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。
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。其也包含了 iPython Notebook,这是一个用在我们许多教程中的交互式环境。我推荐安装 Python 2.7。

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:

Learn Python the Hard Way,作者 Zed A.
点击:Learn Python the Hard Way
谷歌开发者 Python 课程(推荐)
点击:http://suo.im/toMzq
Python 科学计算入门
点击:http://suo.im/2cXycM
在 Y 分钟内学会 X(X=Python)
点击:Learn python in Y Minutes
Python 文档
点击:Welcome to Python.org

第二步:机器学习基础技巧

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。

吴恩达的机器学习课程
点击:Machine Learning - Stanford University | Coursera
吴恩达课程的非官方笔记
点击:Machine Learning - complete course notes
Tom Mitchell 的机器学习课程
点击:Machine Learning

目前你不需要所有的笔记和视频。一个有效地方法是当你觉得合适时,直接去看下面特定的练习题,参考上述备注和视频恰当的部分。

第三步:科学计算 Python 软件包概述

好了,我们已经掌握了 Python 编程并对机器学习有了一定的了解。而在 Python 之外,还有一些常用于执行实际机器学习的开源软件库。广义上讲,有很多所谓的科学 Python 库(scientific Python libraries)可用于执行基本的机器学习任务(这方面的判断肯定有些主观性):

numpy——主要对其 N 维数组对象有用 NumPy - NumPy
pandas——Python 数据分析库,包括数据框架(dataframes)等结构 Python Data Analysis Library
matplotlib——一个 2D 绘图库,可产生出版物质量的图表 Python plotting - Matplotlib 2.0.0 documentation
scikit-learn——用于数据分析和数据挖掘人物的机器学习算法 scikit-learn: machine learning in Python
Scipy Lecture Notes,来自 Gaël Varoquaux、Emmanuelle Gouillart 和 Olav Vahtras:Scipy Lecture Notes
这个 pandas 教程也很不错:10 Minutes to Pandas:10 Minutes to pandas

在本教程的后面你还会看到一些其它的软件包,比如基于 matplotlib 的数据可视化库 Seaborn。前面提到的软件包只是 Python 机器学习中常用的一些核心库的一部分,但是理解它们应该能让你在后面遇到其它软件包时不至于感到困惑。
下面就开始动手吧!

第四步:使用 Python 学习机器学习

首先检查一下准备情况

Python:就绪

机器学习基本材料:就绪

Numpy:就绪

Pandas:就绪

Matplotlib:就绪

现在是时候使用 Python 机器学习标准库 scikit-learn 来实现机器学习算法了。

scikit-learn 流程图
下面许多的教程和训练都是使用 iPython (Jupyter) Notebook 完成的,iPython Notebook 是执行 Python 语句的交互式环境。iPython Notebook 可以很方便地在网上找到或下载到你的本地计算机。
来自斯坦福的 iPython Notebook 概览:IPython Tutorial
下面是一篇是对 scikit-learn 简介的文章,scikit-learn 是 Python 最常用的通用机器学习库,其覆盖了 K 近邻算法:

Jake VanderPlas 写的 scikit-learn
简介:Jupyter Notebook Viewer
Randal Olson 的机器学习案例笔记
点击:Jupyter Notebook Viewer
Kevin Markham 的模型评估
点击:justmarkham/scikit-learn-videos

第五步:Python 上实现机器学习的基本算法

在有了 scikit-learn 的基本知识后,我们可以进一步探索那些更加通用和实用的算法。我们从非常出名的 K 均值聚类(k-means clustering)算法开始,它是一种非常简单和高效的方法,能很好地解决非监督学习问题:

Jake VanderPlas 写的 scikit-learn 简介
点击:Jupyter Notebook Viewer
下面的会更加深入、扩展的一篇简介,包括了从著名的数据库开始完成一个项目:
Randal Olson 的机器学习案例笔记
点击:Jupyter Notebook Viewer
下一篇关注于在 scikit-learn 上评估不同模型的策略,包括训练集/测试集的分割方法:
Kevin Markham 的模型评估
点击:justmarkham/scikit-learn-videos

第六步:Python 上实现进阶机器学习算法
我们已经熟悉了 scikit-learn,现在我们可以了解一下更高级的算法了。首先就是支持向量机,它是一种依赖于将数据转换映射到高维空间的非线性分类器。
支持向量机:jakevdp/sklearn_pycon2015
随后,我们可以通过 Kaggle Titanic 竞赛检查学习作为集成分类器的随机森林:
Kaggle Titanic 竞赛(使用随机森林):Jupyter Notebook Viewer
降维算法经常用于减少在问题中所使用的变量。主成份分析法就是非监督降维算法的一个特殊形式:
降维算法:jakevdp/sklearn_pycon2015
我们会进一步学习新的必要工具。

第七步:Python 深度学习


神经网络包含很多层
深度学习无处不在,如果你对神经网络还不熟悉,KDnuggets 有很多文章详细介绍了最近深度学习大量的创新、成就和赞许。
最后一步并不打算把所有类型的深度学习评论一遍,而是在 2 个先进的当代 Python 深度学习库中探究几个简单的网络实现。对于有兴趣深挖深度学习的读者,我建议从下面这些免费的在线书籍开始:
神经网络与深度学习,作者 Michael Nielsen:Neural networks and deep learning
1.Theano
链接:Welcome - Theano 0.8.2 documentation
Theano 是我们讲到的第一个 Python 深度学习库。看看 Theano 作者怎么说:

Theano 是一个 Python 库,它可以使你有效地定义、优化和评估包含多维数组的数学表达式。

下面关于运用 Theano 学习深度学习的入门教程有点长,但是足够好,描述生动,评价很高:
Theano 深度学习教程,作者 Colin Raffel:Jupyter Notebook Viewer
2.Caffe
链接:Caffe | Deep Learning Framework
另一个我们将测试驱动的库是 Caffe。再一次,让我们从作者开始:

Caffe 是一个深度学习框架,由表达、速度和模块性建构,Bwekeley 视觉与学习中心和社区工作者共同开发了 Caf fe。

这个教程是本篇文章中最好的一个。我们已经学习了上面几个有趣的样例,但没有一个可与下面这个样例相竞争,其可通过 Caffe 实现谷歌的 DeepDream。这个相当精彩!掌握教程之后,可以尝试使你的处理器自如运行,就当作是娱乐。
通过 Caffe 实现谷歌 DeepDream:google/deepdream
我并没有保证说这会很快或容易,但是如果你投入了时间并完成了上面的 7 个步骤,你将在理解大量机器学习算法以及通过流行的库(包括一些在目前深度学习研究领域最前沿的库)在 Python 中实现算法方面变得很擅长。

更多人工智能的学习,可以点击:AI
加微、X:hcgx0904(备注:AI),免费获取人工智能的学习资源!