有了Python基础,就实践,实践是检验真理的唯一标准。
我是在研一的时候开始学习机器学习的。相对于题主来说,我更是一窍不通,Python都没有一点点基础。总结一下我在学习Python的过程,以及自己在学习机器学习过程中的用到的优质资源,也总结一下我的学习心得。
一、怎么学习Python?
在开始的时候,还是要强调一下怎么学习Python。Python是很多人做机器学习的语言,虽然Python相对来说比较简单,但也需要掌握好的学习路径,才能让我们的能力快速提升。
1.1python基础知识的学习
python是开源免费的编程语言,python比较简单,但仍然需要我们复出时间和努力去学习。首先就是我们学会看python语言、能用python读数据、写数据、分析数据。
整理了一些需要学习的基础知识:
python安装和环境配置
变量类型和运算符(int、float、complex、布尔类型、字符串、逻辑运算符等)
列表、元组、字典和集合(list列表、元组、dict字典、set集合等基本操作)
字符串常用方法(len()函数、split()分割、join()合并、count()统计、index()检测、大小写转换等)
常用函数(for循环、if语句、zip函数、while循环等)
文件操作(文件路径、read、open、clos、write等函数)
模块和包(理解模块、包的概念;创建包、导入包等)
1.2 python数据分析和可视化库的学习
在了解python基础知识的学习后,需要在数据分析和可视化方便有一些简单的学。这儿主要介绍四个入门必学的python库:numpy、pandas、scipy、matplotlib。
numpy
numpy是python中科学计算的基础库。可以应用在:数据分析、信号处理、图像处理、地理处理、统计计算等众多方面。
中文文档:NumPy
pandas
pandas是基于numpy的开源数据处理库,可以提供高效、灵活、丰富的数据分析工具。在进行数据分析的时候,让数据清洗、分析和可视化更加简单高效。
中文文档:Pandas
Scipy
Scipy也是依赖于numpy库的科学计算库。Scipy包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算,这些功能对于我们在进行数据分析的时候都是很重要的。
官网:SciPy
matplotlib
matplotlib是很多学习python初学者接触的第一个数据可视化库,提供了很多绘图功能,也有很多各种类型的图表和图形。
matplotlib官网:https://matplotlib.org/
matplotlib官网例图:https://matplotlib.org/gallery.html
1.3 python入门资料
《 Python编程:从入门到实践 》
是很多的python入门第一本书,书有两部分,第一部分讲基础知识、第二部分会有一些实践。
廖雪峰python学习网站
不少在学习python的时候,就是按着这个自学网站一步一步的学习起来的。网站关于python的知识体系是非常全面的,缺点是知识点之间跳动比较生硬。
W3school学习
界面很简单,每个知识点也都是说得很清楚,大家可以跟着网站继续学习。
在熟悉python的基础信息后,就可以开始准备学习机器学习了。机器学习是python最重要的应用方向之一。当前经常听到的大模型就是机器学习在应用,并且在生活中产生了深远的影响,谁可以早一步掌握大模型,就可以早人一步提高自己的工作效率。
二、机器学习需要哪些知识?
学好机器学习需要有一定的数学基础和计算机编程基础。总结一下,学机器学习需要下面这几方面知识:
数学基础:机器学习中很多方面都设计到了数学知识,较好的数学知识可以在理解和应用机器学习中发挥积极的作用,一般包括线性代数、微积分、概率论和统计学等。
编程基础:这个是肯定的了,只有一定的编程基础,才能看得懂、用得了、写得好算法。现在常说的是Python,此外C++或java也可以。
了解数据结合和算法:算法涉及到了很多数据结构,如图、树、排序等,掌握这些数据结构和算法很重要。
基础机器学习算法知识:前文也说了机器学习中有很多算法,因此也需要掌握一些基础算法,例如支持向量机、神经网络、决策树、逻辑回归等。
此外还有一些知识也需要注意,比如特征提取、模型评估及调优等。
三、机器学习的分类
机器学习可以分为监督学习、无监督学习、强化学习。
3.1 监督学习
通过有数据标签的数据进行训练,一般可以有回归和分类两类方式。 监督学习的算法主要有:线性回归、逻辑回归、支持向量机、决策树、随机森林、K-近邻、朴素贝叶斯、AdaBoost、梯度提升树、神经网络。
3.2 无监督学习
没有数据标签对的数据进行训练,这类方法的目标是找到数据集底层联系,有聚类和关联两类。 无监督学习的算法主要有:K-均值聚类、层次聚类、DBSCAN、主成分分析、独立成分分析、t-SNE。
3.3 强化学习
强化学习通过智能体与环境的交互和反馈,学习到最优的策略来最优化奖励。
强化学习的算法主要有:Q-学习、SARSA、深度Q网络、策略梯度方法、Actor-Critic 方法、Proximal Policy Optimization。
四、机器学习的Python库
想要在python中学好机器学习,就需要掌握好各类机器学习相关的库,这儿总结了很有名的python机器学习库。
4.1 Scikit-Learn
Scikit-Learn几乎是所有机器学习初学者的第一个库,模式简单,里面集成了很多机器学习算法,从单间的模型到复杂模型,Scikit-Learn都可以满足我们的需要。
4.2 TensorFlow
TensorFlow是Google开发的深度学习库,可以创建和训练神经网络来执行图像识别、自然语言处理等任务。
4.3 Keras
Keras是一个神经网络包,也是TensorFlow 的前端接口。
4.4 PyTorch
PyTorch是用于机器学习和数据科学的开源通用库。支持多种硬件累心,PyTorch内存效率高,并且可以并行训练多个模型。
五、机器学习资源
5.1《机器学习》
又叫西瓜书,作者:周志华。这本书可以作为机器学习的入门读物。基本上涵盖了机器学习基础知识的方方面面。每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。
5.2《统计学习方法》
作者:李航。这本书也是机器学习的入门级读物,本书机器学习原理的解释、公式的推导非常非常详尽。全面系统地介绍了统计学习的主要方法,现在有第二版,分为监督学习和无监督学习两个部分。
5.3《机器学习实战》
作者:Peter Harrington。在看完前面两本书后,再跟着本书里的代码进行学习和实操,效果会更好。书中也精心编排了很多实例,从实例入手,更能帮助大家理解机器学习中的各种名词。
5.4 Kaggle
Kaggle是大部分在数据科学的时候都会遇到的平台。里面又丰富的数据集,也可以让你与其他数据科学家讨论学习。
5.5 UCI机器学习存储库
加州大学尔湾分校拥有550多个数据集,可以通过不同的功能选择自己需要数据集。
5.6 欧洲核子研究组织开放数据门户
欧洲核子研究组织的开放数据门户令人着迷。 他们收集了3PB的数据,并提供了有关最小物理量(粒子物理学)的数据。
以上就是本次的全部分享,内容较多,大家可以收藏后,慢慢细看。
祝大家暴富!
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、Python练习题
检查学习结果。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
最后祝大家天天进步!!
上面这份完整版的Python全套学习资料已经上传至CSDN官方,朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。