原文：
www.kdnuggets.com/2017/05/guerrilla-guide-machine-learning-python.html
当然，有很多教程和概述可以帮助你掌握机器学习，但其中许多（大多数？）采取了长远的视角：先打好基础，然后学习基础知识，接着学习一些补充理论，然后在实际操作中逐步深入，回顾一下，尝试一些例子，进行自己的项目……这些都是很好的建议，也是学习几乎任何事物的好方法。
我知道，我知道……太俗了，笑不出来。
但假设你不是从零开始。或者你是个天才。或者你没有耐心经历所有的步骤。假设你想快速启动并在压力下立即学习所有内容。最佳方法？理想情况下不是，但我没有资格判断。我在压力下工作最好，并且可以理解那些急于开始的人。
让我们明确：这绝对不是快速成就伟大的路径。学习机器学习——就像机器学习本身一样——没有免费的午餐。然而，为了测试水域并决定是否深入学习该主题，或者如果你已经对这些（或相关）概念有了坚实的理论理解，那么游击战的方式可能适合你。
考虑到这一点，这里是一个简明扼要的 Python 机器学习课程，适合那些没有时间（或耐心）的快速学习者。
既然一切都是关于Python机器学习的，我们从谷歌的 Python 课程开始。视频播放列表如下，随附的材料可以在这里找到。
一旦我们解决了这个问题，我们要使用Anaconda来安装 Python 科学计算堆栈，如下视频所示。
要了解机器学习本身的非常速成课程，请观看 Melanie Warrick 在 PyCon 2014 上的演讲《如何开始机器学习》。
由于大量的数据处理、清洗和操作是使用Pandas库完成的，因此对该库的数据准备有一个扎实的了解是非常重要的，值得花时间好好学习它。观看 Jonathan Rocher 在 SciPy 2016 上的教程，了解这个话题。
说到 Python 机器学习的无可争议的重头戏： Scikit-learn。这是一个通用的机器学习库，拥有几十种算法和相关工具，通过多年的开源合作得到了精炼。要开始使用 Scikit-learn，可以观看 Andreas Mueller 和 Sebastian Raschka 的 2 部分教程，来自 SciPy 2016。
进入深度学习... Martin Görner 的这次演讲介绍了深度学习，并讨论了卷积神经网络和递归神经网络架构，重点放在实践应用上。请查看下面的演讲视频，并查看 相应的代码实验室（涵盖卷积神经网络）。
下一步可以更深入地研究单个算法，这里有一些额外的资源：
-
掌握 Python 机器学习的 7 个步骤
-
掌握 Python 机器学习的 7 个附加步骤
-
理解深度学习的 7 个步骤
希望这些足以让有动力的黑客在几天内开始练习机器学习。然而，这不是一门完整的课程；理解机器学习的基础统计构建块需要多年时间，熟练掌握实际应用则需要数百小时的实践。然而，没有人说你不能在完美掌握新技能的过程中动手实践并享受一些入门的乐趣。
相关内容：
-
面向开发者的机器学习简介
-
机器学习关键术语解释
-
深度学习关键术语解释
1. 谷歌网络安全证书 - 快速进入网络安全职业领域。
2. 谷歌数据分析专业证书 - 提升你的数据分析能力
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT 工作