利用Python7步学习机器学习
声明：本文转自网络，原文地址： http://www.kdnuggets.com/2015/11/seven-steps-machine-learning-python.html。
个人感觉本文对机器学习很有帮助，因此将本文内容记录下来，文中提供了大量的免费学习资源。
Step1：基本 Python 技能
首先要安装 Python 。这里建议安装 Anaconda。Anaconda 是一个可在 Linux , OSX , Windows 上运行的 Python 实现工具，拥有所需的机器学习 packages ，包括 numpy，scikit-learn，matplotlib。它还包含iPython Notebook 。
如果没有编程知识，建议你阅读这本免费电子书，然后再接触其他学习材料：
▪ Python The Hard Way http://learnpythonthehardway.org/book/ 作者Zed A. Shaw
如果你之前有编程知识，但不是Python的，又或者你的Python水平很基础，推荐下列一种或几种教程：
▪ Google Developers Python Course （(推荐给视觉型学习者）
https://www.youtube.com/playlist?list=PLfZeRfzhgQzTMgwFVezQbnpc1ck0I6CQl
▪ An Introduction to Python for Scientific Computing (from UCSB Engineering) 作者 M. Scott Shell (一个很好的 Python 科学计算简介，60 页)
http://www.engr.ucsb.edu/~shell/che210d/python.pdf
对于想要速成课程的人，这里有：
▪ Learn X in Y Minutes (X = Python)
http://learnxinyminutes.com/docs/python/
如果你是个经验丰富的 Python 程序员，可以跳过这一步。
Step2：ML基础技能
吴恩达在 Coursera 的课程饱受赞誉。但我的建议是去看看一名以前的学生做的笔记。略过那些针对 Octave（一个与 Python 无关的，类 Matlab 语言）的内容。需要注意，这些不是“官方”的笔记，虽然看起来的确抓住了吴恩达课程材料的相关内容。如果你有时间，可以自己去 Coursera 完成这个课程 ：Andrew Ng’s Machine Learning course 。https://www.coursera.org/learn/machine-learning
▪ 非官方课程笔记链接 http://www.holehouse.org/mlclass/
除了吴恩达的课程以外，下面的课程视频，对学习者非常友好：
▪ Tom Mitchell Machine Learning Lectures
http://www.cs.cmu.edu/~ninamf/courses/601sp15/lectures.shtml
比较好的策略是向前推进，去做下面的练习，需要的时候再查阅笔记和视频。比如，你要做一个回归模型，就可以去查阅吴恩达课程有关回归的笔记以及/或者 Mitchell 的视频。
Step3：科学计算 Python packages
Python 有很多为机器学习提供便利的开源库。通常它们被称为 Python 科学库，用以执行基本的数据科学任务：
▪ numpy – 主要用于 N 维数组
▪ pandas – Python 数据分析库，包含 dataframe 等结构
▪ matplotlib – 2D 绘图库，产出质量足以进行印刷的图
▪ scikit-learn – 数据分析、数据挖掘任务使用的机器学习算法
学习以上这些内容可以使用：
▪ Scipy Lecture Notes 作者 Gaël Varoquaux， Emmanuelle Gouillart， Olav Vahtras
http://www.scipy-lectures.org/
下面这个 pandas 教程也不错，贴近主题：
▪ 10 Minutes to Pandas http://pandas.pydata.org/pandas-docs/stable/10min.html
后面的教程会看到packages ，比如Seaborn （一个基于 matplotlib 的可视化库）。
Step4：开始用 Python 进行ML
用scikit-learn，实现机器学习算法。
scikit-learn 算法选择图
下面许多教程和练习都基于交互式环境 iPython (Jupyter) Notebook 。
▪ iPython Notebook 概览 斯坦福大学 http://cs231n.github.io/ipython-tutorial/
下面是 scikit-learn 的入门教程。在进行下一个步骤之前，推荐做完下列全部教程。
对于 scikit-learn 的整体介绍，它是 Python 最常用的通用机器学习库，包含knn最近邻算法：
▪ An Introduction to scikit-learn 作者 Jake VanderPlas
http://nbviewer.ipython.org/github/donnemartin/data-science-ipython-notebooks/blob/master/scikit-learn/scikit-learn-intro.ipynb
更深入更宽泛的介绍，包含一个新手项目，从头到尾使用一个著名的数据集：
▪ 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
