附資源與完整指導！帶你從零開始掌握Python 機器學習

現在是時候使用Python 機器學習標準庫scikit-learn 來實現機器學習算法了。

scikit-learn 流程圖. 下面許多的教程和訓練都是使用iPython (Jupyter) ... Share 【我們為什麼挑選這篇文章】我是一個毫無程式基礎的文組生，一直都對機器學習很有興趣卻不知道怎麼入門。

前幾天真的是意外在中國網站上發現這篇文章，進而開始聽 TomMitchell的線上課程，結果很意外的我居然就停不下來的一直聽下去，他的英語發音清晰，表達又簡單明瞭，讓我非常喜歡！很期待慢慢發掘這篇文章中的學習資源，也很推薦給大家！（責任編輯：劉庭瑋） 分享一篇來自機器之心的文章。

關於機器學習的起步，講的還是很清楚的。

Python可以說是現在最流行的機器學習語言，而且你也能在網上找到大量的資源。

你現在也在考慮從Python入門機器學習嗎？本教程或許能幫你成功上手，從0到1掌握Python機器學習，至於後面再從1到100變成機器學習專家，就要看你自己的努力了。

本教程原文分為兩個部分，機器之心在本文中將其進行了整合，原文可參閱：suo.im/KUWgl和suo.im/96wD3。

本教程的作者為KDnuggets副主編兼數據科學家MatthewMayo。

「開始」往往是最難的，尤其是當選擇太多的時候，一個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有Python機器學習背景的新手成長為知識淵博的實踐者，而且這個過程中僅需要使用免費的材料和資源即可。

這個大綱的主要目標是帶你了解那些數量繁多的可用資源。

毫無疑問，資源確實有很多，但哪些才是最好的呢？哪些是互補的呢？以怎樣的順序學習這些資源才是最合適的呢？ 首先，我假設你並不是以下方面的專家： 機器學習 Python 任何Python的機器學習、科學計算或數據分析庫 當然，如果你對前兩個主題有一定程度的基本了解就更好了，但那並不是必要的，在早期階段多花一點點時間了解一下就行了。

基礎篇 第一步：基本Python技能 如果我們打算利用Python來執行機器學習，那麼對Python有一些基本的了解就是至關重要的。

幸運的是，因為Python是一種得到了廣泛使用的通用編程語言，加上其在科學計算和機器學習領域的應用，所以找到一個初學者教程並不十分困難。

你在Python和編程上的經驗水平對於起步而言是至關重要的。

首先，你需要安裝Python。

因為我們後面會用到科學計算和機器學習軟件包，所以我建議你安裝Anaconda。

這是一個可用於Linux、OSX和Windows上的工業級的Python實現，完整包含了機器學習所需的軟件包，包括numpy、scikit-learn和matplotlib。

其也包含了iPythonNotebook，這是一個用在我們許多教程中的交互式環境。

我推薦安裝Python2.7。

如果你不懂編程，我建議你從下面的免費在線書籍開始學習，然後再進入後續的材料： LearnPythontheHardWay，作者ZedA.Shaw：https://learnpythonthehardway.org/book/ 如果你有編程經驗，但不懂Python或還很初級，我建議你學習下面兩個課程： 谷歌開發者Python課程（強烈推薦視覺學習者學習）：http://suo.im/toMzq Python科學計算入門（來自UCSBEngineering的M.ScottShell）（一個不錯的入門，大約有60頁）：http://suo.im/2cXycM 如果你要30分鐘上手Python的快速課程，看下面： 在Y分鐘內學會X（X=Python） 當然，如果你已經是一位經驗豐富的Python程序員了，這一步就可以跳過了。

即便如此，我也建議你常使用Python文檔：https://www.python.org/doc/ 第二步：機器學習基礎技巧 KDnuggets的ZacharyLipton已經指出：現在，人們評價一個「數據科學家」已經有很多不同標準了。

