Python 可以說(shuō)是現(xiàn)在最流行的機(jī)器學(xué)習(xí)語(yǔ)言，而且你也能在網(wǎng)上找到大量的資源。你現(xiàn)在也在考慮從 Python 入門(mén)機(jī)器學(xué)習(xí)嗎?本教程或許能幫你成功上手，從 0 到 1 掌握 Python 機(jī)器學(xué)習(xí)，至于后面再?gòu)?1 到 100 變成機(jī)器學(xué)習(xí)專(zhuān)家，就要看你自己的努力了。

專(zhuān)注于為中小企業(yè)提供成都做網(wǎng)站、網(wǎng)站制作、成都外貿(mào)網(wǎng)站建設(shè)服務(wù),電腦端+手機(jī)端+微信端的三站合一,更高效的管理,為中小企業(yè)晉中免費(fèi)做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動(dòng)了成百上千家企業(yè)的穩(wěn)健成長(zhǎng)，幫助中小企業(yè)通過(guò)網(wǎng)站建設(shè)實(shí)現(xiàn)規(guī)模擴(kuò)充和轉(zhuǎn)變。

「開(kāi)始」往往是最難的，尤其是當(dāng)選擇太多的時(shí)候，一個(gè)人往往很難下定決定做出選擇。本教程的目的是幫助幾乎沒(méi)有 Python 機(jī)器學(xué)習(xí)背景的新手成長(zhǎng)為知識(shí)淵博的實(shí)踐者，而且這個(gè)過(guò)程中僅需要使用免費(fèi)的材料和資源即可。這個(gè)大綱的主要目標(biāo)是帶你了解那些數(shù)量繁多的可用資源。毫無(wú)疑問(wèn)，資源確實(shí)有很多，但哪些才是最好的呢?哪些是互補(bǔ)的呢?以怎樣的順序?qū)W習(xí)這些資源才是最合適的呢?

首先，我假設(shè)你并不是以下方面的專(zhuān)家：

• 機(jī)器學(xué)習(xí)
• Python
• 任何 Python 的機(jī)器學(xué)習(xí)、科學(xué)計(jì)算或數(shù)據(jù)分析庫(kù)

當(dāng)然，如果你對(duì)前兩個(gè)主題有一定程度的基本了解就更好了，但那并不是必要的，在早期階段多花一點(diǎn)點(diǎn)時(shí)間了解一下就行了。

一、基礎(chǔ)篇

1. 第一步：基本 Python 技能

如果我們打算利用 Python 來(lái)執(zhí)行機(jī)器學(xué)習(xí)，那么對(duì) Python 有一些基本的了解就是至關(guān)重要的。幸運(yùn)的是，因?yàn)?Python 是一種得到了廣泛使用的通用編程語(yǔ)言，加上其在科學(xué)計(jì)算和機(jī)器學(xué)習(xí)領(lǐng)域的應(yīng)用，所以找到一個(gè)初學(xué)者教程并不十分困難。你在 Python 和編程上的經(jīng)驗(yàn)水平對(duì)于起步而言是至關(guān)重要的。

首先，你需要安裝 Python。因?yàn)槲覀兒竺鏁?huì)用到科學(xué)計(jì)算和機(jī)器學(xué)習(xí)軟件包，所以我建議你安裝 Anaconda。這是一個(gè)可用于 Linux、OS X 和 Windows 上的工業(yè)級(jí)的 Python 實(shí)現(xiàn)，完整包含了機(jī)器學(xué)習(xí)所需的軟件包，包括 numpy、scikit-learn 和 matplotlib。其也包含了 iPython Notebook，這是一個(gè)用在我們?cè)S多教程中的交互式環(huán)境。我推薦安裝 Python 2.7。

如果你不懂編程，我建議你從下面的免費(fèi)在線書(shū)籍開(kāi)始學(xué)習(xí)，然后再進(jìn)入后續(xù)的材料：

• Learn Python the Hard Way，作者 Zed A. Shaw：https://learnpythonthehardway.org/book/

如果你有編程經(jīng)驗(yàn)，但不懂 Python 或還很初級(jí)，我建議你學(xué)習(xí)下面兩個(gè)課程：

• 谷歌開(kāi)發(fā)者 Python 課程(強(qiáng)烈推薦視覺(jué)學(xué)習(xí)者學(xué)習(xí))：http://suo.im/toMzq
• Python 科學(xué)計(jì)算入門(mén)(來(lái)自 UCSB Engineering 的 M. Scott Shell)(一個(gè)不錯(cuò)的入門(mén)，大約有 60 頁(yè))：http://suo.im/2cXycM

如果你要 30 分鐘上手 Python 的快速課程，看下面：

• 在 Y 分鐘內(nèi)學(xué)會(huì) X(X=Python)：http://suo.im/zm6qX

當(dāng)然，如果你已經(jīng)是一位經(jīng)驗(yàn)豐富的 Python 程序員了，這一步就可以跳過(guò)了。即便如此，我也建議你常使用 Python 文檔：https://www.python.org/doc/

