上手机器学习系列-第2篇-工具&学习资料准备篇

工欲善其事，必先利其器。既然机器学习是一门实践性科学，那么过程中就非常重视动手能力了。本期为大家推荐一些相关的软件工具、学习资源，以期在正式开始编码之前让大家做好相应的准备工作。因为可以选择的平台与工具太多，反而是一种信息干扰，这里笔者结合多年行业工作经验为大家遴选出一些比较好的资料，以节约朋友们的自我探索时间。

1. 编程环境

现如今支持机器学习的软件可谓层出不穷，但要论普及度及易用度，还是首推[Python]的生态。

1.1 Python本身

从下面这张最新的2020年2月份[TIOBE编程语言排行榜]就可以看出，自从2018年以来Python的流行度加速攀升，这里面从深度学习的工业实践更多拥抱Python受益匪浅。其实早在笔者2012年参加工作的时候开始，Python就已经在企业内部非常火了，很多系统端的开发也开始从Java迁往Python。业界广为流传的一句戏称“人生苦短，我用Python”，也充分证明了这门语言的深得人心。其实这门语言上手还是非常快的，建议大家先去初步掌握一下这门语言，后面我们的公众号文章也更多地会结合Python来讲解。目前Python已经发布到了3.8版本，同学们学习的时候可以直接使用最新版本，注意Python的3.0以后版本与2.x 是基本不兼容的，所以初步者就当2.0x不存在好了（官方已经不再维护），也不要再去使用。

如果仅安装Python官方版本，后续会有很多package需要自己去安装。而工业界已经有一款非常综合性的平台可以快速建立起一整套Python的工作环境，即下图所示的[Anaconda]：

因此推荐初学者直接安装该软件，它内置了大量好用的Python库资源，省去了自己安装的时间成本。但缺点是这个软件比较大（超2G），而且里面很多东西未必经常使用，对比较有经验的朋友来说就显得有点笨重。

现在企业界的朋友比较喜欢哪一款呢？答案是[Jupyter Notebook]：

这是一款轻量级的平台，在电脑本地浏览器页面中即可享受编程、可视化等一站式的玩转数据过程。现在还推出了最新的JupyterLab，称为下一代的notebook工作环境，相当值得入手体验。

小结一下，初步者建议使用Anaconda，未来建议体验JupyterLab。

1.2 Python+机器学习

对于机器学习来说，Python生态内的[scikit-learn]简直就是神兵利器！

它内置了大量的机器学习算法包，可以让初步者快速找到很好用的成熟软件包，工作效率真是嘎嘎的。而且，如果大家安装了上面的Anaconda，那么就已经默认安装好了这个scikitlearn的package，开箱即可用。

1.3 提一下分布式

对于入门学习来说，在笔记本上安装一个Python可能确实就够用了，但是未来如果进入互联网公司工作，了解分布式平台肯定是需要的。这里笔者给大家推荐Spark这个平台。

这是一套分布式迭代计算平台，在工业界使用非常普遍，支持Scala、Java、Python、R等多种语言。其中有专门用于机器学习的ML模块，和用于图计算的GraphX模块，唯一还不擅长的就是深度学习了。

2. 周边资源

学机器学习不能光学理论，也要借鉴1W小时理论的说法，勤加练习，这里就需要不断地拿一些数据集来练习，也需要找不同的案例来尝试。以下几个资源建议关注：
(1) 数据集。
[UCI机器学习数据集]
[Kaggle数据集]
[亚马逊开放数据集]
一开始不用求多，找一些经典的数据集来掌握机器学习的过程与优化要点即可。

（2）建模练习。
优先推荐 [Kaggle]，这上面有大量的比赛案例、数据集、他人的代码，是个很好的学习资料来源；
其次推荐在线教育网站[Udacity]，上面有一部分是免费课程，一部分要收费。这个项目的特点是很重视代码实践，练习题设计得难易适中。

交流群

欢迎关注本人公众号：

为方便大家交流与提问，可加入以下微信群或QQ群：