kaggle竞赛入门

我入门是看了范淼和李超的《python机器学习机实践-----从零开始通往Kaggle竞赛之路》

这本书须要掌握python语言，并熟练使用以下python包：pandas numpy matplotlib/seaborn sklearn

pandas是数据处理的一个库，经过http://www.cnblogs.com/chaosimple/p/4153083.html就能够学会个大概

numpy是处理多维数组的一个库，经过http://old.sebug.net/paper/books/scipydoc/numpy_intro.html也能学到个大概

matplotlib能够用来作可视化，经过http://old.sebug.net/paper/books/scipydoc/matplotlib_intro.html也能学到大概

我通常使用seaborn作可视化，这个库是matplotlib的高级封装，经过http://blog.csdn.net/qq_34264472/article/details/53814653能够快速入门

https://www.kaggle.com/benhamner/d/uciml/iris/python-data-visualizations这个是seaborn作可视化很是好的例子

sklearn的总体性入门，我的以为看 范淼和李超的《python机器学习机实践-----从零开始通往Kaggle竞赛之路》就能够了

固然，上面这些都只是入门，要学会融会贯通，查看官网进行系统性学习是必须的；另外就是开始作项目，在看别人的代码，写本身的代码中熟悉各类语法和操做

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------

我学习东西，通常的思路都是先去找学习路径，常常上知乎。。

http://www.cnblogs.com/zhizhan/p/5826089.html这篇文章很是的好

总结下重点，

1，特征工程　

目前的机器学习通常把大多数时间都花费在数据处理上（包括特征工程）；

数据处理前须要先了解数据的大概，因此须要可视化

https://mp.weixin.qq.com/s/Nt9xKQQZLyWBmU_bMEsbtg这个是讲的比较好的一个例子

2，模型融合

模型融合简单来讲就是博采众长，分为bagging boosting stacking等

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------

有了上面的基础就算大概入门了，而后找几个kaggle的例子进行练手，同时看看别人都是怎么玩的

https://www.kaggle.com/kernels这里都是大神，按照各类类别或者本身喜欢的领域边看边写代码

看到下面的神图

参考自http://www.sv-europe.com/crisp-dm-methodology/ 

拜读起来！！！

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------

个人机器学习之旅，学了spark ml，看了几本理论（差很少忘了），看了公开课（吴恩达的），看了无数的文章，学会了大多数的调优

慢慢的有一种感受，这玩意还不成熟，总有一天会有一个大一统的模型出来，能够经过网页配置进行特征工程和机器学习调优，最终造成一个平台。

后来，果真看到了一个相似的http://blog.kaggle.com/2016/07/21/approaching-almost-any-machine-learning-problem-abhishek-thakur/

忽然感受，哪天是否是要失业了。。

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------

深度学习貌似注重算法一些，为了避免失业，感受得不断丰富本身的武器库。加油加油！！