火爆GitHub：100天搞定機器學習編程

問耕 栗子 發自 麥蒿寺

量子位 出品 | 公眾號 QbitAI

你是想喝一輩子糖水，還是想用AI改變世界？

但怎麼想是一回事，怎麼做往往是另一回事。學習和健身一樣，不少人都停留在口頭上，有各種借口不曾付諸實施。

為此，YouTube網紅Siraj Raval發起了一個挑戰賽：#100DaysOfMLCode。

這個挑戰賽意在號召大家行動起來，從參與活動的那天起，每天至少花費1小時的時間來學習提升或者應用編程，連續堅持100天，從而更好的理解和掌握機器學習這個強大的工具。積跬步、至千里。

而且參加這個活動，還要使用#100DaysOfMLCode這個標籤，在社交平台每日「打卡」，公開記錄自己的工作。

你想在這100天里學到什麼，或者完成一個項目全憑自主決定。大家的選擇五花八門，其中有一個小哥的學習計劃，很快引發大家的關注。

這個小哥名叫Avik Jain（重名的不少），他的百天計劃，是從機器學習的基礎概念起步，逐層遞進，內容比較適合初學者。

這個100天搞定機器學習編程的項目，現在已經是爆紅GitHub，很快累積了3000多標星，在Twitter上，也有一大票人熱捧這個項目。

同是百天計劃，這個有什麼特別之處？三點：

1、超贊的學習圖片

2、配套的代碼

3、相應的數據集

對這個項目的評價，多以awesome、great、fantastic、outstanding、perfect等評價，大家紛紛表示感謝（並祝樓主好人一生平安）。

項目地址在此：

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

請你一定收藏好。

目前作者的100天計劃，已經進行到第25天，已有的內容包括：

數據預處理、線性回歸、邏輯回歸、K最鄰近演算法、支持向量機、深度學習專項課程等，最新的內容已經講到決策樹及實現等。

量子位摘錄其中的部分內容，做個示例。

第一天

看上去，真是美好的一天。

第一步：導入一些庫

Numpy和Pandas這兩個，是非常重要的庫。

Numpy裡面有各種數學函數，Pandas是用來導入數據集、管理數據集的。

第二步：導入數據集

數據集通常是.csv格式。CSV文件，是把表格數據，存儲成純文本。每一行是一個數據記錄 (Data Record) 。

在Pandas庫裡面，用read_csv的方法，來讀取本地的CSV文件，每個文件是一個數據幀 (Data Frame) 。

給每個數據幀里的自變數和因變數，分別做矩陣和向量。

第三步：處理缺失數據

我們獲取的數據，通常是異構數據。導致缺失數據 (Missing Data) 的原因有很多，需要處理一下，模型的表現才不會減損。

可以把缺失的數據，用整列數據的平均值或者中位數代替。拿sklearn.preprocessing里的Imputer來處理。

第四步：編碼分類數據

分類數據 (Categorical Data) 里的變數，不包含數值，只包含分類標籤。

比如，是/否，性別，婚姻狀態，這樣的變數，是沒辦法當成數值直接運算的。

所以，才需要把它們編碼成能夠運算的數值。用sklearn.preprocessing裡面的LabelEncoder就可以了。

創建個虛擬變數：

第五步：分開訓練集和測試集

要把數據集分成兩半，一個當訓練集，另一個當測試集。

一般來說，可以按80/20這樣分，訓練集大一些。用sklearn.crossvalidation裡面的train_test_split()來分，就行了。

第六步：特徵縮放

大部分機器學習演算法，都會拿兩個數據點之間的歐幾里得距離 (Euclidean Distance) 做計算。

這樣一來，如果一個特徵比其他特徵的範圍值更大，這個特徵值就會成為主導。

而我們希望其他特徵，也得到同等的重視，所以用特徵標準化(Feature Standardization) 來解決這個問題。

sklearn.preprocessing裡面的StandardScalar，就派上用場了。

第二天

今天，要做的是簡單線性回歸(Simple Linear Regression) 。

就是拿已知的那些 (x,y) 數據點，做出一條線性的趨勢，來預測其他x值，對應的y。

第一步：數據預處理

其實，就是把第一天做過的事情，複習一下：

· 導入一些庫

· 導入數據集

· 處理缺失數據

· 把數據集分成訓練集和測試集

· 特徵縮放的話，交給庫了

第二步：擬合訓練集

要把數據集，擬合到簡單線性回歸模型裡面去，可以用sklearn.linear_model裡面的LinearRegression來解決。

在LinearRegression裡面，建一個叫做regressor的對象。

然後，把regressor擬合到數據集里去，用fit()就行了。

第三步：預測結果

現在，用測試集來預測一下。

把輸出存到一個向量Y_pred裡面。然後，用LinearRegression裡面的預測方法，來支配上一步訓練過的regressor。

第四步：可視化

最後一步，就是給預測結果做個可視化。

用matplotlib.pyplot做散點圖，給訓練集和測試集都做一下，看看預測結果是不是接近真實。

訓練集可視化：

測試集可視化：

兩件需要提醒的事

總之，大概就是上面這個樣子。部分已經放出的信息圖集合如下，大家可以預覽一下。

如果你也想入門或者提升自己的機器學習能力，不妨試試跟著這個小哥一起學習進步。雖然這個項目全是英文，但並不晦澀高深，說不定還能順便提高一下英文水平，以後讀paper也用得到~

還有兩件事，需要提醒一下。

1、這個項目已經開始漢化了

@zhyongquan 在GitHub上已經開始嘗試中文版，效果如下圖所示。

不過目前只進行了第一天內容的漢化。如果你感興趣，可以持續關注，或者加入漢化的行動中。地址在此：

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

2、項目內容不能盲信

盡信書不如無書。這個學習項目，也不是百分百完全正確，比如第四天講邏輯回歸時的右下角配圖，就被指出存在錯誤。

作者也承諾將更新改正這個問題。

就醬。

最後，再發一次這個項目的地址：

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

請你一定收藏好，如果能開始學習那就更好啦。

如果這種偏入門的內容不適合你，還有更多進階或者具體項目實現的100天計劃可供參考，希望能幫助你精進。

比方#100DaysOfMLCode挑戰賽發起人Siraj Raval，就選擇了在100天里，使用機器學習技術，根據氣溫、降水、植被變化等因素，預測每周的登革熱疫情，改善防疫的研究計劃和資源分配。

你也可以選擇其他項目，或者在Twitter、GitHub等看看別人的100天挑戰，有沒有你合適跟隨的，或者全新啟動你的挑戰。

對了Siraj Raval還在GitHub和YouTube上發布過很多其他機器學習課程，例如三個月學習機器學習，六周入門深度學習等。

相關地址在此：

https://github.com/llSourcell

總之，原則就是每天進步一點點。

加油。

—

完—

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！