目前機器學習紅遍全球。男女老少都在學機器學習模型，分類器，神經網絡和吳恩達。你也想成為一份子，但你該如何開始？
今天小編推薦這本《Python機器學習》教你快速入門。
01、什麼是機器學習？
從出生的那天起，我們就一直在學習中度過。隨著逐漸的成長，開始學習如何走路；通過傾聽周圍人的談話，學習並嘗試模仿；通過學習不同單詞的意思，使得在需要時懂得該如何進行表達；同時也開始區分事情的好壞。例如，在第一次靠近火源時，會因灼熱而後退，從而明白要與火源保持一定的距離。
那麼，現在思考一下計算機的工作原理。計算機可以在1s內遵循人類的指示處理數百萬條指令，並返回結果；它可以執行人類描述的任務，但是卻不能自行決定。
而機器學習此時就可以發揮作用了。如果給予計算機像人類一樣的思考能力，那會發生什麼呢？可以用計算機能理解的方式給出每一天的任務令其進行計算，還可以建立一些模型來幫助計算機在將來採取行動。
人類從經驗中學習知識，計算機則遵循指令執行任務。然而，其實還可以直接向計算機提供經驗讓其學習併為行動做準備。目前我們是以結構化的方式定義經驗。因此，我們將計算機從數據（經驗）中進行學習的過程稱為機器學習（Machine Learning）。
以買香蕉為例。你的母親需要你去市場上買一些香蕉，同時她告訴你鮮黃色的香蕉很好吃。你到一個水果商那裡，開始按照母親的建議挑選香蕉。你買了20根香蕉後就回家了，然而回家後你注意到有些香蕉的味道並不像其他的那樣好。事實上，有5根香蕉是壞的。你逐個拿起香蕉並開始作出假設。 20根香蕉中有12根大香蕉和8根小香蕉。這8根小香蕉都很美味，但是大香蕉就不一樣了，在12根大香蕉中有5根味道不如預期。
你已經掌握了挑選香蕉的知識。第二天，當你到達市場時，注意到有個水果商在打折出售香蕉，這些香蕉和昨天的不同，它們的皮帶有一些綠色。從這裡買完香蕉回到家後，根據之前的經驗將每一根香蕉分為好與壞，會發現大的綠色香蕉很好吃，但是小的綠色香蕉的味道不如其他的好。這樣，你就學會了新規則。
你開始將自己看作是香蕉專家。有一天，你不得不去另一個城市參加表親的婚禮。現在你驚訝地發現這裡所有的香蕉都很小，但是味道卻都很好。在這裡你瞭解到來自這個區域的香蕉是暢銷商品。
現在你確實已經是一名專家了。但如果你的姐姐很長時間沒有回家了，並且她喜歡石榴而討厭香蕉。你要怎麼辦呢？為了找到美味的石榴，你需要重新開始你的學習。
現在這個任務就可以由機器學習負責指引計算機完成了。可以使用數據點的形式向計算機提供知識。數據點的屬性稱為特徵（Feature），這裡的特徵是香蕉的大小（小、中、大）、顏色、產地等。輸出（Output）就是味道（好或者壞）。將這些數據輸入到機器學習程序中，就可以讓計算機學習如何區分香蕉的好與壞。
機器學習算法是一種根據經驗來給予你決策能力的智能算法。
P.S. 小編給大家整理了一些Python人工智能的資料，從入門到高級都有，關注頭條號，私信回覆“資料”獲取，下圖為部分截圖。 02、為什麼選擇Python
Python在數據科學家中是非常受歡迎的編程語言。
- 第一，它免費且易學，不必為了小任務而浪費大量注意力；
- 第二，它是面向對象的語言，這也是其被大型開發者社區支持的原因；第三，巨大的開源庫支持。 Python具有相當數量的開源庫，能夠更迅速地實現數據科學和機器學習解決方案，而無須從頭開始編寫每一個算法。像Pandas、 scikit-learn、 SciPy、 NumPy、 Keras這樣的庫對於快速實現機器學習算法非常有用。
首先，通過一個例子瞭解如何使用編程語言來解決現實世界的問題。
假設舉辦一個聚會。你為每個進入聚會的人分配一個唯一的1～100之間的號碼。現在聚會結束了，你宣佈了一個消息。
“會從1～200之間獲取一個隨機數。如果有兩個人的號碼之和與這個數字相等，就會獎勵這兩個人。”
現在瞭解到，已經向x個人分配了號碼。如何確定能否給其中兩個人獎勵呢？
可以嘗試使用Python來解決這個問題。首先，從列表中獲取輸入數據。
