机器学习是人工智能领域的重要组成部分，有着悠久的历史。这一领域不仅提供了丰富的职业机会，而且对于初学者来说，并不像想象中的那么复杂。即便您没有数学或编程背景，这也不是问题。成功的关键在于您的兴趣和学习的动力。

如果您是一名新手，不知道从何开始学习机器学习，或者不明白为何机器学习如此流行，那么您找对了地方。我整理了所有必要的信息和资源，帮助您快速入门并完成第一个项目。

为什么从Python开始？

如果您的目标是成为一名优秀的程序员，那么需要掌握许多知识。然而，对于机器学习和数据科学来说，掌握至少一种编程语言并熟练应用就足够了。因此，您不必成为编程天才。

为了成功地进行机器学习，选择合适的编程语言至关重要，因为这将影响您的未来。在这个过程中，您需要进行战略思考并合理安排优先事项，避免浪费时间在无关紧要的事情上。

我的观点是：Python是初学者学习机器学习和数据科学的理想选择。它是一种简洁直观的语言，拥有功能强大的库，可以显著缩短您取得初步成果的时间。

您也可以考虑使用R语言，但我个人更倾向于Python。您可以在我的文章《Python vs R：为AI、ML和数据科学选择最佳工具》中了解更多细节。

第0步：简要了解机器学习的过程

机器学习是基于经验的学习。比如，一个人通过观察学会下棋，而另一个人则通过实践学会。通过提供训练数据，计算机能够以较高的概率识别元素或特征。

机器学习的主要阶段包括： - 数据收集 - 数据分类 - 数据分析 - 算法开发 - 生成测试算法 - 应用算法进行推断

为了寻找模式，使用了多种算法，主要分为两类： - 无监督学习 - 监督学习

在无监督学习中，计算机仅接收输入数据，然后自行确定数据之间的关系。而在监督学习中，计算机通过验证数据进行学习，无监督学习则使计算机自主发现不同数据集之间的模式和关系。无监督学习又可分为聚类和关联。

监督学习是指计算机根据提供的样本识别元素。计算机将研究这些数据，并开发出基于这些数据识别新数据的功能。例如，您可以训练计算机根据先前的信息过滤垃圾邮件。

一些常用的监督学习算法包括： - 决策树 - 支持向量机 - 朴素贝叶斯分类器 - K近邻 - 线性回归

第1步：提高Python数学库所需的数学技能

在AI和机器学习领域，不懂数学就像一个不会说服人的政客一样注定失败。因此，没有基本的数学知识，您将无法处理机器学习和数据科学项目。不过，您并不需要数学学位。以我的经验，每天投入30至45分钟就能取得显著进步，并更快地掌握高级数学和统计学知识。

您需要重温或学习基础理论。不必通读整篇教程，只需专注于关键概念。

学习机器学习所需数学的三个步骤：

1. 线性代数：包括标量、向量、矩阵和张量

   • 例如，主成分分析需要理解特征向量，回归需要矩阵乘法。机器学习通常处理高维数据（大量变量），这种数据最适合用矩阵表示。

2. 数学分析：包括导数和梯度

   • 数学分析是许多机器学习算法的基础，优化问题需要导数和梯度。常见的优化方法之一是梯度下降。

3. 从头构建简单的神经网络

   • 通过从头构建简单的神经网络，您可以更好地理解机器学习中的数学。您可以使用线性代数表示网络，并运用数学分析进行优化，特别是创建梯度下降。

推荐的学习资源： - 可汗学院：提供关于线性代数和数学分析的简短课程，涵盖重要主题。 - MIT OpenCourseWare：提供学习机器学习数学的课程，包括所有视频讲座和学习材料。

第2步：掌握Python语法的基础

好消息是，您不需要完整的课程，因为Python和数据分析并不是同义词。

在深入探讨语法之前，我想分享一个建议：通过实际操作来学习比单纯阅读书籍更有效。例如，您可以在游泳池里一边游泳一边阅读游泳技巧的书，这样效果更好。

同样，仅关注语法是不够的。您需要结合实际操作来学习。不必记住所有内容，从小步开始，不必害怕将理论与实践结合起来。例如，专注于直观的理解，在特定情况下哪种功能适用，以及条件运算符如何工作。您可以通过阅读文档并在编写代码的过程中逐渐记住语法。

如果您没有任何编程知识，建议阅读《利用Python自动完成无聊的事情》这本书。阅读第六章“字符串操作”，并完成相应的练习。这样就足够了。

其他值得探索的资源包括： - Codecademy：教授良好的通用语法。 - 《笨办法学Python》：介绍基础知识和更复杂的程序。 - Dataquest：教授语法的同时也教授数据科学。 - Python官方文档：提供详细的教程。

