はじめに「スタート」の選択肢があまりにも頻繁に、人はしっかりと選択をすることを決めたことがしばしば困難である場合は特に、多くの場合、最も困難です。このチュートリアルの目的は、ほとんどのPython支援することです
初心者の機械学習の背景には知識豊富な実務家に成長し、このプロセスは、自由にできる材料やリソースを使用する必要があります。
最初のステップ：基本的なPythonのスキル
我々は機械学習のPythonを実行するために使用する場合には、Pythonは、いくつかの基本的な理解が不可欠である持っています。
まず、あなたは、Pythonをインストールする必要があります。私たちは、科学技術計算や機械学習ソフトウェアパッケージに使用されますので、私はお勧めの背後にあるので、あなたはアナコンダをインストールします。また、当社のインタラクティブなチュートリアル環境の多くで使用されているiPythonノートブックを、含まれています。私は、Python 2.7のインストールをお勧めします。
あなたがプログラミングを知らない場合、私はあなたが以下の無料のオンラインブックから、その後の材料に学習を開始勧め：
Pythonのハード・ウェイ、著者ゼッドAのクリックを学ぼう：Pythonのにハード・ウェイGoogleの開発者の学習
のPythonプログラムを（推奨）をクリックします：http://suo.im/toMzq Pythonの科学的なコンピューティング入門
クリック：http://suo.im/ 2cXycM社会X（X =パイソン）Y分でクリックしてください：Yの中のPythonを学ぶ
分Pythonドキュメントクリック：まで購入可能ですPython.org
ステップ2：マシンは基本的なスキルを習得
機械学習アルゴリズムの深い理解が議論この記事の範囲を超えて、それは通常行くために、よりアカデミックコースに専念する時間が非常に大量に移動します、または少なくともあなたは、自己学習、高強度のトレーニングでなければなりません。
効果的なプログラマとコンピュータ科学の理論の不必要な学習になりたいために-良いニュースは練習のために、あなたは博士の理解などの機械学習理論を取得する必要がないということです。
アンドリュー・ウの機械学習講座クリック：機械学習-スタンフォード大学|コーセラ
非公式ノートアンドリュー・ウコースはクリックしてください： -機械学習の完全なコースは、トム・ノートミッチェル
：機械学習機械学習コースをクリックしてのを
現在、あなたはすべてのノートやビデオを持っていません。この方法は、あなたが合うとき、以下の具体的な演習、適切上記の発言を参照すると、映像部分に直接移動効果的です。
第三段階：科学計算のPythonパッケージの概要
さて、私たちはPythonプログラミングと機械学習は、一定の理解を持ってマスターしています。Pythonのに加えて、一般的に機械学習のオープンソース・ソフトウェア・ライブラリの実際の実装で使用されるいくつかあります。大まかに言えば、（この点についての判断は確かにやや主観的である）の多くは、いわゆる科学的なPythonライブラリ（科学的なPythonライブラリ）は、基本的な機械学習のタスクを実行するために使用することができますがあります。
numpyのパンダ- -オブジェクトの主たるN次元アレイnumpyの有用numpy-- Pythonの
データ解析ライブラリ、データフレーム（データフレーム）を含むが、このような解析ライブラリPythonのようなデータ構造は
、2Dグラフィックスライブラリをmatplotlib--、生成することができる品質の出版物は、Pythonをグラフプロット- matplotlibの2.0.0
機械学習アルゴリズムがscikit学習データ分析やデータマイニングの数値のための文書scikit-learn--：マシン
のPython scipyのダウンロード、ガエル・からVaroquaux、エマニュエルにおける学習講義ノート
この中にscipyのダウンロード講義ノート：GouillartとオラフVahtrasパンダのチュートリアルも非常に良いです：10
パンダ分：パンダ10分
このチュートリアルの後半では、あなたは、このようなmatplotlibのベースのデータ可視化ライブラリSeabornなどの他のパッケージの一部が表示されます。前述したパッケージは、いくつかの共通のコアライブラリに学習のPython機械の一部でしかありません、彼らが許すべきであることが理解されていて、後で他のパッケージが発生したとき混同しないでしょう。
ここではそれを攻撃するために始めます！
ステップ4：Pythonの学習機械学習を用いて
最初のチェックの準備
Pythonの：レディ
機械学習教材：レディ
numpyの：レディ
パンダ：レディ
matplotlibの：レディ
今、機械学習アルゴリズムを達成するためPythonの標準ライブラリ-学ぶscikit機械学習を使用する時間です。
フローチャートをscikit-学ぶ
多くのチュートリアルとトレーニング、以下iPythonノートブックは、Python文を実行、完了しiPython（Jupyter）ノートブックを使用しているインタラクティブな環境です。iPythonノートブックを簡単に見つけることができるか、それは、インターネット上のローカルコンピュータにダウンロードしてください。
