100天搞定机器学习编程，这是一份火爆GitHub的入门课

问耕 栗子 发自 麦蒿寺

量子位 出品 | 群众号 QbitAI

你是想喝一辈子糖水，照旧想用AI改动天下？

但怎样想是一回事，怎样做屡屡是另一回事。学习和健身一样，不少人都停留在外表上，有种种托词不曾付诸实行。

为此，YouTube网红Siraj Raval倡导了一个挑唆赛：#100DaysOfMLCode。

这个挑唆赛意在召唤各位举动起来，从到场活动的那天起，天天最少破费1小时的时间来学习提升大概使用编程，一连坚持100天，从而更好的了解和把握机器学习这个强壮的东西。积跬步、至千里。

并且到场这个活动，还要使用#100DaysOfMLCode这个标签，在交际平台逐日“打卡”，公开纪录本人的事情。

你想在这100天里学到什么，大概完成一个项目全凭自主决定。各位的选择五花八门，此中有一个小哥的学习方案，很快引发各位的眷注。

这个小哥名叫Avik Jain（重名的不少），他的百天方案，是从机器学习的基本看法起步，逐层递进，内容比力合适初学者。

这个100天搞定机器学习编程的项目，如今以前是爆红GitHub，很快累积了3000多标星，在Twitter上，也有一大票人热捧这个项目。

同是百天方案，这个有什么特别之处？三点：

1、超赞的学习图片

2、配套的代码

3、相应的数据集

对这个项目标评价，多以awesome、great、fantastic、outstanding、perfect等评价，各位纷繁表现感激（并祝楼主善人终身安全）。

项目地点在此：

https://github.com/Avik-Jain/100-Days-Of-ML-Code

请你一定保藏好。

现在作者的100天方案，以前举行到第25天，已有的内容包含：

数据预处理、线性回归、逻辑回归、K最临近算法、支持向量机、深度学习专项课程等，最新的内容以前讲到决定树及完成等。

量子位摘录此中的部老实容，做个示例。

第一天

看上去，真是优美的一天。

第一步：导入一些库

Numpy和Pandas这两个，好坏常紧张的库。

Numpy内里有种种数学函数，Pandas是用来导入数据集、办理数据集的。

1 import numpy as np

2 import pandas as pd

第二步：导入数据集

数据集通常是.csv格式。CSV文件，是把表格数据，存储成纯文本。每一行是一个数据纪录 (Data Record) 。

在Pandas库内里，用read_csv的办法，来读取当地的CSV文件，每个文件是一个数据帧 (Data Frame) 。

给每个数据帧里的自变量和因变量，分散做矩阵和向量。

1 dataset = pd.read_csv('Data.csv')

2 X = dataset.iloc[ : , :-1].values

3 Y = dataset.iloc[ : , 3].values

第三步：处理缺失数据

我们获取的数据，通常是异构数据。招致缺失数据 (Missing Data) 的缘故有很多，必要处理一下，模子的体现才不会减损。

可以把缺失的数据，用整列数据的均匀值大概中位数代替。拿sklearn.preprocessing里的Imputer来处理。

1 from sklearn.preprocessing import Imputer

2 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)

3 imputer = imputer.fit(X[ : , 1:3])

4 X[ : , 1:3] = imputer.transform(X[ : , 1:3])

第四步：编码分类数据

分类数据 (Categorical Data) 里的变量，不包含数值，只包含分类标签。

好比，是/否，性别，婚姻形态，如此的变量，是没办法当成数值直接运算的。

以是，才必要把它们编码成可以运算的数值。用sklearn.preprocessing内里的LabelEncoder就可以了。

1 from sklearn.preprocessing import LabelEncoder, OneHotEncoder

2 labelencoder_X = LabelEncoder()

3 X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])

创建个假造变量：

1 onehotencoder = OneHotEncoder(categorical_features = [0])

2 X = onehotencoder.fit_transform(X).toarray()

3 labelencoder_Y = LabelEncoder()

4 Y = labelencoder_Y.fit_transform(Y)

第五步：分开练习集和测试集

要把数据集分红两半，一个当练习集，另一个当测试集。

寻常来说，可以按80/20如此分，练习集大一些。用sklearn.crossvalidation内里的train_test_split() 来分，就行了。

1 from sklearn.cross_validation import train_test_split

2 X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)

第六步：特性缩放

大局部机器学习算法，都市拿两个数据点之间的欧几里得距离 (Euclidean Distance) 做盘算。

如此一来，假如一个特性比其他特性的范围值更大，这个特性值就会成为主导。

而我们渴望其他特性，也取得划一的器重，以是用特性标准化 (Feature Standardization) 来处理这个成绩。

sklearn.preprocessing内里的StandardScalar，就派上用场了。

1 from sklearn.preprocessing import StandardScaler

2 sc_X = StandardScaler()

