
文 | Matthew Mayo譯 | 王鵬宇
開始。這是最容易令人喪失斗志的兩個字。邁出第一步通常最艱難。當可以選擇的方向太多時,就更讓人兩腿發軟了。
從哪里開始?
本文旨在通過七個步驟,使用全部免費的線上資料,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。這篇概述的主要目的是帶領讀者接觸眾多免費的學習資源。這些資源有很多,但哪些是最好的?哪些相互補充?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域的專家:
Python
任何 Python 的機器學習、科學計算、數據分析庫
如果你有前兩個領域其一或全部的基礎知識,可能會很有幫助,但這些也不是必需的。在下面幾個步驟中的前幾項多花點時間就可以彌補。
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 ,這里建議安裝 Anaconda。Anaconda 是一個可在 Linux , OSX , Windows 上運行的 Python 實現工具,擁有所需的機器學習 packages ,包括 numpy,scikit-learn,matplotlib。它還包含 iPython Notebook ,一個帶有許多教程的交互式環境。這里推薦使用 Python 2.7 ,不是因為特殊原因,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,建議你閱讀這本免費電子書,然后再接觸其他學習材料:
Python The Hard Way 作者Zed A. Shaw(http://learnpythonthehardway.org/book/)
如果你之前有編程知識,但不是 Python 的,又或者你的 Python 水平很基礎,推薦下列一種或幾種教程:
Google Developers Python Course(https://www.youtube.com/playlist?list=PLfZeRfzhgQzTMgwFVezQbnpc1ck0I6CQl)(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 (http://www.engr.ucsb.edu/~shell/che210d/python.pdf)(一個很好的 Python 科學計算簡介,60 頁)
對于想要速成課程的人,這里有:
Learn X in Y Minutes (X = Python)(https://learnxinyminutes.com/docs/python/)
當然,如果你是個經驗豐富的 Python 程序員,可以跳過這一步。盡管如此,還是建議你把通俗易懂的 Python documentation (https://www.python.org/doc/)放在手邊。
第二步:機器學習基礎技能
KDnuggets 的 Zachary Lipton 指出,人們對于“數據科學家”的認知千差萬別。這實際上是對機器學習領域的反映。數據科學家在不同程度上使用計算學習算法。要建立和使用支持向量機模型,熟知核函數方法是否是必需的?(https://en.wikipedia.org/wiki/Kernel_method)答案當然不是。就像現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用有關。獲取對機器學習算法的深入理解不是本文的討論范圍, 而且這通常需要在學術領域投入大量時間,或者至少要通過密集的自學才能達到。
好消息是,你不必擁有博士級別的機器學習理論能力才能進行實踐,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。但我的建議是去看看一名以前的學生做的筆記。略過那些針對 Octave(一個與 Python 無關的,類 Matlab 語言)的內容。需要注意,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內容。如果你有時間,可以自己去 Coursera 完成這個課程 :Andrew Ng's Machine Learning course(https://www.coursera.org/learn/machine-learning) 。
非官方課程筆記鏈接(http://www.holehouse.org/mlclass/)
除了吳恩達的課程以外,還有很多其他視頻教程。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,對學習者非常友好:
Tom Mitchell Machine Learning Lectures(http://www.cs.cmu.edu/~ninamf/courses/601sp15/lectures.shtml)
你不需要現在看完全部的筆記和視頻。比較好的策略是向前推進,去做下面的練習,需要的時候再查閱筆記和視頻。比如,你要做一個回歸模型,就可以去查閱吳恩達課程有關回歸的筆記以及/或者 Mitchell 的視頻。
第三步:科學計算 Python packages 一覽
好了?,F在我們有了 Python 編程經驗,并對機器學習有所了解。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),用以執行基本的數據科學任務(這里有一點程度主觀色彩):
numpy(http://www.numpy.org/) - 主要用于N維數組
pandas (http://pandas.pydata.org/)- Python數據分析庫,包含dataframe等結構
matplotlib(http://matplotlib.org/) - 2D繪圖庫,產出質量足以進行印刷的圖
scikit-learn (http://scikit-learn.org/stable/)- 數據分析、數據挖掘任務使用的機器學習算法
學習以上這些內容可以使用:
Scipy Lecture Notes 作者 Gaêl Varoquaux, Emmanuelle Gouillart, Olav Vahtras
下面這個pandas教程也不錯,貼近主題:
10 Minutes to Pandas(http://pandas.pydata.org/pandas-docs/stable/10min.html)
在后面的教程中你會看到其他一些packages,比如包括Seaborn,一個基于matplotlib的可視化庫。前面提到的packages (再次承認具有一定主觀色彩)是許多Python機器學習任務的核心工具。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packages。
好了,現在到了有意思的部分.....
