Google出了一个面向新手的机器学习教程，每集六七分钟，言简意赅，只掌握最基础的Python语法知识，便可以实现一些基本的机器学习算法。
Machine learning recipes(一)
开始前，课程将用到两个开源的库文件—scikit-learn和Tensorflow。
接下来步入正题：写一个能区分苹果和橘子的代码，若写出大量规则是行不通的，因为现实生活中充满着不确定因素，制定的规则往往会被打破。所以我们需要一种算法能自动生成规则，这就需要训练一个分类器classifier（可以认为是一种方法：接收输入数据后给它们分配标签labels作为输出）。而用来实现分类器的技术称为监督学习（Supervised Learning）。
写这个分类器的代码要用到scikit-learn这个Python包。
安装scikit-learn之前，要先安装Numpy+MKL、Scipy这两个包，进入加州大学实验室的网站：http://www.lfd.uci.edu/~gohlke/pythonlibs/ ，分别找到Numpy、Scipy这两个包的下载链接，然后下载whl格式的安装文件。
注意下载安装文件的版本号要和电脑上的Python版本相对应，比如小编的电脑是64位操作系统，Python是3.5版本的，下载的安装文件是numpy-1.13.1+mkl-cp35-cp35m-win_amd64.whl、scipy-1.0.0b1-cp35-cp35m-win_amd64.whl。
下载Numpy的安装包
下载Scipy的安装包
在安装Python的包以前，我们要确认电脑上的Python中有pip模块，这样我们才能使用whl文件安装Python包。
下载好安装文件以后，在“开始”菜单的“运行”里面输入“cmd”打开DOS命令行，在DOS命令行下面进入刚才下载安装文件的文件夹，分别输入下面两个命令，安装Numpy、Scipy这两个包：
pip install numpy-1.13.1+mkl-cp35-cp35m-win_amd64.whl
pip install scipy-1.0.0b1-cp35-cp35m-win_amd64.whl
安装numpy包
安装scipy包
最后，在上面说到的加州大学实验室网站下载并安装scikit-learn：
pip install scikit_learn-0.19.0-cp35-cp35m-win_amd64.whl
下载scikit-learn的安装包
安装scikit-learn包
在Python中输入：
import sklearn
若没有报错则说明安装成功！
那么首先用第1行代码：引用分类器（决策树）后面解释
from sklearn import tree
对于监督学习有几个基本步骤我们得去实现：
Step1：Collect Training Data（收集训练数据）
Step2：Train Classifier（训练分类器）
Step3：Make Predictions（作出预测）
Step1：Collect Training Data（收集训练数据）
拥有越多的训练数据，我们的分类器就能工作越好。
下面用第2、3行代码表示训练数据，定义两个变量：features特征和labels标签并处理一下特性数据用整数而不用字符串，0代表Bumpy；1代表Smooth；0代表Apple；1代表橘子。
features = [[140, 1], [130, 1], [150, 0], [170, 0]]
labels = [0, 0, 1, 1]
Step2：Train Classifier（训练分类器）
这里用到的分类器类型为决策树Decision Tree，后面课程会深入解释。
在第4行代码中创建一个分类器：
clf = tree.DecisionTreeClassifier()
用第5行代码来训练分类器：
clf = clf.fit(features, labels)
现在就有了一个训练好的分类器啦！
Step3：Make Predictions（作出预测）
下面用最后一行第6行代码我们用训练好的分类器预测一个水果Weight：150g，表皮Bumpy的水果是什么？如果输出为0则为Apple，1为Orange。
print clf.predict([150, 0])
注意：如果你用的是Python3，需要将第六行代码改为：
print(clf.predict([150, 0]))
程序的6行代码
我们人为来预测一下会是什么？根据训练数据我们认为会是1即Orange
在Python中运行一下结果输出为
[1]
恭喜！我们用了6行代码就实现了一个机器学习程序！
作为练习，你可以再在另一个程序，改变训练数据，来创建一个新的分类器。数据如下，来动手练习一下吧！
你也会有疑问，为什么用水果特征来做训练数据而不用图片？
在后面的章节会提到，但是这次用的方法是最普遍的。
后续的课程我会继续和大家一起学习，有的小伙伴觉得节奏太慢忍不住要先学习一下，我把课程链接放在这里，方便小伙伴们自行观看学习！
传送门：http://i.youku.com/i/UMjczOTc0NDkzNg==/custom?id=87105
好了，以上就是本篇文章的所有内容了，强烈建议大家能够亲手实践一下，毕竟纸上得来终觉浅，绝知此事要躬行。最后感谢大家的阅读。