這實際上是機器學習領域領域的一個寫照，因為數據科學家大部分時間幹的事情都牽涉到不同程度地使用機器學習算法。

為了有效地創造和獲得來自支持向量機的洞見，非常熟悉核方法（kernelmethods）是否必要呢？當然不是。

就像幾乎生活中的所有事情一樣，掌握理論的深度是與實踐應用相關的。

對機器學習算法的深度了解超過了本文探討的範圍，它通常需要你將非常大量的時間投入到更加學術的課程中去，或者至少是你自己要進行高強度的自學訓練。

好消息是，對實踐來說，你並不需要獲得機器學習博士般的理論理解——就想要成為一個高效的程序員並不必要進行計算機科學理論的學習。

人們對吳恩達在Coursera上的機器學習課程內容往往好評如潮；然而，我的建議是瀏覽前一個學生在線記錄的課堂筆記。

跳過特定於Octave（一個類似於Matlab的與你Python學習無關的語言）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課程材料中相關的內容。

當然如果你有時間和興趣，你現在就可以去Coursera上學習吳恩達的機器學習課程：http://suo.im/2o1uD 吳恩達課程的非官方筆記：http://www. holehouse.org/mlclass/ 除了上面提到的吳恩達課程，如果你還需要需要其它的，網上還有很多各類課程供你選擇。

比如我就很喜歡TomMitchell，這裡是他最近演講的視頻（一起的還有Maria-FlorinaBalcan），非常平易近人。

TomMitchell的機器學習課程：http://suo.im/497arw 目前你不需要所有的筆記和視頻。

一個有效地方法是當你覺得合適時，直接去看下面特定的練習題，參考上述備註和視頻恰當的部分， 第三步：科學計算Python軟件包概述 好了，我們已經掌握了Python編程並對機器學習有了一定的了解。

而在Python之外，還有一些常用於執行實際機器學習的開源軟件庫。

廣義上講，有很多所謂的科學Python庫（scientificPythonlibraries）可用於執行基本的機器學習任務（這方面的判斷肯定有些主觀性）： numpy——主要對其N維數組對像有用http://www.numpy.org/ pandas——Python數據分析庫，包括數據框架（dataframes）等結構http://pandas.pydata.org/ matplotlib——一個2D繪圖庫，可產生出版物質量的圖表http://matplotlib.org/ scikit-learn——用於數據分析和數據挖掘人物的機器學習算法http://scikit-learn.org/stable/ 學習這些庫的一個好方法是學習下面的材料： ScipyLectureNotes，來自GaëlVaroquaux、EmmanuelleGouillart和OlavVahtras：http://www.scipy-lectures.org/ 這個pandas教程也很不錯：10MinutestoPandas：http://suo.im/4an6gY 在本教程的後面你還會看到一些其它的軟件包，比如基於matplotlib的數據可視化庫Seaborn。

前面提到的軟件包只是Python機器學習中常用的一些核心庫的一部分，但是理解它們應該能讓你在後面遇到其它軟件包時不至於感到困惑。

下面就開始動手吧！ 第四步：使用Python學習機器學習 首先檢查一下準備情況 Python：就緒 機器學習基本材料：就緒 Numpy：就緒 Pandas：就緒 Matplotlib：就緒 現在是時候使用Python機器學習標準庫scikit-learn來實現機器學習算法了。

scikit-learn流程圖 下面許多的教程和訓練都是使用iPython(Jupyter)Notebook完成的，iPythonNotebook是執行Python語句的交互式環境。

iPythonNotebook可以很方便地在網上找到或下載到你的本地計算機。

來自史丹佛的iPythonNotebook概覽：http://cs231n.github.io/ipython-tutorial/ 同樣也請注意，以下的教程是由一系列在線資源所組成。

如果你感覺課程有什麼不合適的，可以和作者交流。

我們第一個教程就是從scikit-learn開始的，我建議你們在繼續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scikit-learn簡介的文章，scikit-learn是Python最常用的通用機器學習庫，其覆蓋了K近鄰算法： JakeVanderPlas寫的scikit-learn簡介：http://suo.im/3bMdEd 下面的會更加深入、擴展的一篇簡介，包括了從著名的數據庫開始完成一個項目： RandalOlson的機器學習案例筆記：http://suo.im/RcPR6 下一篇關注於在scikit-learn上評估不同模型的策略，包括訓練集/測試集的分割方法： KevinMarkham的模型評估：http:// suo.im/2HIXDD 第五步：Python上實現機器學習的基本算法 在有了scikit-learn的基本知識後，我們可以進一步探索那些更加通用和實用的算法。