2. 第二步：機(jī)器學(xué)習(xí)基礎(chǔ)技巧

KDnuggets 的 Zachary Lipton 已經(jīng)指出：現(xiàn)在，人們?cè)u(píng)價(jià)一個(gè)「數(shù)據(jù)科學(xué)家」已經(jīng)有很多不同標(biāo)準(zhǔn)了。這實(shí)際上是機(jī)器學(xué)習(xí)領(lǐng)域領(lǐng)域的一個(gè)寫(xiě)照，因?yàn)閿?shù)據(jù)科學(xué)家大部分時(shí)間干的事情都牽涉到不同程度地使用機(jī)器學(xué)習(xí)算法。為了有效地創(chuàng)造和獲得來(lái)自支持向量機(jī)的洞見(jiàn)，非常熟悉核方法(kernel methods)是否必要呢?當(dāng)然不是。就像幾乎生活中的所有事情一樣，掌握理論的深度是與實(shí)踐應(yīng)用相關(guān)的。對(duì)機(jī)器學(xué)習(xí)算法的深度了解超過(guò)了本文探討的范圍，它通常需要你將非常大量的時(shí)間投入到更加學(xué)術(shù)的課程中去，或者至少是你自己要進(jìn)行高強(qiáng)度的自學(xué)訓(xùn)練。

好消息是，對(duì)實(shí)踐來(lái)說(shuō)，你并不需要獲得機(jī)器學(xué)習(xí)博士般的理論理解——就想要成為一個(gè)高效的程序員并不必要進(jìn)行計(jì)算機(jī)科學(xué)理論的學(xué)習(xí)。

人們對(duì)吳恩達(dá)在 Coursera 上的機(jī)器學(xué)習(xí)課程內(nèi)容往往好評(píng)如潮;然而，我的建議是瀏覽前一個(gè)學(xué)生在線記錄的課堂筆記。跳過(guò)特定于 Octave(一個(gè)類(lèi)似于 Matlab 的與你 Python 學(xué)習(xí)無(wú)關(guān)的語(yǔ)言)的筆記。一定要明白這些都不是官方筆記，但是可以從它們中把握到吳恩達(dá)課程材料中相關(guān)的內(nèi)容。當(dāng)然如果你有時(shí)間和興趣，你現(xiàn)在就可以去 Coursera 上學(xué)習(xí)吳恩達(dá)的機(jī)器學(xué)習(xí)課程：http://suo.im/2o1uD

• 吳恩達(dá)課程的非官方筆記：http://www.holehouse.org/mlclass/

除了上面提到的吳恩達(dá)課程，如果你還需要需要其它的，網(wǎng)上還有很多各類(lèi)課程供你選擇。比如我就很喜歡 Tom Mitchell，這里是他最近演講的視頻(一起的還有 Maria-Florina Balcan)，非常平易近人。

• Tom Mitchell 的機(jī)器學(xué)習(xí)課程：http://suo.im/497arw

目前你不需要所有的筆記和視頻。一個(gè)有效地方法是當(dāng)你覺(jué)得合適時(shí)，直接去看下面特定的練習(xí)題，參考上述備注和視頻恰當(dāng)?shù)牟糠郑?/p>

3. 第三步：科學(xué)計(jì)算 Python 軟件包概述

好了，我們已經(jīng)掌握了 Python 編程并對(duì)機(jī)器學(xué)習(xí)有了一定的了解。而在 Python 之外，還有一些常用于執(zhí)行實(shí)際機(jī)器學(xué)習(xí)的開(kāi)源軟件庫(kù)。廣義上講，有很多所謂的科學(xué) Python 庫(kù)(scientific Python libraries)可用于執(zhí)行基本的機(jī)器學(xué)習(xí)任務(wù)(這方面的判斷肯定有些主觀性)：

• numpy——主要對(duì)其 N 維數(shù)組對(duì)象有用 http://www.numpy.org/
• pandas——Python 數(shù)據(jù)分析庫(kù)，包括數(shù)據(jù)框架(dataframes)等結(jié)構(gòu) http://pandas.pydata.org/
• matplotlib——一個(gè) 2D 繪圖庫(kù)，可產(chǎn)生出版物質(zhì)量的圖表 http://matplotlib.org/
• scikit-learn——用于數(shù)據(jù)分析和數(shù)據(jù)挖掘人物的機(jī)器學(xué)習(xí)算法 http://scikit-learn.org/stable/

學(xué)習(xí)這些庫(kù)的一個(gè)好方法是學(xué)習(xí)下面的材料：

• Scipy Lecture Notes，來(lái)自 Ga?l Varoquaux、Emmanuelle Gouillart 和 Olav Vahtras：http://www.scipy-lectures.org/
• 這個(gè) pandas 教程也很不錯(cuò)：10 Minutes to Pandas：http://suo.im/4an6gY

在本教程的后面你還會(huì)看到一些其它的軟件包，比如基于 matplotlib 的數(shù)據(jù)可視化庫(kù) Seaborn。前面提到的軟件包只是 Python 機(jī)器學(xué)習(xí)中常用的一些核心庫(kù)的一部分，但是理解它們應(yīng)該能讓你在后面遇到其它軟件包時(shí)不至于感到困惑。

下面就開(kāi)始動(dòng)手吧!

