本文主要向大家介绍了机器学习入门之利用Python，四步掌握机器学习，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

    为了理解和应用机器学习技术，你需要学习 Python 或者 R。这两者都是与 C、Java、PHP 相类似的编程语言。但是，因为 Python 与 R 都比较年轻，而且更加“远离”CPU，所以它们显得简单一些。相对于R 只用于处理数据，使用例如机器学习、统计算法和漂亮的绘图分析数据， Pthon 的优势在于它适用于许多其他的问题。因为 Python 拥有更广阔的分布（使用 Jango 托管网站，自然语言处理 NLP，访问 Twitter、Linkedin 等网站的 API），同时类似于更多的传统语言，比如 C python 就比较流行。

在Python中学习机器学习的四个步骤

1、首先你要使用书籍、课程、视频来学习 Python 的基础知识

2、然后你必需掌握不同的模块，比如 Pandas、Numpy、Matplotlib、NLP (自然语言处理)，来处理、清理、绘图和理解数据。

3、接着你必需能够从网页抓取数据，无论是通过网站API，还是网页抓取模块Beautiful Soap。通过网页抓取可以收集数据，应用于机器学习算法。

4、最后一步，你必需学习机器学习工具，比如 Scikit-Learn，或者在抓取的数据中执行机器学习算法(ML-algorithm)。

1.Python入门指南：

有一个简单而快速学习Python的方法，是在codecademy.com注册，然后开始编程，并学习 Python 基础知识。另一个学习Python的经典方法是通过learnpythonthehardway，一个为广大 Python 编程者所推荐的网站。然后还有一个优秀的 PDF，byte of python。python社团还为初学者准备了一个Python资源列表list of python resources。同时，还有来自 O’Reilley 的书籍 《Think Python》，也可以从这里免费下载。最后一个资源是 Python 用于计量经济学、统计学和数据分析的介绍：《Introduction to Python for Econometrics, Statistics and Data Analysis》，其中也包含了 Python 的基础知识。

2.机器学习的重要模块

关于机器学习最重要的模块是：NumPy,Pandas,Matplotlib和IPython。有一本书涵盖了其中一些模块：《Data Analysis with Open Source Tools》 。然后来自于1.的免费书籍《Introduction to Python for Econometrics, Statistics and Data Analysis》，同时也包括 Numpy，Pandas，Matplotlib 和 IPython这几个模块。还有一个资源是Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython，也包含了一些很重要的模块。以下是其他免费模块的相关链接： Numpy (Numerical Python,Numpy Userguide,Guide to NumPy),  Pandas (Pandas, Powerful Python Data Analysis Toolkit，Practical Business Python，Intros to Pandas Data Structure)  和Matplotlib books。

其它资源:

10 minutes to Pandas

Pandas for machine learning

100 NumPy exercises

3.从网站通过API挖掘和抓取数据

一旦理解了Python的基础知识和最重要的模块，你必需要学习如何从不同的源收集数据。这个技术也被称作网页抓取。传统的源是网站文本，通过API进入twitter或linkedin一类网站得到的文本数据。网页抓取方面的优秀书籍包括：《Mining the Social Web》 （免费书籍），《Web Scraping with Python》 和《Web Scraping with Python: Collecting Data from the Modern Web》。

最后这个文本数据必须要转换为数值数据，通过自然语言处理（NLP）技术完成，Natural language processing with Python和Natural Language Annotation for Machine Learning上面有相应的资料。其它的数据包括图片和视频，可以使用计算机图像技术分析：Programming Computer Vision with Python，Programming Computer Vision with Python: Tools and algorithms for analyzing images和Practical Python and OpenCV，这些是图片分析方面的典型资源。

以下例子中包括可以用基本的Python命令行实现，有教育意义，而且有趣的例子，以及网页抓取技术。

Mini-Tutorial: Saving Tweets to a Database with Python（微型教程：使用Python保存推文到数据库）

Web Scraping Indeed for Key Data Science Job Skills（网页抓取关键数据科学工作技巧）

Case Study: Sentiment Analysis On Movie Reviews（案例学习：电影评论中的情感分析）

First Web Scraper（第一网页抓取）

Sentiment Analysis of Emails（邮件的情感分析）

Simple Text Classification（简单文本分类）

Basic Sentiment Analysis with Python（Python基础情感分析）

Twitter sentiment analysis using Python and NLTK（使用Python和NLTK 做Twitter情感分析）

Second Try: Sentiment Analysis in Python（第二个尝试：Python情感分析）

Natural Language Processing in a Kaggle Competition for Movie Reviews（电影评论相关Kaggle Competition中的NLP自然语言处理）

