python网课培训推荐_【知识学习】Python机器学习：推荐一门理论实战结合的网课...

之前的文章《如何零基础入门数据分析》里提到过，不同群体学习机器学习的目的是有不同的，因此学习方法也不一样。数据分析师而言，对机器学习的应用大体分为两类：1) 能调包就行；2) 不仅能调包，还需要比较深入的理解其中的原理。对于第一类，需要了解各类算法的优劣势和使用场景，并直接应用，datacamp是个很好的应用学习平台(戳这里！了解Datacamp)。而对于第二类学习，则要花费一定的时间和精力了，需要一定的数理基础和代码功底。

如果你既希望能够理解如何使用经典的机器学习模型，又希望能够一定程度上理解其中的原理，甚至手动编写模型；并且你还希望用Python来学习这些，本文强烈推荐华盛顿大学的机器学习系列课Machine Learning | Coursera​www.coursera.org

学习这门课之前你需要：有熟练的Python编程技巧：基本编程思维和能力，熟练使用numpy、pandas库；最好在学习之前已经有sklearn的使用经验

了解微积分、线性代数、统计学与概率论

可以接受英文授课(有字幕)

学过这门课之后你能够：了解基本的回归模型：线性回归、LASSO和岭回归等

了解基本的分类器：LR+正则化、树分类(集成分类器)

了解一些非监督学习方法：相似性、聚类等

了解机器学习在房价预测、文本聚类和图像等相关领域的应用

这门机器学习课是系列课程，总共包括4门：案例研究、回归、分类和非监督。其中第一门为案例分析，介绍机器学习方法的应用场景；二三四门都是具体讲一类机器学习方法，教学方法相似：首先从理论上理解机器学习算法，然后进入实际应用部分，学完每章节后可以理解该算法，大部分可以用python自己编写

以具体的一章节：回归课程中的多元回归为例来讲讲这门课的授课形式，其余章节的形式基本相同。

1）介绍模型的应用场景和模型的基本表达形式线性回归模型基本表达形式

2）定义模型的损失函数形式损失函数

3）详细解读，如何用梯度下降求解损失函数，很多章节都会配合小型的计算实例有助于理解梯度下降求解法

4）基础知识学完之后，会有一个quiz，考察对内容的掌握。问题是比较基础的，一般是对概念理解，或者小规模的手动计算quiz中题目示例

5）然后，到了最激动人心的，编程应用部分。我认为这部分是这门课设计的最好的地方！本章节有两个编程任务

课程提供的jupyter notebook会引导着给出本章节使用数据的基本描述，接着需要按照notebook的提示完成任务。一些code chunk的输出也是测试题的答案。课程提供的Jupyter Notebook

最终任务一般为自己定义一个算法。本章节中，最终的目标是根据输入的特征矩阵，计算并返回各项系数，也就是说建立一个完整的线性回归模型。手写模型的最大意义不是希望它能够投入使用，而是能够帮助你查漏补缺，检验自己是否真的理解模型的原理。写的过程中，也能发现许多新的东西。线性回归模型

以上大概是一章节的流程，通过学习，我们大致了解了：线性回归模型的基本原理，如何最优化求解，并利用Python手动完成一个线性回归模型。后面的章节也基本都是按照这个流程来进行的。

课程涵盖的知识有限，但更重要的是，本课程提供了一个极其合理的机器学习实战学习路径。在自学其他模型的过程中，这种方法也是很值得推荐的。

包括我在内的很多自学爱好者，学习机器学习都是从Andrew Ng的课程开始的。但是同样在Coursera平台里，我对这门课程的推荐程度是要高于Ng的课程的。主要原因：本课程使用Python

Ng的课包括线性模型、LR、神经网络、SVM和k-means，涵盖内容比较窄；本课程则分为了四门，因此涉及的内容更多更广，而选择讲解的模型，比如决策树，相对于神经网络，也更适合初学者

Ng的课程在后面的章节里包含了机器学习体系设计和大规模学习的内容，讲了很多工程的问题；本课程则更重视基础学习，是更适合新手的

当然如果时间允许，我会推荐先上这一门，然后再看Ng的课程。

顺便还要提一些学习时需要注意的问题：授课者自己开发了机器学习库，因此授课时推荐使用他们自己的库。这里还是更推荐使用pandas和sklearn完成编程任务的，以后的应用范围更广。

这门课上到后期，比如非监督这部分，还是很有难度的。如果写代码有困难，这里推荐一个使用pandas和sklearn完成这门课程的开源项目，可以参考下上面的代码，但是！一定优先自己做！！！

完成了这系列的全部课程，觉得还是很有收获的！当然任何一门课程的篇幅都是有限的，不可能覆盖所有主流的应用。学习这门课之后，可以按照本课的思路学习其他机器学习模型。

另外，完成本课后，有兴趣可以进一步学习coursera的深度学习系列课程，也是python授课，很值得推荐。鉴于网上关于该深度学习课的资料和讨论很多，这里不进一步分析了。