4. 第四步：使用 Python 學(xué)習(xí)機(jī)器學(xué)習(xí)

首先檢查一下準(zhǔn)備情況

• Python：就緒
• 機(jī)器學(xué)習(xí)基本材料：就緒
• Numpy：就緒
• Pandas：就緒
• Matplotlib：就緒

現(xiàn)在是時(shí)候使用 Python 機(jī)器學(xué)習(xí)標(biāo)準(zhǔn)庫(kù) scikit-learn 來(lái)實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法了。

scikit-learn 流程圖

下面許多的教程和訓(xùn)練都是使用 iPython (Jupyter) Notebook 完成的，iPython Notebook 是執(zhí)行 Python 語(yǔ)句的交互式環(huán)境。iPython Notebook 可以很方便地在網(wǎng)上找到或下載到你的本地計(jì)算機(jī)。

• 來(lái)自斯坦福的 iPython Notebook 概覽：http://cs231n.github.io/ipython-tutorial/

同樣也請(qǐng)注意，以下的教程是由一系列在線資源所組成。如果你感覺(jué)課程有什么不合適的，可以和作者交流。我們第一個(gè)教程就是從 scikit-learn 開(kāi)始的，我建議你們?cè)诶^續(xù)完成教程前可以按順序看一看以下的文章。

下面是一篇是對(duì) scikit-learn 簡(jiǎn)介的文章，scikit-learn 是 Python 最常用的通用機(jī)器學(xué)習(xí)庫(kù)，其覆蓋了 K 近鄰算法：

• Jake VanderPlas 寫(xiě)的 scikit-learn 簡(jiǎn)介：http://suo.im/3bMdEd

下面的會(huì)更加深入、擴(kuò)展的一篇簡(jiǎn)介，包括了從著名的數(shù)據(jù)庫(kù)開(kāi)始完成一個(gè)項(xiàng)目：

• Randal Olson 的機(jī)器學(xué)習(xí)案例筆記：http://suo.im/RcPR6

下一篇關(guān)注于在 scikit-learn 上評(píng)估不同模型的策略，包括訓(xùn)練集/測(cè)試集的分割方法：

• Kevin Markham 的模型評(píng)估：http://suo.im/2HIXDD

5. 第五步：Python 上實(shí)現(xiàn)機(jī)器學(xué)習(xí)的基本算法

在有了 scikit-learn 的基本知識(shí)后，我們可以進(jìn)一步探索那些更加通用和實(shí)用的算法。我們從非常出名的 K 均值聚類(lèi)(k-means clustering)算法開(kāi)始，它是一種非常簡(jiǎn)單和高效的方法，能很好地解決非監(jiān)督學(xué)習(xí)問(wèn)題：

• K-均值聚類(lèi)：http://suo.im/40R8zf

接下來(lái)我們可以回到分類(lèi)問(wèn)題，并學(xué)習(xí)曾經(jīng)最流行的分類(lèi)算法：

• 決策樹(shù)：http://thegrimmscientist.com/tutorial-decision-trees/

在了解分類(lèi)問(wèn)題后，我們可以繼續(xù)看看連續(xù)型數(shù)值預(yù)測(cè)：

• 線性回歸：http://suo.im/3EV4Qn

我們也可以利用回歸的思想應(yīng)用到分類(lèi)問(wèn)題中，即 logistic 回歸：

• logistic 回歸：http://suo.im/S2beL

6. 第六步：Python 上實(shí)現(xiàn)進(jìn)階機(jī)器學(xué)習(xí)算法

我們已經(jīng)熟悉了 scikit-learn，現(xiàn)在我們可以了解一下更高級(jí)的算法了。首先就是支持向量機(jī)，它是一種依賴于將數(shù)據(jù)轉(zhuǎn)換映射到高維空間的非線性分類(lèi)器。

• 支持向量機(jī)：http://suo.im/2iZLLa

隨后，我們可以通過(guò) Kaggle Titanic 競(jìng)賽檢查學(xué)習(xí)作為集成分類(lèi)器的隨機(jī)森林：

• Kaggle Titanic 競(jìng)賽(使用隨機(jī)森林)：http://suo.im/1o7ofe

降維算法經(jīng)常用于減少在問(wèn)題中所使用的變量。主成份分析法就是非監(jiān)督降維算法的一個(gè)特殊形式：

• 降維算法：http://suo.im/2k5y2E

在進(jìn)入第七步之前，我們可以花一點(diǎn)時(shí)間考慮在相對(duì)較短的時(shí)間內(nèi)取得的一些進(jìn)展。

首先使用 Python 及其機(jī)器學(xué)習(xí)庫(kù)，我們不僅已經(jīng)了解了一些最常見(jiàn)和知名的機(jī)器學(xué)習(xí)算法(k 近鄰、k 均值聚類(lèi)、支持向量機(jī)等)，還研究了強(qiáng)大的集成技術(shù)(隨機(jī)森林)和一些額外的機(jī)器學(xué)習(xí)任務(wù)(降維算法和模型驗(yàn)證技術(shù))。除了一些基本的機(jī)器學(xué)習(xí)技巧，我們已經(jīng)開(kāi)始尋找一些有用的工具包。