我們從非常出名的K均值聚類（k-meansclustering）算法開始，它是一種非常簡單和高效的方法，能很好地解決非監督學習問題： K-均值聚類：http:// suo.im/40R8zf 接下來我們可以回到分類問題，並學習曾經最流行的分類算法： 決策樹：http://thegrimmscientist.com/tutorial-decision-trees/ 在了解分類問題後，我們可以繼續看看連續型數值預測： 線性回歸：http://suo.im/3EV4Qn 我們也可以利用回歸的思想應用到分類問題中，即logistic回歸： logistic回歸：http://suo.im/S2beL 第六步：Python上實現進階機器學習算法 我們已經熟悉了scikit-learn，現在我們可以了解一下更高級的算法了。

首先就是支持向量機，它是一種依賴於將數據轉換映射到高維空間的非線性分類器。

支持向量機：http://suo.im/2iZLLa 隨後，我們可以通過KaggleTitanic競賽檢查學習作為集成分類器的隨機森林： KaggleTitanic競賽（使用隨機森林）：http://suo.im/1o7ofe  降維算法經常用於減少在問題中所使用的變量。

主成份分析法就是非監督降維算法的一個特殊形式： 降維算法：http://suo.im/2k5y2E 在進入第七步之前，我們可以花一點時間考慮在相對較短的時間內取得的一些進展。

首先使用Python及其機器學習庫，我們不僅已經了解了一些最常見和知名的機器學習算法（k近鄰、k均值聚類、支持向量機等），還研究了強大的集成技術（隨機森林）和一些額外的機器學習任務（降維算法和模型驗證技術）。

除了一些基本的機器學習技巧，我們已經開始尋找一些有用的工具包。

我們會進一步學習新的必要工具。

第七步：Python深度學習 神經網絡包含很多層 深度學習無處不在。

深度學習建立在幾十年前的神經網絡的基礎上，但是最近的進步始於幾年前，並極大地提高了深度神經網絡的認知能力，引起了人們的廣泛興趣。

如果你對神經網絡還不熟悉，KDnuggets有很多文章詳細介紹了最近深度學習大量的創新、成就和讚許。

最後一步並不打算把所有類型的深度學習評論一遍，而是在2個先進的當代Python深度學習庫中探究幾個簡單的網絡實現。

對於有興趣深挖深度學習的讀者，我建議從下面這些免費的在線書籍開始： 神經網絡與深度學習，作者MichaelNielsen：http:// neuralnetworksanddeeplearning.com /   Theano 鏈接：http:// deeplearning.net/softwa re/theano/ Theano是我們講到的第一個Python深度學習庫。

看看Theano作者怎麼說： Theano是一個Python庫，它可以使你有效地定義、優化和評估包含多維數組的數學表達式。

下面關於運用Theano學習深度學習的入門教程有點長，但是足夠好，描述生動，評價很高： Theano深度學習教程，作者ColinRaffel：http://suo.im/1mPGHe 2.Caffe 鏈接：http:// caffe.berkeleyvision.org / 另一個我們將測試驅動的庫是Caffe。

再一次，讓我們從作者開始： Caffe是一個深度學習框架，由表達、速度和模塊性建構，Bwekeley視覺與學習中心和社區工作者共同開發了Caffe。

這個教程是本篇文章中最好的一個。

我們已經學習了上面幾個有趣的樣例，但沒有一個可與下面這個樣例相競爭，其可通過Caffe實現谷歌的DeepDream。

這個相當精彩！掌握教程之後，可以嘗試使你的處理器自如運行，就當作是娛樂。

通過Caffe實現谷歌DeepDream：http://suo.im/2cUSXS 我並沒有保證說這會很快或容易，但是如果你投入了時間並完成了上面的7個步驟，你將在理解大量機器學習算法以及通過流行的庫（包括一些在目前深度學習研究領域最前沿的庫）在Python中實現算法方面變得很擅長。