1numberList = list([43,23,1,67,54,2,34,56,23,65,12,9,87,4,33])
現在選擇一個隨機數並將其存儲在一個變量中。
1sumSelector = raw_input()
為了解決這個問題，必須先對數據進行排序。在Python列表中排序很簡單，可以通過sort函數來完成。
1numberList = numberList.sort()
通過上述語句，將排序後的數字賦值給變量。現在使用兩個指針：一個指向開始處（前指針）；另一個指向結束處（後指針）。檢查兩指針所指變量的和。如果和小於給定值（意味著當前的總和小於所需的總和），前指針向前移動一步並再次檢查；如果和大於給定值（意味著當前的總和大於所需的總和），將後指針向後移動一步並再次檢查。無論在任何位置，如果當前的總和等於要求的總和，便可以說，存在兩個人的數值之和與給定的數值相同，需要給予獎勵；如果兩個指針相交併且仍然沒有達到所需的總和，則可以聲稱並不存在兩個人的數值之和與給定的數值相等。
以下是完整的解決方案。
1def isPrizeGiven(numberList,sumSelector): 2 3sumOfTwo = sumSelector 4 5 i=0 6 7 j = len(numberList) -1 8 9 if(i>=j): 10 11 return False 12 13 while(i<=j): 14 15 currentSum = numberList[i]+numberList[j] 16 17 print(i,j,currentSum) 18 19 if(currentSum==sumOfTwo): 20 21 return True 22 23 if(currentSum>sumOfTwo): 24 25 j=j-1 26 27 else: 28 29 i=i+1 30 31 return False
為獲得所需答案，必須向函數傳遞排序列表和給定的數值（即兩數值的期望和）。
1if (isPrizeGiven(numberList,sumSelector):
2 print("No Escape. Give Prize to Everyone")
3else:
4 print("You Saved Yourself!!")
即使現在不能理解此代碼，也不要擔心。接下來我們還會對這段代碼進行解析，並介紹程序設計語言的基本原理。
03、機器學習過程
機器學習不僅僅是一種簡單的算法，還可以將其放在其他任何地方以獲得奇妙的結果。機器學習是一個從定義數據開始，最終獲得一定準確率的模型的過程。
1．問題定義
機器學習的過程從定義一個商業問題開始。機器學習的需求是什麼？這個任務真的需要高級的預測算法來解決嗎？
問題定義是非常重要的，它提供了更正式地思考解決方案的方向。它基本上處理兩個問題。
A．問題是什麼？
這個問題涵蓋了問題的定義，並使問題變得更加正式。假設我們想要確認圖像中是否包含人。
現在定義這個任務，將其分為任務（T）、經驗（E）和性能（P）。
- 任務（T）：根據圖像中是否包含人對圖像進行分類。
- 經驗（E）：帶有是否包含人的標籤的圖像。
- 性能（P）：錯誤率。在所有的分類圖像中，錯誤預測的百分比是多少。錯誤率越低，準確率越高。
B．為什麼這個問題需要解決方案？
這個問題更側重於商業方面，它包括解決問題的動機和益處。
假如你是一個研究者，希望解決某個問題並發表論文，使之成為他人解決問題的基準，這可能就是你的動機。
關於你的問題其他需要確定的是，在沒有安全措施的情況下，夜間在銀行的自動取款機上是否有人類活動（假設所要解決的問題與自動取款機的安全有關）。
還需要定義可以使用此解決方案的場景。這是一個通用型的解決方案，還是為特定任務（ATM傳感器中的檢測人員）所設計的呢？解決方案的失效日期是什麼時候（它是終身的還是在特定的期限內）？
2．數據採集
