如果你正在学习机器学习，那肯定对于机器学习分类算法，scikit-learn等都比较熟悉，但是单纯学习理论容易陷入迷茫，不知道每个算法的具体应用
在有python编程语言基础的情况下，没必要在枯燥的模型原理细节上耗费太多的时间，在实践中快速应用起来往往理解效果更好
这一期主要是给大家推荐basicv8vc大佬开源的Python机器学习教程
文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~
![]()
也可以关注“AI技术星球”公众号，关注后回复“221C”获取。
这个教程的具体内容如下：
第一章：机器学习分类算法
这一章主要是介绍机器学习中的分类算法，对机器学习算法有一个直观的认识，用pandas、NumPy和matplotlib读取数据、处理数据和数据可视化, 最后使用python实现简单的线性分类算法
第二章：使用Scikit-learn进行分类器之旅
机器学习训练的常见步骤包括特征选择，选择评价指标，选择分类器和优化算法，评估模型的性能和模型调参。这一章主要是采用scikit-learn来训练感知机模型，以及逻辑回归建模
第三章：数据预处理
数据的质量和包含的有用信息量是决定一个机器学习算法能够学多好的关键因素。因此，我们在训练模型前评估和预处理数据显得至关重要。在本章，我们要讨论必不可少的预处理技术，能够帮助我们构建更好的机器学习模型
第四章：通过降维压缩数据
在第三章，你学习了使用不同的特征选择方法来降维，除了特征选择，另一种降维的方法是特征抽取(feature extraction)。本章你将会学到三种基本的方法，帮助我们摘要数据集的信息，即将原始的特征空间压缩到低纬度的特征子空间。数据压缩是机器学习中的重要课题，它能帮助我们存储和分析当今时代不断涌现的大数据
第五章：模型评估和调参
前面几章，你学习了分类问题要用到的机器学习算法以及必备的数据预处理算法。现在，是时候学习如何训练一个好用的机器学习模型了，二者要涉及到两个重要的课题：模型评估和参数寻优
第六章：集成学习
单个模型的预测效果比较有限，如果把多个模型集成起来，有助于提高精度。这一章主要介绍基于投票的预测，通过可重复采用构建训练集，降低过拟合，以及以弱学习器为基础，从错误中学习来构建强学习器等方法
上面的内容没有复杂的公式推导，更多是从综合归纳总结机器学习各种技巧的角度出发，适合有一定基础的同学进行学习，这种理论和实践相结合的教程与其他教程不同