進階篇 機器學習算法 本篇是使用Python掌握機器學習的7個步驟系列文章的下篇，如果你已經學習了該系列的上篇，那麼應該達到了令人滿意的學習速度和熟練技能；如果沒有的話，你也許應該回顧一下上篇，具體花費多少時間，取決於你當前的理解水平。

我保證這樣做是值得的。

快速回顧之後，本篇文章會更明確地集中於幾個機器學習相關的任務集上。

由於安全地跳過了一些基礎模塊——Python基礎、機器學習基礎等等——我們可以直接進入到不同的機器學習算法之中。

這次我們可以根據功能更好地分類教程。

第1步：機器學習基礎回顧&一個新視角 上篇中包括以下幾步： 1.Python基礎技能 2.機器學習基礎技能 3.Python包概述 4.運用Python開始機器學習：介紹&模型評估 5.關於Python的機器學習主題：k-均值聚類、決策樹、線性回歸&邏輯回歸 6.關於Python的高階機器學習主題：支持向量機、隨機森林、PCA降維7.Python中的深度學習 如上所述，如果你正準備從頭開始，我建議你按順序讀完上篇。

我也會列出所有適合新手的入門材料，安裝說明包含在上篇文章中。

然而，如果你已經讀過，我會從下面最基礎的開始： 機器學習關鍵術語解釋，作者MatthewMayo。

地址：http://suo.im/2URQGm 維基百科條目：統計學分類。

地址：http://suo.im/mquen 機器學習：一個完整而詳細的概述，作者AlexCastrounis。

地址：http://suo.im/1yjSSq 如果你正在尋找學習機器學習基礎的替代或補充性方法，恰好我可以把正在看的ShaiBen-David的視頻講座和ShaiShalev-Shwartz的教科書推薦給你： ShaiBen-David的機器學習介紹視頻講座，滑鐵盧大學。

地址：http://suo.im/1TFlK6 理解機器學習：從理論到算法，作者ShaiBen-David&ShaiShalev-Shwartz。

地址：http://suo.im/1NL0ix 記住，這些介紹性資料並不需要全部看完才能開始我寫的系列文章。

視頻講座、教科書及其他資源可在以下情況查閱：當使用機器學習算法實現模型時或者當合適的概念被實際應用在後續步驟之中時。

具體情況自己判斷。

第2步：更多的分類 我們從新材料開始，首先鞏固一下我們的分類技術並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、支持向量機、邏輯回歸以及合成分類隨機森林，我們還是會添加k-最近鄰、樸素貝葉斯分類器和多層感知器。

Scikit-learn分類器 k-最近鄰（kNN）是一個簡單分類器和懶惰學習者的示例，其中所有計算都發生在分類時間上（而不是提前在訓練步驟期間發生）。

kNN是非參數的，通過比較數據實例和k最近實例來決定如何分類。

使用Python進行k-最近鄰分類。

地址：http://suo.im/2zqW0t 樸素貝葉斯是基於貝葉斯定理的分類器。

它假定特徵之間存在獨立性，並且一個類中任何特定特徵的存在與任何其它特徵在同一類中的存在無關。

使用Scikit-learn進行文檔分類，作者ZacStewart。

地址：http://suo.im/2uwBm3 多層感知器（MLP）是一個簡單的前饋神經網絡，由多層節點組成，其中每個層與隨後的層完全連接。

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分類器的概述，然後使用教程練習實現。

神經網絡模型（監督式），Scikit-learn文檔。

地址：http://suo.im/3oR76l Python和Scikit-learn的神經網絡初學者指南0.18！作者JosePortilla。

地址：http://suo.im/2tX6rG 第3步：更多聚類 我們現在接著講聚類，一種無監督學習形式。

上篇中，我們討論了k-means算法;我們在此介紹DBSCAN和期望最大化（EM）。

Scikit-learn聚類算法 首先，閱讀這些介紹性文章;第一個是k均值和EM聚類技術的快速比較，是對新聚類形式的一個很好的繼續，第二個是對Scikit-learn中可用的聚類技術的概述： 聚類技術比較：簡明技術概述，作者MatthewMayo。

