研究生期间，我从机械专业转为工业大数据+机器学习。导师直接给了我一篇论文和前辈留下的代码，让我复现论文的内容，完成一个机器学习项目。当时的我完全没有学过Python，对机器学习了解甚少，从一脸懵，到后来逐渐入门Python机器学习，积累了一些学习经验。现在简要分享一下~
入门Python机器学习，我认为可以分成两部分：机器学习的基本概念和Python机器学习实战。在掌握了基本概念之后，就要去通过项目和代码去学习，多看代码。并且，在实践和解决实际问题的过程中，我们也会对所学的知识印象更深刻。
机器学习的基本概念
机器学习(Machine Learning)指的是一类让计算机能从数据中学习，找到数据规律，并预测未知的方法。其中，用于给计算机学习规律的数据称为“训练集”，用于检验机器学习效果的数据称为“测试集”。机器学习模型在未知数据或测试数据上的表现称为“泛化能力”。
按照机器学习解决问题的类型，可以分成监督学习、无监督学习、半监督学习。
监督学习（Supervised Learning)：指训练数据有标注，按照预测的结果类型，可以进一步分成分类（预测类别）和回归（预测数值）
- 举个例子：给定一个瓜的色泽、敲声等数据，判断这个瓜是好瓜还是坏瓜，这个是分类问题；根据瓜的色泽、敲声，预测瓜的含糖量，这个是回归问题。
无监督学习（Unsupervised Learning）：指的训练数据中没有标注。主要用于聚类。
- 比如，给定一群瓜的色泽、敲声、根蒂状态等数据，来给一群瓜聚成不同的类别，这样可以给不同的瓜类定不同的价格。注意，这里数据没有标注，我们不清楚具体的类别是哪些，需要根据聚类后的群详细探查数据，找到数据的共性（例如本地有籽瓜、本地无籽瓜、外地有籽瓜、外地无籽瓜等）。
半监督学习（Semi-supervised Learning）：介于监督学习和无监督学习之间，训练数据只有部分有标注，模型需要利用有标注和无标注的数据一起训练。存在半监督学习的原因是，数据人工标注成本高昂。
- 举个例子，瓜农有100个瓜，由于时间成本原因，他单独抽样了10个瓜，根据色泽、敲声标注为好瓜/坏瓜，将40个无标注的数据并入训练集训练；最后预测剩下50个瓜的类别。
机器学习的基本步骤如下：
数据预处理：对数据进行清洗、异常值处理；同时将不同大小的数据规范化成0-1之间，减少不同范围的的数据对结果的影响。
特征提取/选择：对高维数据进行降维，选择或者构造对结果影响最大的数据特征
前两步在机器学习实践中比较重要，选取好的数据特征，比选取好模型带来的效果常常更显著。
模型选择：根据数据类型和需要解决的问题，选择合适的机器学习模型。常见的机器学习模型有：
- 监督学习：逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine）、随机森林（Random Forest）、多层感知器（Multi-Layer Perceptron）等
- 无监督学习：K均值聚类、主成分分析（Principal Component Analysis）、层次聚类（Hierarchical Clustering）等
- 半监督学习：自训练（Self-Training）、半监督支持向量机（Semi-Supervised SVM）、标签传播（Label Propagation）、生成式半监督学习（Generative Semi-Supervised Learning）等方法
机器学习模型的详细原理，可以参考周志华的《机器学习》。
结果验证：在测试集上进行模型效果验证，选择最优的模型。回归问题通常计算测试集实际值与预测值的均方误差；而对于分类问题，常计算模型的精度，查全率，召回率等参数。
在结果验证时，机器学习模型如果泛化性能不佳，会出现两种情况：过拟合、欠拟合。
过拟合：指模型过于复杂，模型过度适应训练数据，在新数据上表现不佳。
欠拟合：指模型过于简单，不能很好的拟合数据的变化，未能捕捉到数据关键特征。
项目实践
实践之前，可以先配置好Python本地环境，还需要了解Python常用的机器学习库：
- Numpy（用于矩阵向量计算）
- Pandas（用于数据分析任务）
- matplotlib（方便的绘图工具库）
- Scikit-learn（几乎集成了所有常见的机器学习算法）
- Keras/Tensorflow/Pytorch（主要用于深度学习）
对于初学者来说，多看代码是比较重要的，这里有两种方式接触到机器学习项目的代码。
1.可以去Kaggle(著名的在线数据科学竞赛平台和社区，它提供了真实的数据集和各类问题)的Competitions模块，找一些简单的数据和问题，比如泰坦尼克号存活预测问题，可以看到其它人上传的Code。
2.去Github(全球最大的代码开源社区之一)找一些Machine Learning为关键词的项目，直接看代码。
以上代码，最好能在本地或者线上编译器运行一遍。
刚刚入门时，在看代码的过程中，我常常会遇到一些看不懂的地方，需要去各种地方查阅资料，一研究就是大半天。
而现在，AI大模型可以帮我们解读代码的内容。比如我对上述从Kaggle中找到的数据预处理代码进行提问：
利用AI大模型帮助我们解读代码，阅读代码的效率可以大大提升，理解成本降低。
随着AI大模型时代的到来，越来越多的人会使用AI大模型工具帮助自己提升工作和学习效能。推荐你们「知乎知学堂」联合「AGI课堂」官方发布的：AI大模型免费公开课，
让你在两天内从容应对AI技术革新，成为大模型时代受益者。添加助教微信还可以领取AI 大模型资料包、好用的AI工具名称和网址等资源，帮助你提升学习效率~
可以用一到两周的时间，找一些基础的项目（包括分类、回归等不同的问题类型），只看别人的代码，多多理解学习，然后运行，体验下编译出结果的快乐。
接下来，我们要开始自己实战了。仍然是用之前找的项目，尝试不看其他人的逻辑，自己应用其他机器学习算法跑一遍整个数据预处理、特征选择、模型选择、结果验证的流程；
遇到不会的地方，可以自己查阅Python官方文档，或者向AI大模型工具进行提问。
这样，你就基本入门了几个机器学习项目。
之后，你可以在Kaggle找一些难度更高、数据量更大的项目，用同样的流程学习：
用一两周先看别人的代码，再用一两周自己尝试实现。
当你积累得足够多的时候，之后可以参加一些实时的竞赛，竞赛中是看不到别人的代码的，整个项目完全由自己实现。
以上是机器学习入门的相关介绍。Linus大佬说过："Talk is cheap, show me your code"。机器学习是一门实践驱动的领域，真正的理解和掌握需要不断地动手实践，加油吧！
<hr/>我是等壹，毕业于上海交大，现于某大厂当码农。是个热爱技术，喜欢看书、旅游、看动漫的妹子；是个“总想看更多的书，去更远的地方”的佛系工作狂~
我会定期分享技术、学习等干货，欢迎关注！
<a data-draft-node="block" data-draft-type="link-card" href="http://www.zhihu.com/people/shi-xing-deng-yi" data-image="http://pic4.zhimg.com/v2-14f903c121f6df9c5dad7ab74d55565f_ipico.jpg" data-image-width="977" data-image-height="977" class="internal">等壹 |