在定義問題之後，開始進行數據採集。收集數據有多種不同的方式，如果想把評論與評級聯繫起來，就要從抓取網站開始。為了分析Twitter數據並將其與情感聯繫起來，就要從Twitter提供的API入手，收集標籤數據或者與某個公司相關聯的數據。市場調查人員通過創建不同的調查表格，並將其放在網站上來收集數據。對於像Amazon、 Facebook這樣擁有眾多用戶的公司，其數據是巨大的，而根據問題的不同，還需要收集數據和標籤。假設要建立一個新聞分類器，將新聞劃分為體育新聞、市場新聞和政治新聞。因此，收集到的每一條新聞都需要一個與之相關的標籤，通過這些數據可以構造機器學習的分類器。
正確的數據是解決機器學習問題的關鍵。即使是基本算法，高質量的數據也會產生令人滿意的結果。
3．數據準備
在採集數據之後，需要專注於數據準備。收集的數據要準備成機器學習算法所能使用的格式。算法不是魔術表演，數據必須以正確的形式輸入到機器學習算法中才能獲得結果。根據算法庫的不同，算法可以適應不同類型的輸入格式。
數據準備是從數據選擇開始的，並不是收集到的每個數據都對問題的解決有幫助。假設你正在分析服務器上的日誌，在每個用戶活動之後會生成許多與系統相關的信息，如果正在預測的是營銷活動的市場反應，那麼這個日誌可能就不起作用了。所以，基於所要解決的問題，應將無關數據從之後的操作中刪除。
在更高層次的基礎上識別數據後，需要對數據進行轉換或預處理，使之能更好地應用於機器學習算法。以下是數據預處理過程中的一些過程。
- 清理（Cleaning）： 數據可能含有需要移除的錯誤。假設數據中缺少某些屬性的數值，由於目前並沒有適合的算法能夠處理值缺失問題，因此可以用一些值（數值的均值/中值和分類值的默認值）代替缺失值。如果數據包含敏感信息，如電子郵件的ID和用戶的聯繫號碼，則需要在與團隊共享數據之前刪除數據中的敏感信息。
- 格式化（Formatting）：算法需要預定義格式的數據。基於Python機器學習庫的要求，採用Python列表的形式表示數據。一些實時的機器學習庫使用的是JSON格式的數據，而Excel文件使用CSV格式的數據。根據使用工具或技術的不同，需要對數據進行格式化，使其滿足使用工具或技術對數據格式的要求。
- 採樣（Sampling）：並非所有的數據都是有用的。一些在模型中存儲數據的算法很難實時生成預測，可以從數據中刪除類似的實例。如果是分類模型，可以按照標籤進行等比例採樣。
- 分解（Decomposition）：分解會使得一些特徵更加有用。以數據庫中的日期屬性為例，可以把日期分解成日、月、年，還可以創建諸如週末或工作日、季度、閏年或日期等特徵，使其在預測中更有用。
- 縮放（Scaling）：不同的屬性遵循不同的單位和值。假設通常以釐米為單位測量一個人的身高，而對於一些數據，可能是以英寸為單位。所以，需要先將其換算成釐米。另外，一個屬性的高/低值可能會影響到其他屬性。例如有3個特徵，如人的年齡、體重和年收入，現在希望根據它們預測醫療保險計劃。如果直接使用這些數據，模型將高度依賴於工資，因為工資的數值遠遠高於其他屬性的值。所以，需要對每個屬性的值進行縮放，調整為[0,1]或[-1,1 ]。
這個過程也稱為特徵處理（Feature Processing），它包括特徵選擇、預處理以及將其轉換為對於機器學習算法有益處的格式。
4．數據分割——訓練數據和測試數據
機器學習算法的目標是對未知的新數據進行預測。我們使用訓練數據來建立模型。在訓練數據時，算法將逐漸減少訓練的誤差。但是，不能將訓練數據的準確率（Accuracy）視為廣義的準確率，其原因在於該算法可能會記住實例並對其進行相應的分類。所以，為了評估生成的模型，需要將數據分為訓練數據和測試數據。利用訓練數據進行算法訓練，利用測試數據來計算生成模型的最終準確率。測試數據並不參與算法訓練。
一般將60%～80%的數據作為訓練數據，剩餘的部分作為測試數據。所以，在測試數據中獲得最好結果的模型可以作為目標模型。