地址：http://suo.im/4ctIvI 在玩具數據集中比較不同的聚類算法，Scikit-learn文檔。

地址：http://suo.im/4uvbbM 期望最大化（EM）是概率聚類算法，並因此涉及確定實例屬於特定聚類的概率。

EM接近統計模型中參數的最大似然性或最大後驗估計（Han、Kamber和Pei）。

EM過程從一組參數開始迭代直到相對於k聚類的聚類最大化。

首先閱讀關於EM算法的教程。

接下來，看看相關的Scikit-learn文檔。

最後，按照教程使用Python自己實現EM聚類。

期望最大化（EM）算法教程，作者ElenaSharova。

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構建高斯混合模型的快速介紹，作者TiagoRamalho。

地址：http://suo.im/4oxFsj 如果高斯混合模型初看起來令人困惑，那麼來自Scikit-learn文檔的這一相關部分應該可以減輕任何多餘的擔心： 高斯混合對象實現期望最大化（EM）算法以擬合高斯模型混合。

基於密度且具有噪聲的空間聚類應用（DBSCAN）通過將密集數據點分組在一起，並將低密度數據點指定為異常值來進行操作。

首先從Scikit-learn的文檔中閱讀並遵循DBSCAN的示例實現，然後按照簡明的教程學習： DBSCAN聚類算法演示，Scikit-learn文檔。

地址：http://suo.im/1l9tvX 基於密度的聚類算法（DBSCAN）和實現。

地址：http://suo.im/1LEoXC 第4步：更多的集成方法 上篇只涉及一個單一的集成方法：隨機森林（RF）。

RF作為一個頂級的分類器，在過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器。

我們將看看包裝、提升和投票。

給我一個提升 首先，閱讀這些集成學習器的概述，第一個是通用性的；第二個是它們與Scikit-learn有關： 集成學習器介紹，作者MatthewMayo。

地址：http://suo.im/cLESw Scikit-learn中的集成方法，Scikit-learn文檔。

地址：http://suo.im/yFuY9 然後，在繼續使用新的集成方法之前，請通過一個新的教程快速學習隨機森林： Python中的隨機森林，來自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器，全部涉及建構多個模型;然而，這些模型由什麼算法構建，模型使用的數據，以及結果如何最終組合起來，這些都會隨著方案而變化。

包裝：從同一分類算法構建多個模型，同時使用來自訓練集的不同（獨立）數據樣本——Scikit-learn實現包裝分類器 提升：從同一分類算法構建多個模型，一個接一個地鏈接模型，以提高每個後續模型的學習——Scikit-learn實現AdaBoost 投票：構建來自不同分類算法的多個模型，並且使用標準來確定模型如何最好地組合——Scikit-learn實現投票分類器 那麼，為什麼要組合模型？為了從一個特定角度處理這個問題，這裡是偏差-方差權衡的概述，具體涉及到提升，以下是Scikit-learn文檔： 單一評估器vs包裝：偏差-方差分解，Scikit-learn文檔。

地址：http://suo.im/3izlRB 現在你已經閱讀了關於集成學習器的一些介紹性材料，並且對幾個特定的集成分類器有了基本了解，下面介紹如何從MachineLearningMastery中使用Scikit-learn在Python中實現集成分類器： 使用Scikit-learn在Python中實現集成機器學習算法，作者JasonBrownlee。

地址：http://suo.im/9WEAr 第5步：梯度提升 下一步我們繼續學習集成分類器，探討一個當代最流行的機器學習算法。

梯度提升最近在機器學習中產生了顯著的影響，成為了Kaggle競賽中最受歡迎和成功的算法之一。

給我一個梯度提升首先，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，了解為什麼梯度提升是Kaggle競賽中「最制勝」的方法： 為什麼梯度提升完美解決了諸多Kaggle難題？Quora，地址：http://suo.im/3rS6ZO Kaggle大師解釋什麼是梯度提升，作者BenGorman。

