为了理解和应用机器学习技术，你需要学习 Python 或者 R。这两者都是与 C、Java、PHP 相类似的编程语言。但是，因为 Python 与 R 都比较年轻，而且更加“远离”CPU，所以它们显得简单一些。相对于R 只用于处理数据，使用例如机器学习、统计算法和漂亮的绘图分析数据， Pthon 的优势在于它适用于许多其他的问题。因为 Python 拥有更广阔的分布（使用 Jango 托管网站，自然语言处理 NLP，访问 Twitter、Linkedin 等网站的 API），同时类似于更多的传统语言，比如 C python 就比较流行。

在Python中学习机器学习的四个步骤

1、首先你要使用书籍、课程、视频来学习 Python 的基础知识

2、然后你必需掌握不同的模块，比如 Pandas、Numpy、Matplotlib、NLP (自然语言处理)，来处理、清理、绘图和理解数据。

3、接着你必需能够从网页抓取数据，无论是通过网站API，还是网页抓取模块Beautiful Soap。通过网页抓取可以收集数据，应用于机器学习算法。

4、最后一步，你必需学习机器学习工具，比如 Scikit-Learn，或者在抓取的数据中执行机器学习算法(ML-algorithm)。

1.Python入门指南：

有一个简单而快速学习Python的方法，是在   注册，然后开始编程，并学习 Python 基础知识。另一个学习Python的经典方法是通过  ，一个为广大 Python 编程者所推荐的网站。然后还有一个优秀的 PDF，  。python社团还为初学者准备了一个Python资源列表。同时，还有来自 O’Reilley 的书籍 《Think Python》，也可以从这里免费 。最后一个资源是 Python 用于计量经济学、统计学和数据分析的介绍：《 》，其中也包含了 Python 的基础知识。

2.机器学习的重要模块

关于机器学习最重要的模块是：, ,  和  。有一本书涵盖了其中一些模块：《》 。然后来自于1.的免费书籍《》，同时也包括 Numpy，Pandas，Matplotlib 和 IPython这几个模块。还有一个资源是 ，也包含了一些很重要的模块。以下是其他免费模块的相关链接： Numpy (, , ),  Pandas (，，)  和  。

其它资源:

3.从网站通过API挖掘和抓取数据

一旦理解了Python的基础知识和最重要的模块，你必需要学习如何从不同的源收集数据。这个技术也被称作网页抓取。传统的源是网站文本，通过API进入twitter或linkedin一类网站得到的文本数据。网页抓取方面的优秀书籍包括：《 》 （免费书籍），《》 和《 》。

最后这个文本数据必须要转换为数值数据，通过自然语言处理（NLP）技术完成，  和  上面有相应的资料。其它的数据包括图片和视频，可以使用计算机图像技术分析： ，  和   ，这些是图片分析方面的典型资源。

以下例子中包括可以用基本的Python命令行实现，有教育意义，而且有趣的例子，以及网页抓取技术。

•  （微型教程：使用Python保存推文到数据库）
•  （网页抓取关键数据科学工作技巧）
•  （案例学习：电影评论中的情感分析）
•  （第一网页抓取）
•  （邮件的情感分析）
•  （简单文本分类）
•  （Python基础情感分析）
•  （使用Python和NLTK 做Twitter情感分析）
•  （第二个尝试：Python情感分析）
•   （电影评论相关Kaggle Competition中的NLP自然语言处理）

4. Python 中的机器学习

机器学习可以分为四组：分类，聚类，回归和降维。

“分类”也可以称作监督学习，有助于分类图片，用来识别图片中的特征或脸型，或者通过用户外形来分类用户，并给他赋不同的分数值。“聚类”发生在无监督学习的情况，允许用户在数据中识别组/集群。“回归”允许通过参数集估算一个值，可以应用于预测住宅、公寓或汽车的最优价格。

 罗列了 Python、C、Scala、Java、Julia、MATLAB、Go、R 和 Ruby等语言中所有学习机器学习的重要模块、包和技巧。有关Python机器学习的书籍，我特别推荐《》。尽管有点短，但它很可能是机器学习中的经典，因为它提到了“集体智慧编程时代”：。这两本书帮助你通过抓取数据建立机器学习。最近关于机器学习的出版物大多都是基于模块 scikit-learn 。由于所有的算法在模块中都已实现，使得机器学习非常简单。你唯一要做的事就是告诉 Python ，应该使用哪一个机器学习技巧 (ML-technique) 来分析数据。

免费的  可以在 scikit-learn 官方网站上找到。其他的帖子可以通过以下链接获取：

•  （机器学习中 Python 和 Scikit-Learn 的介绍）
•  （Python 中的数据科学）
•  （用机器学习来预测坏账）
•      （通过机器学习来分类文本的通用架构）
•   （利用 Python 和 AI 人工智能来预测酒的品种）
•   （应用机器学习的建议）
•   （使用 scikit-learn 预测用户流失）
•   （映射你的音乐收藏）
•   （Python 中的数据科学）
•   （案例学习：电影评论中的情感分析）
•   （Python中的文档聚类）
•   （5 个最流行的Python相似度测量的实现）
•   （案例学习：电影评论中的情感分析）
•   （将会是 Python 么？）
•   （机器学习中的文本处理）
•    （使用色彩灯光秀和实时机器学习黑入史诗级 NHL（北美冰球联赛）进球庆祝）
•  （温哥华房间价格）
•  （探索和预测大学教师工资）
•   （预测航班延误）

关于机器学习和 Python 中模块 scikit-learn 的书籍：

•   （收集  新闻网站上的书籍）
•  （用 Python 建立机器学习系统）
•  （用 Python 建立机器学习系统，第二版）
•   （学习 scikit-learn:Python 中的机器学习）
•    (透视机器学习算法)
•   (抓取的数据科学——关于 Python 的首要原则)
•    （Python 中的机器学习）

接下来数月将要发行的书籍包括：

• 《》 （Python 机器学习的介绍）
• 《》 （思考 Python 机器学习：接近测试驱动）

机器学习相关的课程和博客

你想要得到一个学位，加入在线课程，或者参加线下讲习班、大本营或大学课程么？这里有一些关于逻辑分析、大数据、数据挖掘和数据科学的在线教育站点链接： 。另外推荐一些在线课程–来自Udacity的Coursera 课程：  和 。还有一些关于机器学习的博客列表：。

最后是来自 Jake Vanderplas 和 Olivier Grisel，关于探索机器学习的优秀 。

机器学习理论

想要学习机器学习的理论？那么，《》和《 》 是常常被引用的经典。然后还有另外两本书籍：《 》和《 》。这些链接包括免费的PDF，你不需要付费！如果不想阅读这些书籍，请观看视频：！