5．算法選擇
我們從一組機器學習算法開始，並將訓練數據的特徵應用到算法中，算法選擇依賴於問題的定義。如果從電子郵件中收集數據，並將郵件分為垃圾郵件或非垃圾郵件，則這時所需要的算法是在輸入變量後輸出相應的結果（垃圾郵件或者非垃圾郵件），這類算法稱為分類（Classification）算法（如決策樹、樸素貝葉斯、神經網絡等）。如果想預測某一任意連續變量（如預測即將到來的季度銷售量），則使用迴歸（Regression）算法（如線性迴歸、核迴歸等）。如果所解決的問題並沒有相關的任何輸出或反應，則可以使用聚類（Clustering）算法，根據它們的特性對其分組。每種類別中都有大量的算法，我們將在後續的章節中給出示例。
6．算法訓練
在選擇算法之後，開始訓練模型。訓練模型是在訓練數據集上進行的，大多數算法的權值/參數在訓練開始時都是隨機分配的，並在每次迭代中加以改進。算法訓練過程中，在訓練數據集上多次運行以產生結果，如圖1.1所示。例如，在線性迴歸的情況下，算法在開始時隨機放置分離線，在每次迭代之後不斷地改進自身（也就是移動分離線）。
7．測試數據評估
利用訓練數據生成最佳算法後，在測試數據集上對算法的性能進行評估。測試數據集並不能參與算法訓練，因此測試數據並不能影響算法的決策。
8．參數調整
在選擇正確的算法後，可以嘗試對其進行改進以獲得更好的性能。每個算法都有不同的參數設置方式，可以對其進行配置從而更改算法性能，這稱為參數調整（Parameter Tuning）。例如可以改變算法學習的速率（學習率）來提高算法性能，這些參數稱為超參數（Hyper Parameter）。對於機器學習來說，參數調整更像是一門藝術。
9．模型使用
上述所有步驟完成之後，就可以獲得在訓練集上訓練生成，並在測試集上完成評估的模型。現在可以使用這個模型來預測新數據的值。對於生產環境，可以將模型部署到服務器，並通過API接口使用模型的預測功能。當然，這個模型並不總一樣的，每當獲得新數據時，都要將上面所列出的步驟重新進行一遍，以改進模型的性能。
因此，在機器學習中，從問題開始，最後以一個解決問題的預測算法結束。
通過下面的問題，我們開始嘗試瞭解機器學習算法是如何解決問題的。
假設你需要購買一棟房子，現在開始查看市場上正在出售的房屋，並據此核對你的預算。你對將要購買的房子有多個要求，首先就是房子的面積。
在圖1.2的情景中，你先考查了一棟600平方英尺（約56m2）的房子，價格是220 000英鎊（約1 942 578元）。這個房子的確很不錯，但是它並不滿足你的要求——你將和你的家人一同居住，而這個房子面積太小，並不能讓每個人都住得舒適。所以，你繼續研究並找到一棟1700平方英尺（約158m2）的房子，價格是730 000英鎊（約6 445 827元）。這個房子滿足你的要求，但是它的價格有些超出你現在的預算——你的預算與小面積房子的價格相比要高一些，但也不像大房子的價格那麼高。然而，只有當你與業主或代理人見面並提交詳細資料後，才能得到房子的實際價格。但是你並不想與每一個業主或者代理人見面。
在二維（2D）平面上分析一下你所考查的兩個屬性，如圖1.3所示。
現在，你在城市裡閒逛，找到一棟面積在這兩棟房子之間的房子。
這棟新房子的面積大約有1 250平方英尺（約116m2），但你還不知道價格。所以，你想預測房子的價格，看其是否符合預算和要求。
將新房子的信息放在同一個二維平面上，試著預測這個房子的價格，如圖1.4所示。
為了預測房屋的價格，將設置一條符合已知結果（即房屋價格和房屋面積）的直線，這裡得到了如圖1.5所示的一條直線。
通過這條直線，可以預測出1250平方英尺（約116m2）的房子的價格是475 000英鎊（約4 194 202.5元）。所以，我們得到了一條根據房子面積來預測房子價格的直線，這種技術稱為線性迴歸（Linear Regression）。可以把這種技術理解為在現有數據點上尋找最佳直線。
