《Python数据分析与机器学习实战-唐宇迪》读书笔记第1 章--机器学习概念、入门环境

　　唐宇迪，计算机专业博士，网易云课堂人工智能认证行家，51CTO学院讲师，CSDN博客专家、讲师。拥有多年人工智能领域培训经验，带领课程研发团队累计开发AI课程60余门，覆盖当下人工智能热门领域
　　该书结合了机器学习、数据分析和 Python 语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。 全书共 20 章，大致分为 4 个部分。第一部分介绍了 Python 的工具包，包括科学计算库 Numpy、数据分析库 Pandas、可视化库 Matplotlib；第 2 部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第 3 部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网络；第 4 部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。

       该书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。

      该书的推荐学习路线图：

《Python数据分析与机器学习实战-唐宇迪》读书笔记第1 章--机器学习概念、入门环境

1.1机器学习的应用领域：

2、机器学习流程：

一般来说，机器学习流程大致分为以下几步：
　　第①步：数据收集与预处理。例如，新闻中会掺杂很多特殊字符和广告等无关因素，要先把这些剔除掉。除此之外，可能还会用到对文章进行分词、提取关键词等操作，这些在后续案例中会进行详细分析。
　　第②步：特征工程，也叫作特征抽取。例如，有一段新闻，描述“科比职业生涯画上圆满句号，今天正式退役了”。显然这是一篇与体育相关的新闻，但是计算机可不认识科比，所以还需要将人能读懂的字符转换成计算机能识别的数值。这一步看起来容易，做起来就非常难了，如何构造合适的输入特征也是机器学习中非常重要的一部分。
　　第③步：模型构建。这一步只要训练一个分类器即可，当然，建模过程中还会涉及很多调参工作，随便建立一个差不多的模型很容易，但是想要将模型做得完美还需要大量的实验。
　　第④步：评估与预测。最后，模型构建完成就可以进行判断预测，一篇文章经过预处理再被传入模型中，机器就会告诉我们按照它所学数据得出的是什么结果。
 

1.3环境配置：

1）推荐下载Anaconda集成环境。

https://www.anaconda.com/

下载对应版本安装即可。集成jupyter notebook、spyder等。注意修改为清华的镜像，参考：https://blog.csdn.net/downmoon/article/details/104752376

不过，邀月个人还是钟爱Eclipse，毕竟多开发语言环境。

如果还有个别包无法使用pip install，可以在这里尝试下载whl。https://www.lfd.uci.edu/~gohlke/pythonlibs/

2）jupyter notebook

一个非常适合教学的工具。

如果安装或配置方面有什么问题，可以参考这里：https://blog.csdn.net/downmoon/article/details/105277971

1.4其他资源 ：

Github:https://github.com/

GitHub提供了非常丰富的开源项目和代码。

kaggle社区：https://www.kaggle.com/

其内容都是和数据科学相关的，大家可以把它当成一个竞赛站点，不仅包括各行各业的数据集，而且还有各路大神的解决方案。

本章小结：本章从整体上介绍了Python和机器学习的学习路线，该书所使用的环境只需一个Anaconda即可搞定。

第1章完。

该书资源下载，请至异步社区：https://www.epubit.com

邀月注：本文版权由邀月和CSDN共同所有，转载请注明出处。
助人等于自助!   3w@live.cn