我們會(huì)進(jìn)一步學(xué)習(xí)新的必要工具。

7. 第七步：Python 深度學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)包含很多層

深度學(xué)習(xí)無(wú)處不在。深度學(xué)習(xí)建立在幾十年前的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，但是最近的進(jìn)步始于幾年前，并極大地提高了深度神經(jīng)網(wǎng)絡(luò)的認(rèn)知能力，引起了人們的廣泛興趣。如果你對(duì)神經(jīng)網(wǎng)絡(luò)還不熟悉，KDnuggets 有很多文章詳細(xì)介紹了最近深度學(xué)習(xí)大量的創(chuàng)新、成就和贊許。

最后一步并不打算把所有類(lèi)型的深度學(xué)習(xí)評(píng)論一遍，而是在 2 個(gè)先進(jìn)的當(dāng)代 Python 深度學(xué)習(xí)庫(kù)中探究幾個(gè)簡(jiǎn)單的網(wǎng)絡(luò)實(shí)現(xiàn)。對(duì)于有興趣深挖深度學(xué)習(xí)的讀者，我建議從下面這些免費(fèi)的在線書(shū)籍開(kāi)始：

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)，作者 Michael Nielsen：http://neuralnetworksanddeeplearning.com/

（1）Theano

鏈接：http://deeplearning.net/software/theano/

Theano 是我們講到的第一個(gè) Python 深度學(xué)習(xí)庫(kù)?？纯?Theano 作者怎么說(shuō)：

Theano 是一個(gè) Python 庫(kù)，它可以使你有效地定義、優(yōu)化和評(píng)估包含多維數(shù)組的數(shù)學(xué)表達(dá)式。

下面關(guān)于運(yùn)用 Theano 學(xué)習(xí)深度學(xué)習(xí)的入門(mén)教程有點(diǎn)長(zhǎng)，但是足夠好，描述生動(dòng)，評(píng)價(jià)很高：

• Theano 深度學(xué)習(xí)教程，作者 Colin Raffel：http://suo.im/1mPGHe

（2）Caffe

鏈接：http://caffe.berkeleyvision.org/

另一個(gè)我們將測(cè)試驅(qū)動(dòng)的庫(kù)是 Caffe。再一次，讓我們從作者開(kāi)始：

Caffe 是一個(gè)深度學(xué)習(xí)框架，由表達(dá)、速度和模塊性建構(gòu)，Bwekeley 視覺(jué)與學(xué)習(xí)中心和社區(qū)工作者共同開(kāi)發(fā)了 Caf fe。

這個(gè)教程是本篇文章中最好的一個(gè)。我們已經(jīng)學(xué)習(xí)了上面幾個(gè)有趣的樣例，但沒(méi)有一個(gè)可與下面這個(gè)樣例相競(jìng)爭(zhēng)，其可通過(guò) Caffe 實(shí)現(xiàn)谷歌的 DeepDream。這個(gè)相當(dāng)精彩!掌握教程之后，可以嘗試使你的處理器自如運(yùn)行，就當(dāng)作是娛樂(lè)。

• 通過(guò) Caffe 實(shí)現(xiàn)谷歌 DeepDream：http://suo.im/2cUSXS

我并沒(méi)有保證說(shuō)這會(huì)很快或容易，但是如果你投入了時(shí)間并完成了上面的 7 個(gè)步驟，你將在理解大量機(jī)器學(xué)習(xí)算法以及通過(guò)流行的庫(kù)(包括一些在目前深度學(xué)習(xí)研究領(lǐng)域最前沿的庫(kù))在 Python 中實(shí)現(xiàn)算法方面變得很擅長(zhǎng)。

二、進(jìn)階篇

機(jī)器學(xué)習(xí)算法

本篇是使用 Python 掌握機(jī)器學(xué)習(xí)的 7 個(gè)步驟系列文章的下篇，如果你已經(jīng)學(xué)習(xí)了該系列的上篇，那么應(yīng)該達(dá)到了令人滿意的學(xué)習(xí)速度和熟練技能;如果沒(méi)有的話，你也許應(yīng)該回顧一下上篇，具體花費(fèi)多少時(shí)間，取決于你當(dāng)前的理解水平。我保證這樣做是值得的?？焖倩仡欀?，本篇文章會(huì)更明確地集中于幾個(gè)機(jī)器學(xué)習(xí)相關(guān)的任務(wù)集上。由于安全地跳過(guò)了一些基礎(chǔ)模塊——Python 基礎(chǔ)、機(jī)器學(xué)習(xí)基礎(chǔ)等等——我們可以直接進(jìn)入到不同的機(jī)器學(xué)習(xí)算法之中。這次我們可以根據(jù)功能更好地分類(lèi)教程。

