趣味机器学习入门小项目（附教程与数据）

关键字全网搜索最新排名

【机器学习算法】：排名第一

【机器学习】：排名第一

【Python】：排名第三

【算法】：排名第四

没有任何理论可以代替实践，虽然教材和课程能让你掌握一些基本原理，但在尝试应用时，你会发现具体操作起来比较困难。因此项目有助于提高应用机器学习的技巧，此外在找工作中也会给自己增添一些筹码。

这个项目的目标是将现成模型应用到不同的数据集。首先，你会根据直觉为问题找到对应的模型，实践检验该模型是否对数据丢失具有鲁棒性、是否适合处理哪种类别特征；其次，本项目将教会你快速设计初始模型的技能，在实际应用中，我们一般会先找到一个简单模型进行快速实现以确定一个baseline，逐步提升模型性能，而不是一蹴而就的完成；最后，这个练习可以帮助你掌握建模的流程。下面我里除了一个机器学习问题处理的通用性步骤例如：

1. 导入数据
2. 数据清洗
3. 将数据集拆成训练/测试或交叉验证集
4. 预处理
5. 变换
6. 特征工程

因为使用现成的模型，这促使你有更多的机会专注于学习上述的这些关键步骤，通过以下教程可以练习回归、分类和聚类算法。

首先介绍一下该项目中所使用到的数据源：

1. UCI机器学习库——350多个可检索数据集，几乎涵盖每一个主题。 http://archive.ics.uci.edu/ml/
2. Kaggle数据集——Kaggle社区上的100多个数据集。 https://www.kaggle.com/datasets
3. Data.gov——由美国政府发布的开放数据集。 https://www.data.gov/

其次是教程，项目中的模型使用Python的第三方库Scikit-learn进行快速实现，需要了解scikit-learn的安装以及使用方法（参考官方手册），具体如下：

1. Python：sklearn——sklearn数据包官方教程 http://scikit-learn.org/stable/tutorial/
2. 中文教程手册： http://cwiki.apachecn.org/pages/viewpage.action?pageId=10030179
3. Scikit Learn预测葡萄酒质量——用于训练机器学习模型的分步教程 http://elitedatascience.com/python-machine-learning-tutorial-scikit-learn