火爆GitHub：100天搞定机器学习编程（超赞信息图+代码+数据集）

问耕 栗子 发自 麦蒿寺 量子位 出品 | 公众号 QbitAI

你是想喝一辈子糖水，还是想用AI改变世界？

但怎么想是一回事，怎么做往往是另一回事。学习和健身一样，不少人都停留在口头上，有各种借口不曾付诸实施。

为此，YouTube网红Siraj Raval发起了一个挑战赛：#100DaysOfMLCode。

这个挑战赛意在号召大家行动起来，从参与活动的那天起，每天至少花费1小时的时间来学习提升或者应用编程，连续坚持100天，从而更好的理解和掌握机器学习这个强大的工具。积跬步、至千里。

而且参加这个活动，还要使用#100DaysOfMLCode这个标签，在社交平台每日“打卡”，公开记录自己的工作。

你想在这100天里学到什么，或者完成一个项目全凭自主决定。大家的选择五花八门，其中有一个小哥的学习计划，很快引发大家的关注。

这个小哥名叫Avik Jain（重名的不少），他的百天计划，是从机器学习的基础概念起步，逐层递进，内容比较适合初学者。

这个100天搞定机器学习编程的项目，现在已经是爆红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。

同是百天计划，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

对这个项目的评价，多以awesome、great、fantastic、outstanding、perfect等评价，大家纷纷表示感谢（并祝楼主好人一生平安）。

项目地址在此：

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

请你一定收藏好。

目前作者的100天计划，已经进行到第25天，已有的内容包括：

数据预处理、线性回归、逻辑回归、K最邻近算法、支持向量机、深度学习专项课程等，最新的内容已经讲到决策树及实现等。

量子位摘录其中的部分内容，做个示例。

第一天

看上去，真是美好的一天。

第一步：导入一些库

Numpy和Pandas这两个，是非常重要的库。

Numpy里面有各种数学函数，Pandas是用来导入数据集、管理数据集的。

1import numpy as np
2import 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。每一行是一个数据记录 (Data Record) 。

在Pandas库里面，用read_csv的方法，来读取本地的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，分别做矩阵和向量。

1dataset = pd.read_csv('Data.csv')
2X = dataset.iloc[ : , :-1].values
3Y = 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。导致缺失数据 (Missing Data) 的原因有很多，需要处理一下，模型的表现才不会减损。

可以把缺失的数据，用整列数据的平均值或者中位数代替。拿sklearn.preprocessing里的Imputer来处理。

1from sklearn.preprocessing import Imputer
2imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
3imputer = imputer.fit(X[ : , 1:3])
4X[ : , 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。

比如，是/否，性别，婚姻状态，这样的变量，是没办法当成数值直接运算的。

所以，才需要把它们编码成能够运算的数值。用sklearn.preprocessing里面的LabelEncoder就可以了。

1from sklearn.preprocessing import LabelEncoder, OneHotEncoder
2labelencoder_X = LabelEncoder()
3X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])

创建个虚拟变量：

1onehotencoder = OneHotEncoder(categorical_features = [0])
2X = onehotencoder.fit_transform(X).toarray()
3labelencoder_Y = LabelEncoder()
4Y =  labelencoder_Y.fit_transform(Y)

第五步：分开训练集和测试集

要把数据集分成两半，一个当训练集，另一个当测试集。

一般来说，可以按80/20这样分，训练集大一些。用sklearn.crossvalidation里面的train_test_split() 来分，就行了。

1from sklearn.cross_validation import train_test_split
2X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)

第六步：特征缩放

大部分机器学习算法，都会拿两个数据点之间的欧几里得距离 (Euclidean Distance) 做计算。

这样一来，如果一个特征比其他特征的范围值更大，这个特征值就会成为主导。

而我们希望其他特征，也得到同等的重视，所以用特征标准化 (Feature Standardization) 来解决这个问题。

sklearn.preprocessing里面的StandardScalar，就派上用场了。

1from sklearn.preprocessing import StandardScaler
2sc_X = StandardScaler()
3X_train = sc_X.fit_transform(X_train)
4X_test = sc_X.fit_transform(X_test)

第二天

今天，要做的是简单线性回归 (Simple Linear Regression) 。

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

第一步：数据预处理

其实，就是把第一天做过的事情，复习一下：

· 导入一些库 · 导入数据集 · 处理缺失数据 · 把数据集分成训练集和测试集 · 特征缩放的话，交给库了

 1import pandas as pd
 2import numpy as np
 3import matplotlib.pyplot as plt
 4
 5dataset = pd.read_csv('studentscores.csv')
 6X = dataset.iloc[ : ,   : 1 ].values
 7Y = dataset.iloc[ : , 1 ].values
 8
 9from sklearn.cross_validation import train_test_split
10X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0) 

第二步：拟合训练集

要把数据集，拟合到简单线性回归模型里面去，可以用sklearn.linear_model里面的LinearRegression来解决。

在LinearRegression里面，建一个叫做regressor的对象。

然后，把regressor拟合到数据集里去，用fit() 就行了。

1from sklearn.linear_model import LinearRegression
2regressor = LinearRegression()
3regressor = regressor.fit(X_train, Y_train)

第三步：预测结果

现在，用测试集来预测一下。

把输出存到一个向量Y_pred里面。然后，用LinearRegression里面的预测方法，来支配上一步训练过的regressor。

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

第四步：可视化

最后一步，就是给预测结果做个可视化。

用matplotlib.pyplot做散点图，给训练集和测试集都做一下，看看预测结果是不是接近真实。

训练集可视化：

1plt.scatter(X_train , Y_train, plt.scatter(X_train , Y_train, colorcolor  ==  ''redred'')
2plt.plot(X_train , regressor.predict(X_train), ) plt.plot(X_train , regressor.p color ='blue')

测试集可视化：

1plt.scatter(X_test , Y_test, color = 'red')
2plt.plot(X_test , regressor.predict(X_test), color ='blue')

两件需要提醒的事

总之，大概就是上面这个样子。部分已经放出的信息图集合如下，大家可以预览一下。

如果你也想入门或者提升自己的机器学习能力，不妨试试跟着这个小哥一起学习进步。虽然这个项目全是英文，但并不晦涩高深，说不定还能顺便提高一下英文水平，以后读paper也用得到~

还有两件事，需要提醒一下。

1、这个项目已经开始汉化了

@zhyongquan 在GitHub上已经开始尝试中文版，效果如下图所示。

不过目前只进行了第一天内容的汉化。如果你感兴趣，可以持续关注，或者加入汉化的行动中。地址在此：

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

2、项目内容不能盲信

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

作者也承诺将更新改正这个问题。

就酱。

最后，再发一次这个项目的地址：

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

请你一定收藏好，如果能开始学习那就更好啦。

如果这种偏入门的内容不适合你，还有更多进阶或者具体项目实现的100天计划可供参考，希望能帮助你精进。

比方#100DaysOfMLCode挑战赛发起人Siraj Raval，就选择了在100天里，使用机器学习技术，根据气温、降水、植被变化等因素，预测每周的登革热疫情，改善防疫的研究计划和资源分配。

你也可以选择其他项目，或者在Twitter、GitHub等看看别人的100天挑战，有没有你合适跟随的，或者全新启动你的挑战。

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

相关地址在此：

https://github.com/llSourcell

总之，原则就是每天进步一点点。

加油。

— 完 —