前機器學(xué)習(xí)紅遍全球。男女老少都在學(xué)機器學(xué)習(xí)模型，分類器，神經(jīng)網(wǎng)絡(luò)。你也想成為一份子，但你該如何開始？
在這篇文章中我們會講Python的重要特征和它適用于機器學(xué)習(xí)的原因，介紹一些重要的機器學(xué)習(xí)包，以及其他你可以獲取更詳細資源的地方。
Python很適合用于機器學(xué)習(xí)。首先，它很簡單。如果你完全不熟悉Python但是有一些其他的編程經(jīng)驗（C或者其他編程語言），要上手是很快的。其次，Python的社區(qū)很強大。這使得Python的文檔不僅條理性好，而且容易讀。你還可以在StackOverFlow上找到關(guān)于很多問題詳細解答（學(xué)習(xí)基石）。再次，一個強大的社區(qū)帶來的副產(chǎn)品就是大量有用程序庫（Python內(nèi)部自帶的和第三方軟件），基本上可以解決你所有的問題（包括機器學(xué)習(xí)）。
但我聽說Python很慢
Python是很慢。它不是執(zhí)行快的語言，擁有那么多好用的抽象是要付出代價的。
但這是個可以解決的問題：程序庫可以把計算量繁重的部分外包給其他更高效（但更難使用）的語言，例如C和C++。比如NumPy這個提供數(shù)值運算的程序庫，就是用C寫的，運行速度超快。在實際運用中，幾乎所有程序庫都會使用NumPy去完成計算繁重的部分。如果你看到Numpy，你應(yīng)該想到它很快。
所以你是可以讓程序的運行速度跟它的低層語言實現(xiàn)的運行速度相比擬的。你沒有必要擔(dān)心程序的運行速度。
值得知道的Python程序庫
Scikit-learn
你剛開始學(xué)機器學(xué)習(xí)嗎？如果你需要一個涵蓋了特征工程，模型訓(xùn)練和模型測試所有功能的程序庫，scikit-learn是你的選擇！這個的免費軟件提供了機器學(xué)習(xí)和數(shù)據(jù)挖掘所需要的所有工具。它是目前Python機器學(xué)習(xí)的標準庫。要使用任何成熟的機器學(xué)習(xí)算法都推薦使用這個庫。
這個程序庫支持分類和回歸，實現(xiàn)了基本所有的經(jīng)典算法（支持向量機，隨機森林，樸素貝葉斯等等）。程序庫的設(shè)計讓遷移算法十分容易，使用不同的算法做實驗非常輕松。這些經(jīng)典算法可用性很強，能用于大量不同的情況。
但這并不是Scikit-learn的全部功能，它同樣可以用來做降維，聚類等等任何你所能想到的。由于它構(gòu)建在Numpy和Scipy之上（所有的數(shù)值計算都是由C語言來完成的），它的運行速度也超快。
這些例子可以告訴你這個庫的功能，如果你想學(xué)習(xí)如何使用它，可以閱讀教程。
NLTK
NLTK不算是一個機器學(xué)習(xí)的程序庫，但它是做自然語言處理（NLP）必須的一個庫。除了用于文字處理的功能，例如聚類，分詞，詞干提取，標記，解析等，它還包含了大量的數(shù)據(jù)集和其他關(guān)于詞法的資源（可用于模型訓(xùn)練）。
把所有這些打包在一起的好處就不用再多說了。如果你對NLP感興趣，可以看看這些教程!