比如，計算3個點到直線距離之和的最小值。首先，隨機選擇一條線，直線上方有A、B、C共3個點，如圖1.6所示。
然後，計算每個點到直線的距離，如圖1.7所示。
可以得到總距離是a+b+c。現在，移動直線的位置（向下移動）並再次計算點到直線的距離，如圖1.8所示。
改變了線的位置，但總距離a+b+c增加了。顯然，這不是我們想要的結果。讓我們將直線朝另一個方向（向上移動）移動，如圖1.9所示。
這條直線（見圖1.9）比第一條直線（見圖1.7）要更符合要求。現在移動這條線，並試著重複進行同樣的步驟。最終通過這種方式結束直線的選擇，從而確定直線位置，如圖1.10所示。
對於給定的3個點（A、 B、 C）來說，圖1.10所示的直線是最符合條件的。在這裡取3個點到直線的非負距離，找到這條線的方法稱為梯度下降法。
有時在所有數據點上擬合一條直線並沒有多大意義。現在思考圖1.11所示的點集。
如果嘗試使用線性迴歸技術來擬合一條直線，它看起來如圖1.12所示。
很明顯，這條線不適合用來預測。相反，可以用圖1.13所示的曲線來對數據建模。
這就是所謂的多項式迴歸（Polynomial Regression） —— 因為其參數是多項式。
再來看另一個例子，例如有一個售鞋網站，其中包含來自不同公司的各種鞋子，可以通過其網上商店訂購鞋子。鞋子成功交付後，公司將發送電子郵件獲取顧客的反饋。顧客在評論區內留言，其中有些評論是正面的，有些評論則是負面的。
該公司每天銷售數千雙鞋，需要跟蹤每一個評論並採取相應的行動。如果顧客評論說鞋子質量不佳，則需向生產商詢問有關產品的質量問題；有些鞋子反響很好，則最好將它們放在網站的首頁。
為了解決這個問題，首先需要從一組顧客評論開始，將每個評論分為負面評論或者正面評論，下面給出部分示例。
正面評論
A1：質量不錯！我很喜歡這雙鞋子。
A2：非常好的產品。
A3：給我爸爸買的，他很喜歡。
負面評論
B1：材質不好，不適合。
B2：很不喜歡這個產品，包裝也很不好。
B3：千萬不要買這個產品。
分析示例中的正面評論和負面評論，會發現，如果評論中包含“喜歡”這個詞，那麼它更可能是一個正面評論。因此，創建這條規則並檢查所有數據集，會發現60%的正面評論中包含“喜歡”這個詞；另一方面，只有10%的負面評論中包含“喜歡”這個詞。
同樣，其他詞語所佔的比例如表1.1所示。
因此，對於將來可能獲得的評論，根據其所包含的詞的複合概率，可以判定該評論是正面評論還是負面評論，這就是樸素貝葉斯分類器（Naïve Bayes Classifier）。
再列舉一個向不同的人推薦雜誌的例子。假設已經記錄了用戶的年齡、性別、位置以及他們閱讀的雜誌類型，表1.2所列為記錄的數據。
現在，通過對這些數據進行觀察，可以發現小於15歲的人喜歡閱讀兒童雜誌。根據其製作一個節點和它的決策，如圖1.14所示。每個圓節點表示決策節點，圖的邊緣（箭頭）則表示相應的決策，每個矩形節點表示通過圖分支之後採取的決策。
因此，可以說每個年齡小於或等於15歲的人都有可能閱讀兒童雜誌。現在再來處理大於15歲的讀者的分支。
現在，第二個觀察特徵是男性，他們喜歡閱讀政治雜誌。為其創建相同的決策節點和分支，如圖1.15所示。
接下來，需要看一下年齡在15歲以上的女性的選擇。還有一個信息可以利用——地區。因此，可以說，來自美國的女性喜歡閱讀體育雜誌，而其他地區的女性則喜歡商業雜誌。在這裡形成的節點如圖1.16所示。
正確地對每個數據點進行分類，這個過程中形成了決策樹。可能存在多種創建決策樹的方法。根據現有的數據，這些方法可以做出正確的預測。
圖1.17所示的這棵樹對數據進行了準確的分類。
再來舉另一個例子，有幾個人每年申請貸款，銀行根據他們的收入和貸款額從而決定是否對其提供貸款，目標是向那些在規定時間內償還債務，且沒有任何違約的人提供貸款。
如果一個人月收入是20 000美元，他申請了100 000美元的貸款，銀行根據他的收入來源可以批准貸款；如果一個人月收入是3 000美元，他申請了600 000美元的貸款，則銀行可能會早早地拒絕他。