专注于 scikit-learn 中评估不同模型的策略，涉及训练集/测试集拆分：
▪ Model Evaluation 作者 Kevin Markham
https://github.com/justmarkham/scikit-learn-videos/blob/master/05_model_evaluation.ipynb
Step5：Python ML主题
在 scikit-learn 打下基础以后，我们可以探索更多有用的常见算法。让我们从最知名的机器学习算法之一，k-means 聚类开始。对于无监督学习问题，k-means 通常简单有效：
▪ k-means Clustering 作者 Jake VanderPlas
https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/04.2-Clustering-KMeans.ipynb
接下来是分类，让我们看看史上最流行的分类方法之一，决策树：
▪ Decision Trees via The Grimm Scientist
http://nbviewer.ipython.org/github/donnemartin/data-science-ipython-notebooks/blob/master/scikit-learn/scikit-learn-linear-reg.ipynb
分类之后，是连续数字变量的预测：
▪ Linear Regression 作者 Jake VanderPlas
通过逻辑斯蒂回归，我们可以用回归解决分类问题：
▪ Logistic Regression 作者 Kevin Markham
http://nbviewer.ipython.org/github/justmarkham/gadsdc1/blob/master/logistic_assignment/kevin_logistic_sklearn.ipynb
Step6：Python高级ML
接触过 scikit-learn，现在让我们把注意力转向更高级的内容。首先是支持向量机，一个无需线性的分类器，它依赖复杂的数据转换，把数据投向高维空间。
▪ Support Vector Machines 作者 Jake VanderPlas
https://github.com/jakevdp/sklearn_pycon2015/blob/master/notebooks/03.1-Classification-SVMs.ipynb
接下来是随机森林，一种集成分类器。下面的教程通过 Kaggle Titanic Competition讲解。
▪ 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
降维是一种减少问题涉及的变量数目的方法。PCA 主成分分析是一种无监督学习降维的特殊形式：
▪ Dimensionality Reduction 作者 Jake VanderPlas
http://nbviewer.ipython.org/github/donnemartin/data-science-ipython-notebooks/blob/master/kaggle/titanic.ipynb
通过使用 Python 和它的机器学习库，我们涵盖了一些最常用最知名的机器学习算法（ knn 最近邻，k-means 聚类，支持向量机），了解了一种强有力的集成方法（随机森林），涉及了一些其他机器学习支持方案（降维，模型验证技巧）。在一些基础机器学习的技巧的帮助下，我们开始有了一个渐渐丰富的工具箱。
Step7 ：Python 深度学习
深度学习基于过去几十年的神经网络研究，但最近几年的发展大大增加了深度神经网络的能力和对于它的兴趣。如果你不熟悉深度学习，KDnuggets 有许多文章，详细介绍最近的进展、成果，以及对这项技术的赞誉。
本文的最后一部分会关注基于两个Python深度学习库的简单应用。对于想了解更多的读者，我推荐下面这本免费在线书：
▪ Neural Networks and Deep Learning 作者 Michael Nielsen
http://neuralnetworksanddeeplearning.com/
Theano http://deeplearning.net/software/theano/
Theano是我们关注的第一个 Python 深度学习库。根据作者所说：
作为一个 Python 库，Theano 让你可以有效定义、优化、评估包含多维数组的数学表达式。
▪ Theano Deep Learning Tutorial 作者 Colin Raffel
http://nbviewer.ipython.org/github/craffel/theano-tutorial/blob/master/Theano%20Tutorial.ipynb
Caffe http://caffe.berkeleyvision.org/
我们关注的另一个库是 Caffe。根据它的作者所说：
Caffe 是一个深度学习框架。开发过程中时刻考虑着表达式、速度、模型。 它是由 Berkeley Vision and Learning Center (BVLC) 和社区贡献者共同开发的。
这个教程是本文的压轴。尽管上面列举了一些有趣的案例，没有那个比得上下面这个：用 Caffe 实现 Google 的 #DeepDream。
▪ Dreaming Deep with Caffe via Google’s GitHub
https://github.com/google/deepdream/blob/master/dream.ipynb
遵循这七个步骤，你无疑会对于这个领域拥有足够的熟练度和理解，会使用流行的 Python 库实现许多机器学习算法。