第四步:開始用 Python 進行機器學習
Python。搞定。
機器學習基礎。搞定。
Numpy。搞定。
Pandas。搞定。
Matplotlib。搞定。
是時候用 Python 的標準機器學習庫,scikit-learn,實現機器學習算法了。
scikit-learn 算法選擇圖
下面許多教程和練習都基于交互式環境 iPython (Jupyter) Notebook。這些iPython Notebooks 有些可以在網上觀看,有些可以下載到本地電腦。
iPython Notebook概覽(http://cs231n.github.io/ipython-tutorial/) 斯坦福大學
也請注意下面的資源來自網絡。所有資源屬于作者。如果出于某種原因,你發現有作者沒有被提及,請告知我,我會盡快改正。在此特別要向Jake VanderPlas,Randal Olson,Donne Martin,Kevin Markham,Colin Raffel致敬,感謝他們提供的優秀免費資源。
下面是 scikit-learn 的入門教程。在進行下一個步驟之前,推薦做完下列全部教程。
對于 scikit-learn 的整體介紹,它是 Python 最常用的通用機器學習庫,包含 knn 最近鄰算法:
An Introduction to scikit-learn 作者 Jake VanderPlas(http://cs231n.github.io/ipython-tutorial/)
更深入更寬泛的介紹,包含一個新手項目,從頭到尾使用一個著名的數據集:·
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)
專注于 scikit-learn 中評估不同模型的策略,涉及訓練集/測試集拆分:
Model Evaluation 作者 Kevin Markham(https://github.com/justmarkham/scikit-learn-videos/blob/master/05_model_evaluation.ipynb)
第五步:Python機器學習主題
在 scikit-learn 打下基礎以后,我們可以探索更多有用的常見算法。讓我們從最知名的機器學習算法之一,k-means聚類開始。對于無監督學習問題,k-means通常簡單有效:
k-means Clustering 作者 Jake VanderPlas(https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/04.2-Clustering-KMeans.ipynb)
接下來是分類,讓我們看看史上最流行的分類方法之一,決策樹:
Decision Trees (http://thegrimmscientist.com/2014/10/23/tutorial-decision-trees/)via The Grimm Scientist(http://thegrimmscientist.com/)
分類之后,是連續數字變量的預測:
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)
通過邏輯斯蒂回歸,我們可以用回歸解決分類問題:
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 高級機器學習
接觸過 scikit-learn,現在讓我們把注意力轉向更高級的內容。首先是支持向量機,一個無需線性的分類器,它依賴復雜的數據轉換,把數據投向高維空間。
Support Vector Machines 作者 Jake VanderPlas(https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/03.1-Classification-SVMs.ipynb)
接下來是隨機森林,一種集成分類器。下面的教程通過 Kaggle Titanic Competition(https://www.kaggle.com/c/titanic)講解。
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)
降維是一種減少問題涉及的變量數目的方法。PCA 主成分分析是一種無監督學習降維的特殊形式:
Dimensionality Reduction 作者 Jake VanderPlas(https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/04.1-Dimensionality-PCA.ipynb)
在開始下一步之前,可以暫停一下,回想我們在短短的時間已經走了多遠。
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,k-means 聚類,支持向量機),了解了一種強有力的集成方法(隨機森林),涉及了一些其他機器學習支持方案(降維,模型驗證技巧)。在一些基礎機器學習的技巧的幫助下,我們開始有了一個漸漸豐富的工具箱。
在結束以前,讓我們給工具箱增加一個需求很大的工具:
第七步 :Python 深度學習
學習,深深地。
到處都在深度學習!深度學習基于過去幾十年的神經網絡研究,但最近幾年的發展大大增加了深度神經網絡的能力和對于它的興趣。如果你不熟悉深度學習,KDnuggets (http://www.kdnuggets.com/?s=deep+learning)有許多文章 ,詳細介紹最近的進展、成果,以及對這項技術的贊譽。
本文的最后一部分并不想成為某種深度學習示范教程。我們會關注基于兩個 Python 深度學習庫的簡單應用。對于想了解更多的讀者,我推薦下面這本免費在線書:
Neural Networks and Deep Learning 作者 Michael Nielsen (http://neuralnetworksanddeeplearning.com/)
Theano
Theano 是我們關注的第一個 Python 深度學習庫。根據作者所說:
作為一個 Python 庫,Theano 讓你可以有效定義、優化、評估包含多維數組的數學表達式。
下面的 Theano 深度學習教程很長,但非常不錯,描述詳細,有大量評論:
Theano Deep Learning Tutorial 作者 Colin Raffel (http://nbviewer.ipython.org/github/craffel/theano-tutorial/blob/master/Theano%20Tutorial.ipynb)
Caffe
我們關注的另一個庫是 Caffe。根據它的作者所說:
Caffe 是一個深度學習框架。開發過程中時刻考慮著表達式、速度、模型。 它是由 Berkeley Vision and Learning Center (BVLC) 和社區貢獻者共同開發的。
這個教程是本文的壓軸。盡管上面列舉了一些有趣的案例,沒有那個比得上下面這個:用 Caffe 實現 Google的#DeepDream。希望你喜歡!理解這個教程以后,盡情玩樂,讓你的處理器開始自己做夢吧。
Dreaming Deep with Caffe(https://github.com/google/deepdream/blob/master/dream.ipynb) via Google's GitHub(https://github.com/google)
我不敢保證 Python 機器學習是速成的或簡單的。但只要投入時間,遵循這七個步驟,你無疑會對于這個領域擁有足夠的熟練度和理解,會使用流行的 Python庫實現許多機器學習算法,甚至當今深度學習領域的前沿內容。
作者簡介: Matthew Mayo 是一名計算機專業的研究生。他目前在從事并行機器學習算法方面的論文工作。同時他也是一個數據挖掘學習者,數據愛好者,立志成為機器學習科學家。
end
數據分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
在本文中,我們將探討 AI 為何能夠加速數據分析、如何在每個步驟中實現數據分析自動化以及使用哪些工具。 數據分析中的AI是什么 ...
