building machine learning system with Python 学习笔记--从零开始机器学习（2）第一章

Python机器学习入门

ps：想了解机器学习发展历史、使命、面临的问题这些的可以看百度BOSS李彦宏新书《智能革命》，挺通俗易懂的。

机器学习的目标就是通过若干示例让机器学会完成人物，例如电子邮件分类。

工作流程绝大部分的时间花在：

1）读取和清洗数据

2）探索和理解输入数据

3）分析如何最好地将数据呈现给学习算法

4）选择正确的模型和学习算法

5）正确地评估性能

通常在训练前要对部分数据进行提炼，一个简单算法在提炼后数据上的表现，甚至能够超过一个非常复杂的算法在原始数据上的结果。提炼数据的流程叫做特征工程--feature engineering。

可以看到算法只是五个环节中的一个，1）、2）、3）都和数据有关。

推荐的问答网站：http://metaoptimize.com/qa专注机器学习主题

http://stats.stackexchange.com 专注统计问题

http://stackoverflow.com 这个不用多说，百度过编程问题的同学应该都见过

Freenode的#machinelearning频道 互联网中转聊天频道，专门讨论机器学习主题（英文聊天室 想玩的看此文：http://blog.csdn.net/zhijiayang/article/details/50700731）

http://www.TwoToReal.com 本书作者制作的即时问答网站，解答不适于上述任何网站的问题。

重点推荐的博客：http://blog.kaggle.com 机器学习比赛优胜选手介绍怎么解决问题

numpy、scipy、matplotlib简介：Python运行速度不快，为何需要密集计算的机器学习选择Python，因为计算任务由底层的C或Fortran扩展包完成。在numpy和scipy的组合中，numpy提供了对高度优化的多维数组的支持，scipy则通过这些数组提供了一套快速的数值分析方法库，matplotlib用来可视化。

学习numpy：

推荐自己敲一遍代码，下面的代码创建了一个数组a，维度是1，包含6个元素

将数组转换到一个2D矩阵b中，b是三维数组，每个维度上有两个元素

下面进行了赋值操作，Python中下标是从0开始的，因此b[1][0]就是第二行第一个元素，原来是2，现在重新赋值为77，相应地，a中的元素值也变动了，这说明b是对a的引用，而不是a的复制

想要真正的副本，可以像下面这样，c和a完全独立了

numpy array和python自带的list不同，对数组的操作是传递到每个元素上，而列表是对整个列表操作，列表是没有平方运算的

1）numpy索引访问数据：允许将数组本身当做索引使用，a中下标为2,3,4的元素，

判断条件可以传递到每个元素，遍历数组判断每个元素是否大于4，是返回True，否返回False：

去掉异常值：大于4的元素全部赋值为4

专门的修剪函数clip()，将数组值超出某个区间边界的部分修剪掉

2）处理不存在的值 如c中的np.NAN,表示非法的数据

isnan()判断是否是非法值，~表示取反，mean()是平均值函数

3）运行时行为比较

Python列表运算，numpy普通运算，numpy的dot()函数运算，三个时间比较

可以看出numpy虽然是C扩展，普通运算比列表运算耗时还要多，dot()函数是最快的

numpy速度快，但只有一个数据类型

尝试使用不同类型的元素，numpy会强制转换数据类型

学习scipy：

在numpy高效数据结构之上，scipy提供了基于这些数组的算法级应用。

为方便起见，numpy的全部命名空间都可以通过scipy访问：两者的点积运算是同一个运算

scipy工具包常用方法：