第1步：機(jī)器學(xué)習(xí)基礎(chǔ)回顧&一個(gè)新視角

上篇中包括以下幾步：

1. Python 基礎(chǔ)技能

2. 機(jī)器學(xué)習(xí)基礎(chǔ)技能

3. Python 包概述

4. 運(yùn)用 Python 開(kāi)始機(jī)器學(xué)習(xí)：介紹&模型評(píng)估

5. 關(guān)于 Python 的機(jī)器學(xué)習(xí)主題：k-均值聚類(lèi)、決策樹(shù)、線性回歸&邏輯回歸

6. 關(guān)于 Python 的高階機(jī)器學(xué)習(xí)主題：支持向量機(jī)、隨機(jī)森林、PCA 降維

7. Python 中的深度學(xué)習(xí)

如上所述，如果你正準(zhǔn)備從頭開(kāi)始，我建議你按順序讀完上篇。我也會(huì)列出所有適合新手的入門(mén)材料，安裝說(shuō)明包含在上篇文章中。

然而，如果你已經(jīng)讀過(guò)，我會(huì)從下面最基礎(chǔ)的開(kāi)始：

• 機(jī)器學(xué)習(xí)關(guān)鍵術(shù)語(yǔ)解釋?zhuān)髡?Matthew Mayo。地址：http://suo.im/2URQGm
• 維基百科條目：統(tǒng)計(jì)學(xué)分類(lèi)。地址：http://suo.im/mquen
• 機(jī)器學(xué)習(xí)：一個(gè)完整而詳細(xì)的概述，作者 Alex Castrounis。地址：http://suo.im/1yjSSq

如果你正在尋找學(xué)習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)的替代或補(bǔ)充性方法，恰好我可以把正在看的 Shai Ben-David 的視頻講座和 Shai Shalev-Shwartz 的教科書(shū)推薦給你：

• Shai Ben-David 的機(jī)器學(xué)習(xí)介紹視頻講座，滑鐵盧大學(xué)。地址：http://suo.im/1TFlK6
• 理解機(jī)器學(xué)習(xí)：從理論到算法，作者 Shai Ben-David & Shai Shalev-Shwartz。地址：http://suo.im/1NL0ix

記住，這些介紹性資料并不需要全部看完才能開(kāi)始我寫(xiě)的系列文章。視頻講座、教科書(shū)及其他資源可在以下情況查閱：當(dāng)使用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)模型時(shí)或者當(dāng)合適的概念被實(shí)際應(yīng)用在后續(xù)步驟之中時(shí)。具體情況自己判斷。

第2步：更多的分類(lèi)

我們從新材料開(kāi)始，首先鞏固一下我們的分類(lèi)技術(shù)并引入一些額外的算法。雖然本篇文章的第一部分涵蓋決策樹(shù)、支持向量機(jī)、邏輯回歸以及合成分類(lèi)隨機(jī)森林，我們還是會(huì)添加 k-最近鄰、樸素貝葉斯分類(lèi)器和多層感知器。

Scikit-learn 分類(lèi)器

k-最近鄰(kNN)是一個(gè)簡(jiǎn)單分類(lèi)器和懶惰學(xué)習(xí)者的示例，其中所有計(jì)算都發(fā)生在分類(lèi)時(shí)間上(而不是提前在訓(xùn)練步驟期間發(fā)生)。kNN 是非參數(shù)的，通過(guò)比較數(shù)據(jù)實(shí)例和 k 最近實(shí)例來(lái)決定如何分類(lèi)。

• 使用 Python 進(jìn)行 k-最近鄰分類(lèi)。地址：http://suo.im/2zqW0t

樸素貝葉斯是基于貝葉斯定理的分類(lèi)器。它假定特征之間存在獨(dú)立性，并且一個(gè)類(lèi)中任何特定特征的存在與任何其它特征在同一類(lèi)中的存在無(wú)關(guān)。

• 使用 Scikit-learn 進(jìn)行文檔分類(lèi)，作者 Zac Stewart。地址：http://suo.im/2uwBm3

多層感知器(MLP)是一個(gè)簡(jiǎn)單的前饋神經(jīng)網(wǎng)絡(luò)，由多層節(jié)點(diǎn)組成，其中每個(gè)層與隨后的層完全連接。多層感知器在 Scikit-learn 版本 0.18 中作了介紹。

首先從 Scikit-learn 文檔中閱讀 MLP 分類(lèi)器的概述，然后使用教程練習(xí)實(shí)現(xiàn)。

• 神經(jīng)網(wǎng)絡(luò)模型(監(jiān)督式)，Scikit-learn 文檔。地址：http://suo.im/3oR76l
• Python 和 Scikit-learn 的神經(jīng)網(wǎng)絡(luò)初學(xué)者指南 0.18!作者 Jose Portilla。地址：http://suo.im/2tX6rG