因此，銀行基於以往違約者的歷史創建了一個數據，如圖1.18所示。紅點表示銀行拒絕受理的申請，綠點表示銀行批准的申請。橫座標是請求的貸款額度，縱座標是月收入。
現在，一個月收入10 000美元的人想要貸款300 000美元，銀行是否會給予批准呢？可以通過一條直線來分割數據，如圖1.19所示。
根據上面的直線，可以預測銀行將同意月薪20 000美元的人申請300 000美元的貸款申請。
現在，已經有一條合適的直線來分割現有的數據點。我們使用的算法（梯度下降法）與在線性迴歸過程中使用的算法相同。在這裡，目標變量是類別而不是在線性迴歸情況下連續的預測值，這種技術稱為邏輯迴歸（Logistics Regression）。
現在，銀行來了一位新的經理，他要檢查所有記錄，他認為銀行批准或拒絕貸款申請的參數是荒謬的，一些像10 000美元或20 000美元的貸款申請並沒有風險，銀行可以同意這部分貸款申請。所以，他改變了規則和數據，如圖1.20所示。
顯然，僅僅使用一條直線並不能將紅點和綠點分開，既然這樣，那使用兩條直線呢？如圖1.21所示。
與一條直線相比，使用兩條直線可以將紅點和綠點分開。這種技術被稱為神經網絡（Neural Network）。神經網絡是基於大腦中的神經元的概念提出的。大腦中的神經元收集信息並將其傳遞給其他神經元。簡單來說，就是基於先前神經元的輸入，下一個神經元接收要求並決定輸出，它還將信息傳遞給其他神經元。最後，通過處理不同的神經元，大腦做出決定。
這個概念可以用下面的模型（見圖1.22）來理解。在這個模型中，兩個神經元通過使用不同的假設建立模型，並且將它們的發現發送給另一個神經元。根據收集到的信息，輸出神經元做出決策。
在處理數據時，對於一條分割數據點的直線，可能有不同的選擇。如圖1.23所示的兩個例子。
與直線1相比，直線2的邊距更大，其在分割數據方面似乎更好，如圖1.24所示。
現在我們要尋找最佳分割路線，而梯度下降並不能解決這個問題，需要線性優化才能實現。這種技術被稱為最大間隔分類器或支持向量機（Support Vector Machine， SVM）。
在現實世界中，數據並不能完全分割開。它可能會如圖1.25所示的那樣。
所以，不能通過一條直線就把紅點和綠點分開。但是如果通過一個平面來區分紅點和綠點，就可以用一個分類器對它們進行分類。創建一個新的維度並用這個平面來分割紅點和綠點，如圖1.26所示。
現在使用一個新的維度將紅點和綠點分開。這種技術被稱為核函數（Kernel Trick）。
真實的數據非常複雜，而且有很多維度。帶有支持向量機分類器的核函數可以用來解決這些複雜的問題。
現在來看另一個問題。如圖1.27所示，有一家雜貨店A2A。他們提供電話送貨服務，每當接到電話時，他們就會將地址發送給派送員，派送員會趕赴送貨地點並交付商品。他們設法將辦公室設在城市的中心，以便為越來越多的人及時提供服務。
這裡的點代表A2A的服務需求。現在他們意識到，這種一個配送中心處理所有的需求的做法並不明智。於是，他們決定在城市中開設4個配送中心，依照不同地區來接受需求並提供服務。
因此，為了解決這個問題，首先可以隨機地添加4個配送中心並給予其商品派送需求，如圖1.28所示。
顯然，這不是配送中心的最佳分配位置。接下來，將每個點移動到分類點的中心。然後，將所有點分類到最近的配送中心，並將配送中心的位置移動到之前的分類中心。經過多次迭代，將得到圖1.29所示的分配位置。
因此，每個點的分配都是基於點到中心的距離。這種技術稱為K-均值聚類（K-Means Clustering）。
也可以使用另一種方法進行聚類。把所有的點看作是獨立的集群，而不是首先將它們分組到集群中再對其進行重新分配。然後，將兩個最近的點進行分組，形成一個簇。一直這樣操作，直到出現較大的距離或者形成最小數量的簇。這種技術稱為層聚類（Hierarchical Clustering） 。
本文摘自《Python機器學習》
