Python机器学习
本博文或许能帮你成功上手，从0到1掌握 Python 机器学习，至于后面再从1到100变成机器学习专家，就要看你自己的努力了。
第一步：基本 Python 技能
软件安装 ：Anaconda，这是一个可用于 Linux、OS X 和 Windows 上的工业级的 Python 实现，完整包含了机器学习所需的软件包，包括 Numpy、Pandas、scikit-learn 和 matplotlib，如果需要其它包，比如xgboost,可以方便的进行下载，更新和配置。其中也包含了 Jupyter Notebook，这是一个用在我们许多教程中的交互式环境。我推荐安装 Python 2.7,因为现有的机器学习相关的很多资源都是2.7版本实现的。
资源1：菜鸟教程——Python 2.X。
资源2：应用于数据科学中的Python语言：https://elitedatascience.com/learn-python-for-data-science
第二步：机器学习基础理论知识
对实践来说，你并不需要获得机器学习博士般的理论理解——就像要成为一个高效的程序员并不必要进行计算机科学理论的学习。
资源1：吴恩达在 Coursera 上的《机器学习》课程视频, 跳过Octavez章节（一个类似于 Matlab 的与你 Python 学习无关的语言）。视频课程可以在网易看，也可以去Coursera 上看。推荐结合黄海广博士的笔记一起学习。
Coursera 上的《机器学习》：https://www.coursera.org/learn/machine-learning
资源2：用于数据科学的统计学知识：https://elitedatascience.com/learn-statistics-for-data-science
了解统计学知识，特别是贝叶斯概率，对于许多机器学习算法来说都是基本的要求。
第三步：科学计算 Python 软件包概述
在 Python 之外，还有一些常用于执行实际机器学习的开源软件库。这些只是 Python 机器学习中常用的一些核心库的一部分，但是理解它们应该能让你在后面遇到其它软件包时不至于感到困惑。
numpy——主要对其 N 维数组对象有用 。
pandas——Python数据分析库，包括数据框架等结构 。
matplotlib——一个 2D 绘图库，可产生出版物质量的图表。
seaborn——有高层面的绘图函数，可以绘制许多最常见和有用的图表。
scikit-learn——用于数据分析和数据挖掘的机器学习算法 。
资源1：书籍《利用Python进行数据分析》，作者Wes McKinney是pandas的发起人。主要讲解了numpy, pandas,matplotlib.
资源2：scikit-learn 0.18 中文文档：http://cwiki.apachecn.org/pages/viewpage.action?pageId=10030181
scikit-learn 0.19 英文文档：http://scikit-learn.org/stable/user_guide.html
第四步：使用 Python 学习机器学习
使用Python机器学习库scikit-learn，自己动手实现机器学习算法.
使用Python及其机器学习库，我们不仅已经了解了一些最常见和知名的机器学习算法（k 近邻、k 均值聚类、支持向量机等），还研究了强大的集成技术（随机森林）和一些额外的机器学习任务（降维算法和模型验证技术）。
资源1：书籍《机器学习实战》
第五步：Kaggle比赛，黄金王的宝库！
Kaggle比赛官网：https://www.kaggle.com
推荐理由：
1. 每个竞赛都是独立的。无需设置项目范围然后收集数据，这让你有时间专注其它技能。
2. 练习就是实践。学习数据科学的最好方法是在做中学。只要没有每场竞赛都获胜的压力，你就可以练习各种有趣的问题。
3. 在Kernels中学习，在Discussion中交流！讨论和获胜者采访很有启发性。每个竞赛都有自己的讨论板块与获胜者简报。你可以窥见更有经验的数据科学家的思考过程。Kernels有代码！Kernels有代码！Kernels有代码！查阅得票最多的 kernel！
比赛是为了更好地学习，而不是赚钱！
尽管奖金很诱人，但更有价值（也更可靠）的回报是为你的未来事业所获得的技能。
因此，建议你明智地选择参与项目。参加竞赛能帮你深入到你希望长期参与的技术领域中。长远来看，参与能给你带来相关经验的竞赛比参加有最高奖金的竞赛更好。
多动手，立马行动吧！开始入门级比赛：泰坦尼克号.Jack and rose.
资源1：第一个逻辑回归模型和结果提交：https://zhuanlan.zhihu.com/p/27550334