第3步：更多聚類(lèi)

我們現(xiàn)在接著講聚類(lèi)，一種無(wú)監(jiān)督學(xué)習(xí)形式。上篇中，我們討論了 k-means 算法; 我們?cè)诖私榻B DBSCAN 和期望最大化(EM)。

Scikit-learn聚類(lèi)算法

首先，閱讀這些介紹性文章; 第一個(gè)是 k 均值和 EM 聚類(lèi)技術(shù)的快速比較，是對(duì)新聚類(lèi)形式的一個(gè)很好的繼續(xù)，第二個(gè)是對(duì) Scikit-learn 中可用的聚類(lèi)技術(shù)的概述：

• 聚類(lèi)技術(shù)比較：簡(jiǎn)明技術(shù)概述，作者 Matthew Mayo。地址：http://suo.im/4ctIvI
• 在玩具數(shù)據(jù)集中比較不同的聚類(lèi)算法，Scikit-learn 文檔。地址：http://suo.im/4uvbbM

期望最大化(EM)是概率聚類(lèi)算法，并因此涉及確定實(shí)例屬于特定聚類(lèi)的概率。EM 接近統(tǒng)計(jì)模型中參數(shù)的最大似然性或最大后驗(yàn)估計(jì)(Han、Kamber 和 Pei)。EM 過(guò)程從一組參數(shù)開(kāi)始迭代直到相對(duì)于 k 聚類(lèi)的聚類(lèi)最大化。

首先閱讀關(guān)于 EM 算法的教程。接下來(lái)，看看相關(guān)的 Scikit-learn 文檔。最后，按照教程使用 Python 自己實(shí)現(xiàn) EM 聚類(lèi)。

• 期望最大化(EM)算法教程，作者 Elena Sharova。地址：http://suo.im/33ukYd
• 高斯混合模型，Scikit-learn 文檔。地址：http://suo.im/20C2tZ。
• 使用 Python 構(gòu)建高斯混合模型的快速介紹，作者 Tiago Ramalho。地址：http://suo.im/4oxFsj

如果高斯混合模型初看起來(lái)令人困惑，那么來(lái)自 Scikit-learn 文檔的這一相關(guān)部分應(yīng)該可以減輕任何多余的擔(dān)心：

高斯混合對(duì)象實(shí)現(xiàn)期望最大化(EM)算法以擬合高斯模型混合。

基于密度且具有噪聲的空間聚類(lèi)應(yīng)用(DBSCAN)通過(guò)將密集數(shù)據(jù)點(diǎn)分組在一起，并將低密度數(shù)據(jù)點(diǎn)指定為異常值來(lái)進(jìn)行操作。

首先從 Scikit-learn 的文檔中閱讀并遵循 DBSCAN 的示例實(shí)現(xiàn)，然后按照簡(jiǎn)明的教程學(xué)習(xí)：

• DBSCAN 聚類(lèi)算法演示，Scikit-learn 文檔。地址：http://suo.im/1l9tvX
• 基于密度的聚類(lèi)算法(DBSCAN)和實(shí)現(xiàn)。地址：http://suo.im/1LEoXC

第4步：更多的集成方法

上篇只涉及一個(gè)單一的集成方法：隨機(jī)森林(RF)。RF 作為一個(gè)頂級(jí)的分類(lèi)器，在過(guò)去幾年中取得了巨大的成功，但它肯定不是唯一的集成分類(lèi)器。我們將看看包裝、提升和投票。

給我一個(gè)提升

首先，閱讀這些集成學(xué)習(xí)器的概述，第一個(gè)是通用性的;第二個(gè)是它們與 Scikit-learn 有關(guān)：

• 集成學(xué)習(xí)器介紹，作者 Matthew Mayo。地址：http://suo.im/cLESw
• Scikit-learn 中的集成方法，Scikit-learn 文檔。地址：http://suo.im/yFuY9

然后，在繼續(xù)使用新的集成方法之前，請(qǐng)通過(guò)一個(gè)新的教程快速學(xué)習(xí)隨機(jī)森林：

• Python 中的隨機(jī)森林，來(lái)自 Yhat。地址：http://suo.im/2eujI

包裝、提升和投票都是不同形式的集成分類(lèi)器，全部涉及建構(gòu)多個(gè)模型; 然而，這些模型由什么算法構(gòu)建，模型使用的數(shù)據(jù)，以及結(jié)果如何最終組合起來(lái)，這些都會(huì)隨著方案而變化。

• 包裝：從同一分類(lèi)算法構(gòu)建多個(gè)模型，同時(shí)使用來(lái)自訓(xùn)練集的不同(獨(dú)立)數(shù)據(jù)樣本——Scikit-learn 實(shí)現(xiàn)包裝分類(lèi)器
• 提升：從同一分類(lèi)算法構(gòu)建多個(gè)模型，一個(gè)接一個(gè)地鏈接模型，以提高每個(gè)后續(xù)模型的學(xué)習(xí)——Scikit-learn 實(shí)現(xiàn) AdaBoost
• 投票：構(gòu)建來(lái)自不同分類(lèi)算法的多個(gè)模型，并且使用標(biāo)準(zhǔn)來(lái)確定模型如何最好地組合——Scikit-learn 實(shí)現(xiàn)投票分類(lèi)器

