机器学习:如何通过Python入门机器学习

我们都知道机器学习是一门综合性极强的研究课题,对数学知识要求很高。因此,对于非学术研究专业的程序员,如果希望能入门机器学习,最好的方向还是从实践触发。

我了解到Python的生态对入门机器学习很有帮助。因此希望以此作为突破口入门机器学习。

我将会记录一个系列的学习与实践记录。记录内容主要参考Youtubesentdex发布的视频,有兴趣的读者可以自己翻墙到油管看一下。

下面介绍一下我将如何通过Python入门机器学习。

学习Python基本语法

首先我在Python官网找到入门教程,快速过了一遍Python的基本语法。相信对于稍微有点编程基础的人来说这都不是事儿。

作为实践,接着我用Python实现了一个基于命令行翻译脚本。到此Python算入门了。

这里啰嗦一下Mac下的Python环境的搭建过程。我在这篇文章中介绍如何处理系统自带和自己安装的Python版本。

Python机器学习相关库

Python有好多涉及机器学习的库,如TheanoTensorFlowPyTorchscikit-learn等。考虑到scikit-learn(以后将简写为sklearn)对机器学习进行了高度封装与抽象,能够让初学者跳出数学的梦魇进行机器学习实践,我选择它作为入门的跳板。

除此之外还需要学习下面几个Python库,用于数据处理或者科学计算等。

出发机器学习冒险旅程

sklearn提供了很多机器学习的算法实现,在学习过程中我很难做到一个不漏地全面学习与覆盖。经过多番查找,我在Youtube上找到sentdex发布的视频“Machine Learning with Python”。至此,我也将跟随sentdex的脚步一步步进行学习。

后续的文章主要也是参考视频,并结合自己的理解进行必要的扩展。

初次看sklearn可以读一下官网的Tutorials文档。

其中“An introduction to machine learning with scikit-learn”章节可以让你初步了解sklearn这个库能做什么、机器学习基本概念、sklearn环境搭建、基础功能等。

而“A tutorial on statistical-learning for scientific data processing”章节能让你了解有关监督学习和非监督学习的基本概念。

深入原理

sklearn能够以黑盒方式提供机器学习算法的实现,这对初学者是有利的。但是如果仅仅停留在这里显然是不够的,如果不掌握一定的基础知识与原理,我们无法对显示问题进行建模与选型。所以在学习了sklearn的算法后,一定要查阅相关文档,了解算法背后的知识与原理。

这个过程应该是最艰难的,希望我们都不停留在这一步。

ChardLau

继续阅读此作者的更多文章