這是我們老師根據現有資源整理的一個機器學習路徑。涵蓋了Numpy，Scipy，Pandas，Scikit-learn，Matplotlib 等開源工具的學習，并完成從數據清理、數據分析、模型構建，到最終的預測評估及可視化呈現。

“成為編程大牛要一門好語言加一點點天分。一門好語言，一點點天分，再加一份堅持。要是天分少，光靠堅持也行。”

入門知識

?Linux 基礎入門（新版）

Github 快速上手實戰教程

Python3 簡明教程

NumPy 百題大沖關

Pandas 百題大沖關

使用 Matplotlib 繪制 2D 和 3D 圖形

本教程的正確食用姿勢：區別于目前所有主流教程，這類教程的核心就是動手！跟著文檔說明，在在線的Linux系統中一步一步地敲出基礎知識，各種有趣項目；走出只看書、看視頻卻不動手的禁區，你會比別人學的更快的，放心。

算法基礎

1. 基于SVM的貓咪圖片識別器

SVM（支持向量機）是一種常用的機器學習分類算法。教程使用HOG+SVM算法和OpenCV實現一個圖片分類器，通過自己訓練分類器，達到可以判斷任意圖片是否是貓咪的效果。

2. K-近鄰算法實現手寫數字識別系統

從電影題材分類的例子入手，詳細講述 k-近鄰算法的原理。在這之后，我們將會使用該算法實現手寫數字識別系統，書籍教程配套實驗練習，幫助您更好得實戰。

3. Spark 基礎之使用機器學習庫 MLlib

你將可以學習到 Spark 的機器學習庫—— MLlib 的相關知識，了解 MLlib 與 ML 之間的區別和聯系，掌握 MLlib 中的幾個基本數據類型。同時，還將通過一個電影推薦的實例，講解如何利用機器學習算法解決實際問題。

4. 決策樹實戰項目-鳶尾花分類

了解決策樹的基本概念，學習決策樹生成過程中的 ID3, C4.5 及 CART 算法及原理。最后通過 scikit-learn 提供的決策樹算法完成鳶尾花分類實驗。

5. 使用邏輯回歸預測IPO市場

在20世紀90年代末，獲得了對的IPO（首次公開募股）就像贏得彩票一樣。通過對一系列數據進行清洗、建模、分類，來獲一個可以預測IPO市場的簡單模型。

6. 《Python 貝葉斯分析》- 利用邏輯回歸實現鳶尾花分類

講解邏輯回歸模型的概念，以及由線性回歸擴展為邏輯回歸的逆連結函數概念，并利用邏輯回歸對鳶尾花進行分類。

中場休息......笑一個吧！

基礎項目

1.?人機對戰初體驗:Python基于Pygame實現四子棋游戲

利用Python模擬AI和玩家進行四子棋游戲，利用游戲實驗Pygame庫，為游戲提供界面和操作支持。AI算法借用蒙特卡洛搜索樹思想。通過設置AI的難度系數，即AI所能考慮到的未來棋子的可能走向，從而選擇出最佳的方案和玩家對抗。

2.Python 實現英文新聞摘要自動提取

新聞摘要提取就是除去新聞中冗余的部分，只保留關鍵的語句。教程將通過兩個實驗來為大家介紹兩個不同的提取摘要算法，并通過python語言完成英文新聞摘要的自動提取。

3. 使用 Python 實現深度神經網絡

教你使用 Python 實現一個深度神經網絡，讓你在實際動手的過程中理解深度學習的一些基本原理，帶你真正入門深度學習。

4. 使用卷積神經網絡進行圖片分類

卷積神經網絡特別適合于處理圖像相關問題，教程一邊講解卷積神經網絡原理，一邊帶你動手使用caffe深度學習框架進行圖片分類。

5. 基于卷積神經網絡實現圖片風格的遷移

基于卷積神經網絡，使用Caffe框架，探討圖片風格遷移背后的算法原理，手把手教你實現和Prisma一樣的功能，教計算機學習梵高作畫。

開源工具學習

1.?scikit-learn 實戰之非監督學習

機器學習中，除了常見的監督學習之外，還有一個非常重要的分支 —— 非監督學習。本教程將帶你了解非監督學習，并學會使用 scikit-learn 解決非監督學習問題。

2. scikit-learn 實戰之監督學習

監督學習是機器學習中最為常見、應用最為廣泛的分支之一。本教程將帶你了解監督學習，并學會使用 scikit-learn 提供的各類監督學習方法解決實際問題。

3. 深度學習初探--入門DL主流框架

通過8個實驗，帶領同學們入門TensorFlow、Theano、Keras 及 Caffe 幾個主流的深度學習框架，通過項目實踐使同學了解如何利用這些框架搭建自己的深度學習神經網絡。

中場休息......要么面帶桃花，要么面帶微笑。

進階項目

1.?Python 應用馬爾可夫鏈算法實現隨機文本生成

應用馬爾可夫鏈算法，實現根據給定訓練文本，輸出隨機生成的中/英文文本。使用 Python 實現一個類，封裝可供使用的方法。

2. 神經網絡實現人臉識別任務

利用基于無監督學習的自編碼器對人臉數據進行特征提取，進行圖片降維，利用降維后的結果作為有監督學習分類器的輸入，最終利用一個三層神經網絡實現人臉識別的任務。

3. 基于無監督學習的自編碼器實現

介紹一種基于無監督學習神經網絡數據降維的一種應用——自聯想存儲器。

4. NBA常規賽結果預測：利用Python進行比賽數據分析

利用NBA在2015~2016年的比賽統計數據進行回歸模型建立，最終在今年2016~2017的常規賽中預測每場比賽的輸贏情況。

5. Python 氣象數據分析：《Python 數據分析實戰》

先會對數據進行清洗，然后運用 Python 中 matplotlib 模塊的對數據進行可視化處理，最終從清晰的圖表中得出我們的結論。

6. Twitter數據情感分析

使用Spark MLlib對Twitter上的流數據進行情感分析，并且利用Python的工具包basemap可視化美國不同的州對于曾經的總統候選人情感分析結果。

7. Ebay 在線拍賣數據分析

利用 eBay 上的拍賣數據進行數據分析，實現通過數據判斷拍賣最終是否可以成功交易和預測最終成交的價格。

8. 大數據帶你挖掘打車的秘籍

基于某市的出租車行駛軌跡數據，帶你學習如何應用Spark SQL和機器學習相關技巧，并且通過數據可視化手段展現分析結果。

9. 使用 Spark 和 D3.js 分析航班大數據

在航班數據分析實驗中，可以學習到如何使用 OpenRefine 進行簡單的數據清洗，以及如何通過 Spark 提供的 DataFrame、 SQL 和機器學習框架等工具，對航班起降的記錄數據進行分析。

如果你看到這里，你已經超過91.23%對機器學習感興趣的人啦噢嘿嘿。你知不知道，有句話是這樣說的：一件事，1000人想去做，100人開始做了，最終，只有1個人堅持到了最后。

話雖沒有絕對，但想想看，今天確實是你生命中最年輕的一天啦，所以，想要做的事，勇敢撿起來做吧！祝你學習順利。

今日推薦

點擊圖片查看詳情

第一彈：超全Python學習資源整理（入門系列）

第二彈：超全Python學習資源整理（進階系列）

8個爽滑如絲的Windows小軟件，不好用你拿王思蔥砸死我

60人，42天，死磕“高薪卻高難度”的機器學習，結果如下。

武俠版編程語言...Java像張無忌還是令狐沖？

總結

以上是生活随笔為你收集整理的『机器学习』入门教程汇总的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。