那么，為什么要組合模型?為了從一個(gè)特定角度處理這個(gè)問(wèn)題，這里是偏差-方差權(quán)衡的概述，具體涉及到提升，以下是 Scikit-learn 文檔：

• 單一評(píng)估器 vs 包裝：偏差-方差分解，Scikit-learn 文檔。地址：http://suo.im/3izlRB

現(xiàn)在你已經(jīng)閱讀了關(guān)于集成學(xué)習(xí)器的一些介紹性材料，并且對(duì)幾個(gè)特定的集成分類(lèi)器有了基本了解，下面介紹如何從 Machine Learning Mastery 中使用 Scikit-learn 在 Python 中實(shí)現(xiàn)集成分類(lèi)器：

• 使用 Scikit-learn 在 Python 中實(shí)現(xiàn)集成機(jī)器學(xué)習(xí)算法，作者 Jason Brownlee。地址：http://suo.im/9WEAr

第5步：梯度提升

下一步我們繼續(xù)學(xué)習(xí)集成分類(lèi)器，探討一個(gè)當(dāng)代最流行的機(jī)器學(xué)習(xí)算法。梯度提升最近在機(jī)器學(xué)習(xí)中產(chǎn)生了顯著的影響，成為了 Kaggle 競(jìng)賽中最受歡迎和成功的算法之一。

給我一個(gè)梯度提升

首先，閱讀梯度提升的概述：

• 維基百科條目：梯度提升。地址：http://suo.im/TslWi

接下來(lái)，了解為什么梯度提升是 Kaggle 競(jìng)賽中「最制勝」的方法：

• 為什么梯度提升完美解決了諸多 Kaggle 難題?Quora，地址：http://suo.im/3rS6ZO
• Kaggle 大師解釋什么是梯度提升，作者 Ben Gorman。地址：http://suo.im/3nXlWR

雖然 Scikit-learn 有自己的梯度提升實(shí)現(xiàn)，我們將稍作改變，使用 XGBoost 庫(kù)，我們提到過(guò)這是一個(gè)更快的實(shí)現(xiàn)。

以下鏈接提供了 XGBoost 庫(kù)的一些額外信息，以及梯度提升(出于必要)：

• 維基百科條目：XGBoost。地址：http://suo.im/2UlJ3V
• Ghub 上的 XGBoost 庫(kù)。地址：http://suo.im/2JeQI8
• XGBoost 文檔。地址：http://suo.im/QRRrm

現(xiàn)在，按照這個(gè)教程把所有匯聚起來(lái)：

• Python 中 XGBoost 梯度提升樹(shù)的實(shí)現(xiàn)指南，作者 Jesse Steinweg-Woods。地址：http://suo.im/4FTqD5

你還可以按照這些更簡(jiǎn)潔的示例進(jìn)行強(qiáng)化：

• XGBoost 在 Kaggle 上的示例(Python)。地址：http://suo.im/4F9A1J
• Iris 數(shù)據(jù)集和 XGBoost 簡(jiǎn)單教程，作者 Ieva Zarina。地址：http://suo.im/2Lyb1a

第6步：更多的降維

降維是通過(guò)使用過(guò)程來(lái)獲得一組主變量，將用于模型構(gòu)建的變量從其初始數(shù)減少到一個(gè)減少數(shù)。

有兩種主要形式的降維：

• 1. 特征選擇——選擇相關(guān)特征的子集。地址：http://suo.im/4wlkrj
• 2. 特征提取——構(gòu)建一個(gè)信息性和非冗余的衍生值特征集。地址：http://suo.im/3Gf0Yw

下面是一對(duì)常用的特征提取方法。

主成分分析(PCA)是一種統(tǒng)計(jì)步驟，它使用正交變換將可能相關(guān)變量的一組觀測(cè)值轉(zhuǎn)換為一組稱為主成分的線性不相關(guān)變量值。主成分的數(shù)量小于或等于原始變量的數(shù)量。這種變換以這樣的方式定義，即第一主成分具有最大可能的方差(即考慮數(shù)據(jù)中盡可能多的變率)

以上定義來(lái)自 PCA 維基百科條目，如果感興趣可進(jìn)一步閱讀。但是，下面的概述/教程非常徹底：

• 主成分分析：3 個(gè)簡(jiǎn)單的步驟，作者 Sebastian Raschka。地址：http://suo.im/1ahFdW

線性判別分析(LDA)是 Fisher 線性判別的泛化，是統(tǒng)計(jì)學(xué)、模式識(shí)別和機(jī)器學(xué)習(xí)中使用的一種方法，用于發(fā)現(xiàn)線性組合特征或分離兩個(gè)或多個(gè)類(lèi)別的對(duì)象或事件的特征。所得到的組合可以用作線性分類(lèi)器，或者更常見(jiàn)地，用作后續(xù)分類(lèi)之前的降維。