2025-05-20當數據遇見人生:我的第一個分析項目 記得三年前接手第一個數據分析項目時,我面對Excel里密密麻麻的銷售數據手足無措。那些跳動 ...
2025-05-20在數字化運營的時代,企業每天都在產生海量數據:用戶點擊行為、商品銷售記錄、廣告投放反饋…… 這些數據就像散落的拼圖,而相 ...
2025-05-19在當今數字化營銷時代,小紅書作為國內領先的社交電商平臺,其銷售數據蘊含著巨大的商業價值。通過對小紅書銷售數據的深入分析, ...
2025-05-16Excel作為最常用的數據分析工具,有沒有什么工具可以幫助我們快速地使用excel表格,只要輕松幾步甚至輸入幾項指令就能搞定呢? ...
2025-05-15數據,如同無形的燃料,驅動著現代社會的運轉。從全球互聯網用戶每天產生的2.5億TB數據,到制造業的傳感器、金融交易 ...
2025-05-15大數據是什么_數據分析師培訓 其實,現在的大數據指的并不僅僅是海量數據,更準確而言是對大數據分析的方法。傳統的數 ...
2025-05-14CDA持證人簡介: 萬木,CDA L1持證人,某電商中廠BI工程師 ,5年數據經驗1年BI內訓師,高級數據分析師,擁有豐富的行業經驗。 ...
2025-05-13CDA持證人簡介: 王明月 ,CDA 數據分析師二級持證人,2年數據產品工作經驗,管理學博士在讀。 學習入口:https://edu.cda.cn/g ...
2025-05-12CDA持證人簡介: 楊貞璽 ,CDA一級持證人,鄭州大學情報學碩士研究生,某上市公司數據分析師。 學習入口:https://edu.cda.cn/g ...
2025-05-09CDA持證人簡介 程靖 CDA會員大咖,暢銷書《小白學產品》作者,13年頂級互聯網公司產品經理相關經驗,曾在百度、美團、阿里等 ...
2025-05-07相信很多做數據分析的小伙伴,都接到過一些高階的數據分析需求,實現的過程需要用到一些數據獲取,數據清洗轉換,建模方法等,這 ...
2025-05-06以下的文章內容來源于劉靜老師的專欄,如果您想閱讀專欄《10大業務分析模型突破業務瓶頸》,點擊下方鏈接 https://edu.cda.cn/g ...
2025-04-30CDA持證人簡介: 邱立峰 CDA 數據分析師二級持證人,數字化轉型專家,數據治理專家,高級數據分析師,擁有豐富的行業經驗。 ...
2025-04-29CDA持證人簡介: 程靖 CDA會員大咖,暢銷書《小白學產品》作者,13年頂級互聯網公司產品經理相關經驗,曾在百度,美團,阿里等 ...
2025-04-28CDA持證人簡介: 居瑜 ,CDA一級持證人國企財務經理,13年財務管理運營經驗,在數據分析就業和實踐經驗方面有著豐富的積累和經 ...
2025-04-27數據分析在當今信息時代發揮著重要作用。單因素方差分析(One-Way ANOVA)是一種關鍵的統計方法,用于比較三個或更多獨立樣本組 ...
2025-04-25CDA持證人簡介: 居瑜 ,CDA一級持證人國企財務經理,13年財務管理運營經驗,在數據分析就業和實踐經驗方面有著豐富的積累和經 ...
2025-04-25在當今數字化時代,數據分析師的重要性與日俱增。但許多人在踏上這條職業道路時,往往充滿疑惑: 如何成為一名數據分析師?成為 ...
2025-04-24以下的文章內容來源于劉靜老師的專欄,如果您想閱讀專欄《劉靜:10大業務分析模型突破業務瓶頸》,點擊下方鏈接 https://edu.cda ...
2025-04-23