地址：http://suo.im/3nXlWR 雖然Scikit-learn有自己的梯度提昇實現，我們將稍作改變，使用XGBoost庫，我們提到過這是一個更快的實現。

以下鏈接提供了XGBoost庫的一些額外信息，以及梯度提升（出於必要）： 維基百科條目：XGBoost。

地址：http://suo.im/2UlJ3V Ghub上的XGBoost庫。

地址：http://suo.im/2JeQI8 XGBoost文檔。

地址：http://suo.im/QRRrm 現在，按照這個教程把所有匯聚起來： Python中XGBoost梯度提升樹的實現指南，作者JesseSteinweg-Woods。

地址：http://suo.im/4FTqD5 你還可以按照這些更簡潔的示例進行強化： XGBoost在Kaggle上的示例（Python）。

地址：http://suo.im/4F9A1J Iris數據集和XGBoost簡單教程，作者IevaZarina。

地址：http://suo.im/2Lyb1a 第6步：更多的降維 降維是通過使用過程來獲得一組主變量，將用於模型構建的變量從其初始數減少到一個減少數。

有兩種主要形式的降維： 1.特徵選擇——選擇相關特徵的子集。

地址：http://suo.im/4wlkrj 2.特徵提取——構建一個信息性和非冗餘的衍生值特徵集。

地址：http://suo.im/3Gf0Yw 下面是一對常用的特徵提取方法。

主成分分析（PCA）是一種統計步驟，它使用正交變換將可能相關變量的一組觀測值轉換為一組稱為主成分的線性不相關變量值。

主成分的數量小於或等於原始變量的數量。

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（即考慮數據中盡可能多的變率） 以上定義來自PCA維基百科條目，如果感興趣可進一步閱讀。

但是，下面的概述/教程非常徹底： 主成分分析：3個簡單的步驟，作者SebastianRaschka。

地址：http://suo.im/1ahFdW 線性判別分析（LDA）是Fisher線性判別的泛化，是統計學、模式識別和機器學習中使用的一種方法，用於發現線性組合特徵或分離兩個或多個類別的對像或事件的特徵。

所得到的組合可以用作線性分類器，或者更常見地，用作後續分類之前的降維。

LDA與方差分析（ANOVA）和回歸分析密切相關，它同樣嘗試將一個因變量表示為其他特徵或測量的線性組合。

然而，ANOVA使用分類獨立變量和連續因變量，而判別分析具有連續的獨立變量和分類依賴變量（即類標籤）。

上面的定義也來自維基百科。

下面是完整的閱讀： 線性判別分析——直至比特，作者SebastianRaschka。

地址：http://suo.im/gyDOb 你對PCA和LDA對於降維的實際差異是否感到困惑？SebastianRaschka做瞭如下澄清： 線性判別分析（LDA）和主成分分析（PCA）都是通常用於降維的線性轉換技術。

PCA可以被描述為「無監督」算法，因為它「忽略」類標籤，並且其目標是找到使數據集中的方差最大化的方向（所謂的主成分）。

與PCA相反，LDA是「監督的」並且計算表示使多個類之間的間隔最大化的軸的方向（「線性判別式」）。

有關這方面的簡要說明，請閱讀以下內容：LDA和PCA之間的降維有什麼區別？作者SebastianRaschka。

地址：http://suo.im/2IPt0U 第7步：更多的深度學習 上篇中提供了一個學習神經網絡和深度學習的入口。

如果你的學習到目前比較順利並希望鞏固對神經網絡的理解，並練習實現幾個常見的神經網絡模型，那麼請繼續往下看。

首先，看一些深度學習基礎材料： 深度學習關鍵術語及解釋，作者MatthewMayo 理解深度學習的7個步驟，作者MatthewMayo。

地址：http://suo.im/3QmEfV 接下來，在Google的機器智能開源軟件庫TensorFlow（一個有效的深度學習框架和現今幾乎是最好的神經網絡工具）嘗試一些簡明的概述／教程： 機器學習敲門磚：任何人都能看懂的TensorFlow介紹（第1、2部分） 入門級解讀：小白也能看懂的TensorFlow介紹（第3、4部分） 最後，直接從TensorFlow網站試用這些教程，它實現了一些最流行和常見的神經網絡模型： 循環神經網絡，谷歌TensorFlow教程。