LDA 與方差分析(ANOVA)和回歸分析密切相關(guān)，它同樣嘗試將一個(gè)因變量表示為其他特征或測(cè)量的線性組合。然而，ANOVA 使用分類(lèi)獨(dú)立變量和連續(xù)因變量，而判別分析具有連續(xù)的獨(dú)立變量和分類(lèi)依賴變量(即類(lèi)標(biāo)簽)。

上面的定義也來(lái)自維基百科。下面是完整的閱讀：

• 線性判別分析——直至比特，作者 Sebastian Raschka。地址：http://suo.im/gyDOb

你對(duì) PCA 和 LDA 對(duì)于降維的實(shí)際差異是否感到困惑?Sebastian Raschka 做了如下澄清：

線性判別分析(LDA)和主成分分析(PCA)都是通常用于降維的線性轉(zhuǎn)換技術(shù)。PCA 可以被描述為「無(wú)監(jiān)督」算法，因?yàn)樗负雎浴诡?lèi)標(biāo)簽，并且其目標(biāo)是找到使數(shù)據(jù)集中的方差最大化的方向(所謂的主成分)。與 PCA 相反，LDA 是「監(jiān)督的」并且計(jì)算表示使多個(gè)類(lèi)之間的間隔最大化的軸的方向(「線性判別式」)。

有關(guān)這方面的簡(jiǎn)要說(shuō)明，請(qǐng)閱讀以下內(nèi)容：

• LDA 和 PCA 之間的降維有什么區(qū)別?作者 Sebastian Raschka。地址：http://suo.im/2IPt0U

第 7 步：更多的深度學(xué)習(xí)

上篇中提供了一個(gè)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的入口。如果你的學(xué)習(xí)到目前比較順利并希望鞏固對(duì)神經(jīng)網(wǎng)絡(luò)的理解，并練習(xí)實(shí)現(xiàn)幾個(gè)常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型，那么請(qǐng)繼續(xù)往下看。

首先，看一些深度學(xué)習(xí)基礎(chǔ)材料：

• 深度學(xué)習(xí)關(guān)鍵術(shù)語(yǔ)及解釋?zhuān)髡?Matthew Mayo
• 理解深度學(xué)習(xí)的 7 個(gè)步驟，作者 Matthew Mayo。地址：http://suo.im/3QmEfV

接下來(lái)，在 Google 的機(jī)器智能開(kāi)源軟件庫(kù) TensorFlow(一個(gè)有效的深度學(xué)習(xí)框架和現(xiàn)今幾乎是最好的神經(jīng)網(wǎng)絡(luò)工具)嘗試一些簡(jiǎn)明的概述/教程：

• 機(jī)器學(xué)習(xí)敲門(mén)磚：任何人都能看懂的 TensorFlow 介紹(第 1、2 部分)
• 入門(mén)級(jí)解讀：小白也能看懂的 TensorFlow 介紹(第 3、4 部分)

最后，直接從 TensorFlow 網(wǎng)站試用這些教程，它實(shí)現(xiàn)了一些最流行和常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型：

• 循環(huán)神經(jīng)網(wǎng)絡(luò)，谷歌 TensorFlow 教程。地址：http://suo.im/2gtkze
• 卷積神經(jīng)網(wǎng)絡(luò)，谷歌 TensorFlow 教程。地址：http://suo.im/g8Lbg

此外，目前一篇關(guān)于 7 個(gè)步驟掌握深度學(xué)習(xí)的文章正在寫(xiě)作之中，重點(diǎn)介紹使用位于 TensorFlow 頂部的高級(jí) API，以增模型實(shí)現(xiàn)的容易性和靈活性。我也將在完成后在這兒添加一個(gè)鏈接。

相關(guān)的：

• 進(jìn)入機(jī)器學(xué)習(xí)行業(yè)之前應(yīng)該閱讀的 5 本電子書(shū)。地址：http://suo.im/SlZKt
• 理解深度學(xué)習(xí)的 7 個(gè)步驟。地址：http://suo.im/3QmEfV
• 機(jī)器學(xué)習(xí)關(guān)鍵術(shù)語(yǔ)及解釋。地址：http://suo.im/2URQGm

本教程原文分為兩個(gè)部分，本文中將其進(jìn)行了整合，原文可參閱：http://suo.im/KUWgl 和 http://suo.im/96wD3。本教程的作者為 KDnuggets 副主編兼數(shù)據(jù)科學(xué)家 Matthew Mayo。

【本文是專(zhuān)欄機(jī)構(gòu)機(jī)器之心的原創(chuàng)譯文，微信公眾號(hào)“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文

文章名稱：只需十四步：從零開(kāi)始掌握Python機(jī)器學(xué)習(xí)（附資源）
鏈接URL：http://uogjgqi.cn/article/djhpecd.html