スタンフォード大学の概要からIPythonノート：IPythonチュートリアル
ここでは、プロファイルを学ぶscikitされるべき物品である、scikit-学ぶPythonはK最近傍アルゴリズムをカバーし、最も一般的に使用される機械学習ライブラリ、次のとおりです。
ジェイクVanderPlas書き込みscikit-学ぶプロフィール：Jupyterノートブックビューアランダル
機械学習ケースオルソンは、クリックをノート：Jupyterノートブックビューアケビン・マーカム評価モデルは
クリック：justmarkham / scikit-学ぶ-動画
Pythonの上の機械学習の基本的なアルゴリズム：第五工程
基本はscikit学習した後、我々はさらに、これらの多くの汎用性と実用的なアルゴリズムを探索することができます。我々は非常によく知られているK平均クラスタリングから始めた非常にシンプルかつ効率的な方法であるアルゴリズム、（k平均クラスタリング）、教師なし学習の問題を解決することができます。
ジェイクVanderPlas書き込みscikit学習プロフィールクリック：Jupyterノートブックビューアーは
、以下がされるより深い、よく知られているデータベースプロジェクトから完全なスタートを含むプロファイルの拡張：ランダル・オルソンの機械学習ケースノートクリック：Jupyterの
ノートブックビューア次記事はscikit学習、トレーニングセット/テスト・セットを含む分割方法の異なるモデルの政策評価に焦点を当てる：ケビン・
マーカム評価モデルはクリック：justmarkham / scikit-学ぶ-動画
ステップ6：Pythonの上の高度な機械学習アルゴリズムを実装
我々は今、より高度なアルゴリズムで見ることができ、すでにscikit学習に精通しています。最初は、非線形高次元の分類空間に変換されるマッピングされたデータに依存しているサポートベクトルマシン、です。
SVM：jakevdp / sklearn_pycon2015
その後、我々は統合されたランダムフォレスト分類器としてタイタニックKaggleコンテストをチェックすることで学ぶことができます
（ランダムフォレストを使用して）Kaggleタイタニックコンテスト：Jupyterノートブックビューア
次元削減アルゴリズムは、多くの場合、問題の使用を削減するために使用されています変数。主成分分析は、教師なし次元削減アルゴリズムの特殊な形式です：
次元圧縮アルゴリズム：jakevdp / sklearn_pycon2015
我々は、さらに新しいツールを習得する必要があります。
ステップ7：Pythonの深い学習
ニューラルネットワークは、いくつかの層で構成され
、深い学習あなたは、ニューラルネットワークに精通していない場合は、どこにでもある、KDnuggets多くの記事が最近の深い学習に技術革新、業績と賞賛の多くを詳細にあります。
最後のステップは、再び深い学習のすべての種類を確認しますが、2つの現代美術の深い学習Pythonライブラリにいくつかの簡単なネットワークを探索するものではありません。深い学習を掘りに興味が読者のために、私は以下のこれらの無料のオンラインブックで始まるお勧め：
ニューラルネットワークと深い学習、ニールセン著者マイケル：ニューラルネットワークと深い学習
1.Theanoの
リンクは：購入可能です- Theano 0.8.2ドキュメント
Theanoがされ我々は最初の深い学習Pythonライブラリについて話しました。Theanoは、著者が言う方法を見て：
Theanoは、あなたが効果的に多次元配列が含まれている数式を定義最適化し、評価することができますPythonのライブラリです。
少し長いが、良いを学ぶTheano深さを使用して上の次の学習入門チュートリアルは十分に鮮やかな、高い評価を記述するために：
Theano深度チュートリアル、コリンのラッフェル：Jupyterノートブックビューア
2.Caffeの
リンク：カフェ|ディープラーニングフレームワークを
別頂きますテスト駆動ライブラリーカフェです。ここでも、作者から始めてみましょう：
カフェはカフェFEを開発するために、深い学習フレームワーク、表現することにより、スピードとモジュールの建設、Bwekeley視覚的な学習センターやコミュニティの労働者です。
このチュートリアルでは、この記事で最高の一つです。我々は興味深い例をいくつ上記学んできたが、いずれもGoogleのDeepDreamカフェを通じて達成することができ、以下の例と競合することはできません。これは非常にエキサイティングです！チュートリアルを武器に、あなたはそれが面白いですと、自由に実行するようにプロセッサを作ってみることができます。
カフェによってGoogleのDeepDreamを達成：グーグル/ deepdream
私は（これは迅速または簡単だろうが、あなたは時間に入れ、上記の7つのステップを完了した場合、あなたは機械学習アルゴリズムの多くを理解し、人気のあるライブラリによってれることを保証するものではありません現在のフィールドの深さ研究最先端の研究図書館内のいくつかを含む）をPythonで実装演算側面で非常に良好となります。
より多くを学ぶための人工知能、あなたがクリックすることができます：AI
+微分、X：hcgx0904（注：AI）人工知能のリソースを学習する、自由なアクセスを！