Theano
Theano被廣泛應(yīng)用于工業(yè)界和學(xué)術(shù)界，它是所有深度學(xué)習(xí)架構(gòu)的鼻祖。Theano是用Python，結(jié)合Numpy實現(xiàn)的。你可以用它來構(gòu)建用多維數(shù)組實現(xiàn)神經(jīng)網(wǎng)絡(luò)。Theano會處理所有數(shù)學(xué)計算，你不需要知道底層的數(shù)學(xué)公式實現(xiàn)。
早在支持使用GPU進行計算不像今天這樣普及的時候，Theano就已經(jīng)提供了對GPU計算的支持。這個程序庫目前已經(jīng)非常成熟，能夠支持很多不同類型的操作。這使得Theano可以在和其他庫比較的時候勝出。
目前關(guān)于Theano的問題是API不是很好用，對于新手來說上手困難。不過市面上已經(jīng)有了解決這個問題的封裝包，比如Keras, Blocks 和 Lasagne，都可以簡化Theano的使用。
TensorFlow
谷歌大腦團隊為了內(nèi)部使用創(chuàng)造了TensorFlow，2015年將其開源化。設(shè)計初衷是取代他們已有的封閉機器學(xué)習(xí)框架DistBelief，據(jù)說該構(gòu)架太過于依賴Google的整體構(gòu)架，也不夠靈活，在分享代碼的時候非常不方便。
于是就有了TensorFlow。谷歌從以前的錯誤中吸取了教訓(xùn)。許多人認為TensorFlow是Theano的改進版，它提供了更靈活和好用的API。可以用于科研和工業(yè)界，同時支持使用大量的GPU進行模型訓(xùn)練。TensorFlow支持的操作沒有Theano多，但是它的計算可視化比Theano好。
TensorFlow目前非常流行。如果今天這篇文章里面提到的名字你只聽說了一個，那很有可能是這個。每天都有新的提到TensorFlow的博文或?qū)W術(shù)文章發(fā)表。這個流行度提供了大量的用戶和教程，新人很容易上手。
Keras
Keras是一個提供更高層神經(jīng)網(wǎng)絡(luò)API的庫，它可以基于Theano或者TensorFlow。它擁有這兩個庫強大的功能卻又同時大大地簡化了使用難度。它將用戶的體驗放在首要地位，提供簡單的API和很有用的錯誤信息。
同時Keras的設(shè)計基于模塊，這就使得你能自由組合不同的模型（神經(jīng)層，成本函數(shù)等等），而且模型的可擴展性很好，因為你只需要簡單的將新模塊跟已有的連起來即可。
有人覺得Keras太好用了，簡直就是在作弊。如果你開始用深度學(xué)習(xí)，可以看看例子 和 文檔，對于你可以用它做什么有個數(shù)。如果你要學(xué)習(xí)使用它，可以從 這個教程開始。
兩個類似的庫有Lasagne 和 Blocks, 但它們只支持Theano。如果你試過了Keras但是你不喜歡它你可以試試這些其他的庫，也許它們更適合你。
PyTorch
還有一個有名的深度學(xué)習(xí)架構(gòu)是Torch，它是用Lua實現(xiàn)的。Facebook用Python實現(xiàn)了Torch，叫做PyTorch，并將它開源了。用這個庫你可以使用Torch使用的低層的庫，但是你可以使用Python而不是Lua。
PyTorch對查錯的支持很好，這是因為Theano和TensorFlow使用符號計算而PyTorch則不是。使用符號計算就表明在一行代碼被解釋的時候，一個操作（x+y）并不會被執(zhí)行，在那之前，它必須先被編譯（解釋成CUDA或者C語言）。這就讓用Theano和TensorFlow的時候很難查錯，因為很難把報錯跟當前的代碼聯(lián)系起來。這樣做有它的好處，不過查錯簡單不在其中。
如果你想開始學(xué)PyTorch，官方文檔適合初學(xué)者也會包含有難度的內(nèi)容。
機器學(xué)習(xí)的步？
你講了這么多機器學(xué)習(xí)的包，我應(yīng)該用哪一個？我怎樣比較它們？我從哪里開始？
你可以試用我們面向初學(xué)者的平臺Ape Advice?，就不用煩細節(jié)的問題了。如果你完全沒有接觸過機器學(xué)習(xí)，從scikit-learn開始。你可以了解標記，訓(xùn)練和測試是怎樣工作的，以及一個模型是如何被建立的。
如果你想試試深度學(xué)習(xí)，從 Keras開始，畢竟這是大家公認的簡單的框架。你可以先試試，找找感覺。當你有點經(jīng)驗之后，你可以開始考慮你需要的是什么：速度，不同的API，或者別的什么，之后你就能更好地決定了。
目前有海量的文章比較Theano，Torch和TensorFlow。沒有人能說哪個。你要記住的是所有包都支持很多東西，而且也在不斷改進，想相互比較它們也越來越難。六個月前的標準有可能已經(jīng)過時了，一年前的評價說框架X沒有Y功能也不一定還有效。
，如果你想用NLP，可以試試MonkeyLearn!我們的這個平臺所提供的用戶界面讓建造模型，訓(xùn)練模型和改進NLP模型都非常容易試下。你可以用事先訓(xùn)練好的模型處理常見問題（意見挖掘，話題探測或者提取關(guān)鍵字），也可以為你特有的問題設(shè)計一個新的算法。你不需要擔(dān)心底層實現(xiàn)或者發(fā)布你的模型，我們可擴展的云系統(tǒng)會幫你完成這些。你可以免費注冊，馬上開始試用我們超棒的API。
小結(jié)
這篇關(guān)于用Python庫做機器學(xué)習(xí)的簡介就到此為止。我想強調(diào)的是不要被細節(jié)嚇住了，放手嘗試。讓你的好奇心指導(dǎo)你前進，不要害怕進行不同的實驗。
好了就不說廢話了，現(xiàn)在給大家分享我的Python學(xué)習(xí)資料嘍！獲取資料方式可以到粵嵌官網(wǎng)咨詢哦！