地址：http://suo.im/2gtkze 卷積神經網絡，谷歌TensorFlow教程。

地址：http://suo.im/g8Lbg 此外，目前一篇關於7個步驟掌握深度學習的文章正在寫作之中，重點介紹使用位於TensorFlow頂部的高級API，以增模型實現的容易性和靈活性。

我也將在完成後在這兒添加一個鏈接。

相關的： 進入機器學習行業之前應該閱讀的5本電子書。

地址：http://suo.im/SlZKt 理解深度學習的7個步驟。

地址：http://suo.im/3QmEfV 機器學習關鍵術語及解釋。

地址：http://suo.im/2URQGm （本文經地球的外星人君  授權轉載，並同意TechOrange編寫導讀與修訂標題，原文標題為〈只需十四步：從零開始掌握Python機器學習（附資源）〉。

） 【TechOrange徵才：社群編輯＋實習編輯】 你是否常在各類豐富的科技趨勢裡流連忘返？ 你是否常被創業故事弄得熱血沸騰無法成眠？ 我想你大概就是得了TO病，不加入不行了。

準備好你的履歷自傳，寄至[email protected] 記得標註你要「應徵TO社群編輯」，才不會跑錯棚哦！ >>詳細職缺訊息 延伸閱讀 附範例與完整程式碼！手把手帶著你用Python做出爬蟲、抓取網頁資料2017年15個最好用Python庫，學習資料科學、機器學習絕對不容錯過【不是工程師，也可以作文本分析】用R與Python語言，七步驟解決文本挖掘的一切痛苦 2016前20大Python機器學習開源項目：排行榜大刷新，Scikit-learn穩坐龍頭寶座 Share 馬上訂閱CONNECT▼ NowReading 附資源與完整指導！帶你從零開始掌握Python機器學習 9minread 最新文章 雲端運算人工智慧 雲端服務 數位轉型應用 資訊安全 資訊科技 未來生活電動車 智慧城市 新零售 數位金融 數位行銷 通訊科技5G/6G 太空 低軌道衛星 電信通訊 新科技 供應鏈智慧製造 半導體 能源創新 ESG IoT Web3.0元宇宙 區塊鏈 虛擬貨幣 NFT 主題特展2022高薪職涯攻略 2022智慧大工廠趨勢 0% ✕ Close 徵才 Web3、AI創業趨勢論壇 最新文章 Podcast 主題特展 2022高薪職涯攻略 2022智慧大工廠趨勢 雲端運算 人工智慧 雲端服務 數位轉型應用 資訊安全 資訊科技 未來生活 電動車 智慧城市 新零售 數位金融 數位行銷 通訊科技 5G/6G 太空 低軌道衛星 電信通訊 新科技 供應鏈 智慧製造 半導體 能源創新 ESG IoT Web3.0 元宇宙 區塊鏈 虛擬貨幣 NFT 投資創新 新投資 新人才 數位醫療 創業故事 公共服務 線上學習 數位政府與未來治理 網路民主與公民 品牌簡介 ABOUTUS 聯絡我們 ✕ 徵才 最新文章 Podcast 主題特展 2022高薪職涯攻略 2022智慧大工廠趨勢 雲端運算 人工智慧 雲端服務 數位轉型應用 資訊安全 資訊科技 未來生活 電動車 智慧城市 新零售 數位金融 數位行銷 通訊科技 5G/6G 太空 低軌道衛星 電信通訊 新科技 供應鏈 智慧製造 半導體 能源創新 ESG IoT Web3.0 元宇宙 區塊鏈 虛擬貨幣 NFT 投資創新 新投資 新人才 創業故事 公共服務 數位醫療 線上學習 數位政府與未來治理 網路民主與公民 品牌簡介 ABOUTUS 聯絡我們 LatestPosts 哄完孩子睡覺，還要打開筆電工作！研究：晚上10點是最新的工作高峰期 從WiiU到Switch的開發歷程大解密！誰把任天堂推向全球遊戲王者寶座？ 全球企業資安人才狂缺！哪些國際專業證照可以讓你身價狂飆？ 蘋果混合實境頭戴式裝置MR快亮相了！那個總是顛覆市場的蘋果會回來嗎？ 台積電Blind匿名評論剩「2.9顆星」？國外工程師：對待員工像犯人 為提供您更好的網站服務，本網站會使用Cookies及其他相關技術優化用戶體驗，繼續瀏覽本網站即表示您同意上述聲明了解隱私權政策同意並關閉視窗Manageconsent Close PrivacyOverview Thiswebsiteusescookiestoimproveyourexperiencewhileyounavigatethroughthewebsite.Outofthese,thecookiesthatarecategorizedasnecessaryarestoredonyourbrowserastheyareessentialfortheworkingofbasicfunctionalitiesofthewebsite.Wealsousethird-partycookiesthathelpusanalyzeandunderstandhowyouusethiswebsite.Thesecookieswillbestoredinyourbrowseronlywithyourconsent.Youalsohavetheoptiontoopt-outofthesecookies.Butoptingoutofsomeofthesecookiesmayaffectyourbrowsingexperience. Necessary