3 X_train = sc_X.fit_transform(X_train)

4 X_test = sc_X.fit_transform(X_test)

第二天

今天，要做的是简便线性回归 (Simple Linear Regression) 。

就是拿已知的那些 (x,y) 数据点，做出一条线性的趋向，来猜测其他x值，对应的y。

第一步：数据预处理

但是，就是把第一天做过的事变，复习一下：

· 导入一些库

· 导入数据集

· 处理缺失数据

· 把数据集分红练习集和测试集

· 特性缩放的话，交给库了

1 import pandas as pd

2 import numpy as np

3 import matplotlib.pyplot as plt

4

5 dataset = pd.read_csv('studentscores.csv')

6 X = dataset.iloc[ : , : 1 ].values

7 Y = dataset.iloc[ : , 1 ].values

8

9 from sklearn.cross_validation import train_test_split

10 X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)

第二步：拟合练习集

要把数据集，拟合到简便线性回归模子内里去，可以用sklearn.linear_model内里的LinearRegression来处理。

在LinearRegression内里，建一个叫做regressor的目标。

然后，把regressor拟合到数据集里去，用fit() 就行了。

1 from sklearn.linear_model import LinearRegression

2 regressor = LinearRegression()

3 regressor = regressor.fit(X_train, Y_train)

第三步：猜测后果

如今，用测试集来猜测一下。

把输入存到一个向量Y_pred内里。然后，用LinearRegression内里的猜测办法，来支配上一步练习过的regressor。

1 Y_pred Y_pred == regressor.predict(X_test) regressor.predict(X_test)

第四步：可视化

最初一步，就是给猜测后果做个可视化。

用matplotlib.pyplot做散点图，给练习集和测试集都做一下，看看猜测后果是不是接近真实。

练习集可视化：

1 plt.scatter(X_train , Y_train, plt.scatter(X_train , Y_train, colorcolor == ''redred'')

2 plt.plot(X_train , regressor.predict(X_train), ) plt.plot(X_train , regressor.p color ='blue')

测试集可视化：

1 plt.scatter(X_test , Y_test, color = 'red')

2 plt.plot(X_test , regressor.predict(X_test), color ='blue')

两件必要提示的事

总之，约莫就是外表这个样子。局部以前放出的信息图聚集如下，各位可以预览一下。

假如你也想入门大概提升本人的机器学习才能，无碍试试随着这个小哥一同砚习提高。固然这个项目满是英文，但并不难懂深邃，说不定还能特地提高一下英文水平，今后读paper也用取得~

另有两件事，必要提示一下。

1、这个项目以前开头汉化了

@zhyongquan 在GitHub上以前开头实验中文版，后果如下图所示。

不外现在只举行了第一天内容的汉化。假如你感兴致，可以持续眷注，大概到场汉化的举动中。地点在此：

https://github.com/Avik-Jain/100-Days-Of-ML-Code/issues/8

2、项目内容不克不及盲信

尽信书不如无书。这个学习项目，也不是百分百完全准确，好比第四天讲逻辑回归时的右下角配图，就被指出存在错误。

作者也允许将更新改正这个成绩。

就酱。

最初，再发一次这个项目标地点：

https://github.com/Avik-Jain/100-Days-Of-ML-Code

请你一定保藏好，假如能开头学习那就更好啦。

假如这种偏入门的内容不合适你，另有更多进阶大概具体项目完成的100天方案可供参考，渴望能协助你精进。

比如#100DaysOfMLCode挑唆赛倡导人Siraj Raval，就选择了在100天里，使用机器学习武艺，依据气温、降水、植被厘革等要素，猜测每周的登革热疫情，改良防疫的研讨方案和资源分派。

你也可以选择其他项目，大概在Twitter、GitHub等看看他人的100天挑唆，有没有你切合跟随的，大概全新启动你的挑唆。

对了Siraj Raval还在GitHub和YouTube上公布过很多其他机器学习课程，比如三个月学习机器学习，六周入门深度学习等。

干系地点在此：

https://github.com/llSourcell

总之，准则就是天天提高一点点。

加油。

— 完 —

诚挚招聘

量子位正在招募编纂/记者，事情地点在北京中关村。渴望有才华、有热情的同砚到场我们！干系细节，请在量子位群众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

?'?' ? 追踪AI武艺和产物新动态