请记住，您越早开始实际项目，就越快学到东西。当然，如果需要，您随时可以回到语法部分。

第3步：学习主要的数据分析库

在进阶阶段，您需要学习适用于数据科学的Python库。Python拥有丰富的库，这些库是预先编写的函数和对象的集合，可以直接导入到脚本中以节省时间。

如何使用库？我的建议如下： 1. 打开Jupyter Notebook。 2. 在半小时内阅读库文档。 3. 将库导入到Jupyter Notebook中。 4. 按照分步指南查看库的实际应用。 5. 查看文档，了解库还具备哪些功能。

不建议一开始就深入学习库，因为在项目中使用时，您可能会忘记所学的内容。相反，尝试找出每个库的功能。

Jupyter Notebook

Jupyter Notebook是一种轻量级的集成开发环境（IDE），在分析师中非常流行。通常，Python的安装包中已经包含了Jupyter Notebook。您可以通过安装Anaconda（包含在Anaconda软件包中）来打开一个新的项目。

需要的Python库：

• NumPy：从Numeric Python简化而来，是最通用和最强大的库之一。使用它，您可以轻松处理多维数组和矩阵，并使用诸如线性代数运算和数值转换等函数。

• Pandas：这是一个高性能的工具，用于显示数据帧。您可以从几乎任何来源加载数据，计算各种函数并创建新参数，还可以使用类似于SQL的聚合函数对数据进行查询。此外，还有各种矩阵变换函数、滑动窗口方法以及其他获取数据信息的方法。对于数据科学家来说，这是必不可少的工具。

• Matplotlib：这是一个灵活的库，用于创建图形和可视化。尽管功能强大，但它可能显得有些复杂。此时，您可以先跳过Matplotlib，使用Seaborn作为入门工具（参见下面的Seaborn）。

• Scikit-Learn：这是迄今为止设计最完善的机器学习程序包之一。它实现了广泛的机器学习算法，并且很容易应用于实际项目。您可以使用一系列功能，如回归、聚类、模型选择、预处理和分类等。Scikit-Learn的最大优势是其高效的工作速度。因此，像Spotify、Booking.com和J.P.Morgan这样的领先平台都在使用它。

第4步：开发结构化的项目

掌握了基本语法并探索了基础库之后，您就可以开始自己的项目了。通过这些项目，您将能够了解新事物，并创建用于求职的投资组合。

有很多资源可以为您提供结构化的项目主题： - Dataquest：教授交互式Python和数据科学。您将分析一系列有趣的数据集，从地方情报局的文件开始，到NBA比赛统计数据结束。您将开发战术算法，包括神经网络和决策树。 - Scikit-Learn：文档——Python上的主要机器学习库。 - CS109：哈佛大学的数据科学课程。

第5步：处理自己的项目

您可以找到许多新事物，但找到那些能够激发您灵感的项目非常重要。但是，在找到理想工作之前，您应该学会如何处理程序中的错误。在解决此类问题的实用资源中，可以区分以下内容： - StackOverflow：一个多功能网站，提供了许多问题和答案，人们可以讨论各种问题。此外，它是提问错误和从众多受众中获得答案的最佳场所。 - Python文档：另一个搜索参考资料的好地方。

此外，您不应该忽视任何合作的机会。参与与Python相关的所有活动，并找到从事有趣项目的人员。特别寻找其他人开发的新项目，GitHub是实现这一目标的绝佳场所。不断学习新知识并关注主题，这将有助于提升您的水平。

最后的话和一点激励

您可能会问：“为什么我要涉足机器学习领域？已经有太多优秀专家了。”

要知道，我也曾陷入过这种思维陷阱，现在我可以自信地说，这种想法不会给您带来任何好处。这是您成功的一大障碍。

根据摩尔定律，集成电路中的晶体管数量每两年翻一番。这意味着我们的计算机功能每年都在增长，因此以前无法访问的知识范围再次“向右移动”——有更多空间进行大数据和机器学习算法的研究！

未来在等待我们。也许这些数字将进一步增加，机器学习将变得更加重要？这很有可能！

您能做的最可怕的事情就是假设您的位置已经被另一名专家占据了。

我希望您充满学习的热情和动力，并在接下来的项目中找到激发您灵感的东西！请在回复中分享您的经历！

（本文翻译自Oleksii Kharkovyna的文章《Beginner’s Guide to Machine Learning with Python》，参考https://towardsdatascience.com/beginners-guide-to-machine-learning-with-python-b9ff35bc9c51）