原文：
www.kdnuggets.com/2015/11/seven-steps-machine-learning-python.html/2
-
Python。完成。
-
机器学习基础知识。完成。
-
Numpy。完成。
-
Pandas。完成。
-
Matplotlib。完成。
时候到了。让我们开始使用 Python 的事实上的标准机器学习库 scikit-learn 来实现机器学习算法。
scikit-learn 流程图。
许多后续教程和练习将由 iPython（Jupyter）Notebook 驱动，这是一种执行 Python 的互动环境。这些 iPython notebooks 可以选择在线查看或下载到自己的计算机上进行本地互动。
- iPython Notebook 概述来自斯坦福大学
另外，请注意下面的教程来自多个在线来源。所有 Notebook 都已注明作者；如果出于某种原因，你发现某些人的工作没有得到适当的署名，请告诉我，我们会尽快纠正情况。特别地，我想对 Jake VanderPlas、Randal Olson、Donne Martin、Kevin Markham 和 Colin Raffel 表示感谢，感谢他们提供的精彩免费资源。
我们首先介绍用于初步了解 scikit-learn 的教程。我建议在进入下一步之前按顺序完成这些教程。
scikit-learn 的一般介绍，涵盖了 k 最近邻算法，这是 Python 最常用的通用机器学习库：
- scikit-learn 入门，作者：Jake VanderPlas
更深入和扩展的介绍，包括一个从头到尾使用著名数据集的入门项目：
- 示例机器学习 Notebook，作者：Randal Olson
重点关注在 scikit-learn 中评估不同模型的策略，涵盖训练/测试数据集的拆分：
- 模型评估，作者：Kevin Markham
在 scikit-learn 打下基础后，我们可以继续深入探讨各种常见且有用的算法。我们从 k-means 聚类开始，它是最著名的机器学习算法之一。它是一种简单且常常有效的无监督学习问题解决方法：
- k-means 聚类，作者：Jake VanderPlas
接下来，我们回到分类问题，看看一种历史上最受欢迎的分类方法：
从分类问题，我们来看连续的数值预测：
- 线性回归，作者：Jake VanderPlas
然后，我们可以通过逻辑回归利用回归来解决分类问题：
- 逻辑回归，作者：Kevin Markham
我们已经初步了解了 scikit-learn，现在我们将注意力转向一些更高级的主题。首先是支持向量机，这是一种依赖于数据高维空间复杂变换的非线性分类器。
- 支持向量机，作者：Jake VanderPlas
接下来，通过 Kaggle Titanic 竞赛 实践，我们将研究一种集成分类器——随机森林：
- Kaggle Titanic 竞赛（带随机森林），作者：Donne Martin
降维是一种减少问题中考虑变量数量的方法。主成分分析是一种特定形式的无监督降维方法：
- 降维，作者：Jake VanderPlas
在进入最后一步之前，我们可以花点时间考虑一下，我们在相对较短的时间内已经走了很长一段路。
使用 Python 及其机器学习库，我们已经涵盖了一些最常见且知名的机器学习算法（k-近邻、k-means 聚类、支持向量机），研究了一种强大的集成技术（随机森林），并检查了一些额外的机器学习支持任务（降维、模型验证技术）。随着基础机器学习技能的掌握，我们已经开始为自己建立一个有用的工具包。
在总结之前，我们将再添加一个受欢迎的工具。
学习是深刻的。
深度学习无处不在！深度学习建立在几几十年的神经网络研究基础上，但最近几年的进展显著提升了深度神经网络的感知能力和普遍兴趣。如果你对深度学习不熟悉，KDnuggets 有很多文章 详细介绍了这项技术的众多近期创新、成就和荣誉。
这最后一步并不声称是任何形式的深度学习诊所；我们将查看两个领先的现代 Python 深度学习库中的几个简单网络实现。对于那些有兴趣深入了解深度学习的人，我推荐从以下免费的在线书籍开始：
Theano 是我们将要查看的第一个 Python 深度学习库。来自作者的介绍：
Theano 是一个 Python 库，可以高效地定义、优化和评估涉及多维数组的数学表达式。
以下关于 Theano 的深度学习入门教程虽然较长，但非常好，描述详尽且评论丰富：
我们将要测试的另一个库是 Caffe。再一次，来自作者的介绍：
Caffe 是一个深度学习框架，旨在注重表达、速度和模块化。它由伯克利视觉与学习中心（BVLC）和社区贡献者开发。
本教程是本文的点睛之笔。虽然我们上面已经介绍了一些有趣的示例，但没有一个能与以下示例相比，那就是使用 Caffe 实现Google 的 #DeepDream。好好享受吧！理解本教程后，可以尝试一下，让你的处理器自主“做梦”。
我没有承诺这会很快或容易，但如果你花时间并遵循上述 7 个步骤，你完全可以在多种机器学习算法及其在 Python 中的实现方面取得合理的熟练程度和理解，包括一些处于当前深度学习研究前沿的库。
个人简介：Matthew Mayo 是一名计算机科学研究生，目前正在撰写关于并行化机器学习算法的论文。他还是数据挖掘的学生、数据爱好者，并且是一位有抱负的机器学习科学家。
相关内容：
-
前 20 名数据科学 MOOC
-
60+ 本关于大数据、数据科学、数据挖掘、机器学习、Python、R 等的免费书籍
-
15 门数据科学数学 MOOC