4. Python 中的机器学习

机器学习可以分为四组：分类，聚类，回归和降维。

“分类”也可以称作监督学习，有助于分类图片，用来识别图片中的特征或脸型，或者通过用户外形来分类用户，并给他赋不同的分数值。“聚类”发生在无监督学习的情况，允许用户在数据中识别组/集群。“回归”允许通过参数集估算一个值，可以应用于预测住宅、公寓或汽车的最优价格。

modules, packages and techniques罗列了 Python、C、Scala、Java、Julia、MATLAB、Go、R 和 Ruby等语言中所有学习机器学习的重要模块、包和技巧。有关Python机器学习的书籍，我特别推荐《Machine learning in action》。尽管有点短，但它很可能是机器学习中的经典，因为它提到了“集体智慧编程时代”：Programming Collective Intelligence。这两本书帮助你通过抓取数据建立机器学习。最近关于机器学习的出版物大多都是基于模块 scikit-learn 。由于所有的算法在模块中都已实现，使得机器学习非常简单。你唯一要做的事就是告诉 Python ，应该使用哪一个机器学习技巧 (ML-technique) 来分析数据。

免费的scikit-learn教程可以在 scikit-learn 官方网站上找到。其他的帖子可以通过以下链接获取：

Introduction to Machine Learning with Python and Scikit-Learn（机器学习中 Python 和 Scikit-Learn 的介绍）

Data Science in Python（Python 中的数据科学）

Machine Learning for Predicting Bad Loans（用机器学习来预测坏账）

A Generic Architecture for Text Classification with Machine Learning（通过机器学习来分类文本的通用架构）

Using Python and AI to predict types of wine（利用 Python 和 AI 人工智能来预测酒的品种）

Advice for applying Machine Learning（应用机器学习的建议）

Predicting customer churn with scikit-learn（使用 scikit-learn 预测用户流失）

Mapping Your Music Collection（映射你的音乐收藏）

Data Science in Python（Python 中的数据科学）

Case Study: Sentiment Analysis on Movie Reviews（案例学习：电影评论中的情感分析）

Document Clustering with Python（Python中的文档聚类）

Five most popular similarity measures implementation in python（5 个最流行的Python相似度测量的实现）

Case Study: Sentiment Analysis on Movie Reviews（案例学习：电影评论中的情感分析）

Will it Python?（将会是 Python 么？）

Text Processing in Machine Learning（机器学习中的文本处理）

Hacking an epic NHL goal celebration with a hue light show and real-time machine learning（使用色彩灯光秀和实时机器学习黑入史诗级 NHL（北美冰球联赛）进球庆祝）

Vancouver Room Prices（温哥华房间价格）

Exploring and Predicting University Faculty Salaries（探索和预测大学教师工资）

Predicting Airline Delays（预测航班延误）

关于机器学习和 Python 中模块 scikit-learn 的书籍：

Collection of books on reddit（收集reddit新闻网站上的书籍）

Building Machine Learning Systems with Python（用 Python 建立机器学习系统）

Building Machine Learning Systems with Python, 2nd Edition（用 Python 建立机器学习系统，第二版）

Learning scikit-learn: Machine Learning in Python（学习 scikit-learn:Python 中的机器学习）

Machine Learning Algorithmic Perspective(透视机器学习算法)

Data Science from Scratch – First Principles with Python(抓取的数据科学——关于 Python 的首要原则)

Machine Learning in Python（Python 中的机器学习）

接下来数月将要发行的书籍包括：

《Introduction to Machine Learning with Python》 （Python 机器学习的介绍）

《Thoughtful Machine Learning with Python: A Test-Driven Approach》 （思考 Python 机器学习：接近测试驱动）

机器学习相关的课程和博客

你想要得到一个学位，加入在线课程，或者参加线下讲习班、大本营或大学课程么？这里有一些关于逻辑分析、大数据、数据挖掘和数据科学的在线教育站点链接：Collection of links。另外推荐一些在线课程–来自Udacity的Coursera 课程：machine learning和Data Analyst Nanodegree。还有一些关于机器学习的博客列表：List of frequently updated blogs。

最后是来自 Jake Vanderplas 和 Olivier Grisel，关于探索机器学习的优秀youtube 视频课程。

机器学习理论

想要学习机器学习的理论？那么，《The Elements of statistical Learning》和《Introduction to Statistical Learning》 是常常被引用的经典。然后还有另外两本书籍：《Introduction to machine learning》和《A Course in Machine Learning》。这些链接包括免费的PDF，你不需要付费！如果不想阅读这些书籍，请观看视频：15 hours theory of machine learning！

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！