Necessary AlwaysEnabled Necessarycookiesareabsolutelyessentialforthewebsitetofunctionproperly.Thesecookiesensurebasicfunctionalitiesandsecurityfeaturesofthewebsite,anonymously. CookieDurationDescriptioncookielawinfo-checkbox-analytics11monthsThiscookieissetbyGDPRCookieConsentplugin.Thecookieisusedtostoretheuserconsentforthecookiesinthecategory"Analytics".cookielawinfo-checkbox-functional11monthsThecookieissetbyGDPRcookieconsenttorecordtheuserconsentforthecookiesinthecategory"Functional".cookielawinfo-checkbox-necessary11monthsThiscookieissetbyGDPRCookieConsentplugin.Thecookiesisusedtostoretheuserconsentforthecookiesinthecategory"Necessary".cookielawinfo-checkbox-others11monthsThiscookieissetbyGDPRCookieConsentplugin.Thecookieisusedtostoretheuserconsentforthecookiesinthecategory"Other.cookielawinfo-checkbox-performance11monthsThiscookieissetbyGDPRCookieConsentplugin.Thecookieisusedtostoretheuserconsentforthecookiesinthecategory"Performance".viewed_cookie_policy11monthsThecookieissetbytheGDPRCookieConsentpluginandisusedtostorewhetherornotuserhasconsentedtotheuseofcookies.Itdoesnotstoreanypersonaldata. Functional Functional Functionalcookieshelptoperformcertainfunctionalitieslikesharingthecontentofthewebsiteonsocialmediaplatforms,collectfeedbacks,andotherthird-partyfeatures. Performance Performance Performancecookiesareusedtounderstandandanalyzethekeyperformanceindexesofthewebsitewhichhelpsindeliveringabetteruserexperienceforthevisitors. Analytics Analytics Analyticalcookiesareusedtounderstandhowvisitorsinteractwiththewebsite.Thesecookieshelpprovideinformationonmetricsthenumberofvisitors,bouncerate,trafficsource,etc. Advertisement Advertisement Advertisementcookiesareusedtoprovidevisitorswithrelevantadsandmarketingcampaigns.Thesecookiestrackvisitorsacrosswebsitesandcollectinformationtoprovidecustomizedads. Others Others Otheruncategorizedcookiesarethosethatarebeinganalyzedandhavenotbeenclassifiedintoacategoryasyet. SAVE&ACCEPT