导读

笔者的上一个角色是一名数据分析师，期间重点把数据分析岗必备的技能都刷了一遍，包括ESP基础套餐（Excel + SQL + Python）、Python数分三剑客（Numpy + Pandas + Matplotlib），而后作为SQL的拓展学习了Hive，作为Pandas的拓展学习了Spark，作为Matplotlib的拓展学习了Tableau。应该讲对于一名纯粹的数据分析岗位而言，这样的技术栈是够用的，随后应当不断深化业务知识才是王道。但随着当下大环境的"卷"字当头，数据分析师技术栈的要求也是水涨船高，所以机器学习算法便逐渐成为广大数据分析师首当其冲的攻占目标！

今天，本文就来梳理下笔者学习机器学习算法的经历，与此对应的系列前文包括：

一名数据分析师的Python学习历程

一名数据分析师的SQL学习历程

写在1024：一名数据分析师的修炼之路！

在攻克机器学习算法之前，笔者已经有熟练的Python基础（主要是Numpy要熟练）和系统的数学功底，但也因时间久远而存在基本概念和原理公式的遗忘等。以此为大前提，我的机器学习算法学习历程可主要分为以下三个层面：

• 刷视频，重在迅速建立宏观框架和系统认知

• 读书籍，重在追究原理和实战运用

• 学文档，重在查漏补缺和不断深化

值得指出，这三个层面并不见得一定要顺序执行或者有严格先后，通常情况下交叉迭代往往更得其要。

注：本文纯粹是笔者学习过后的推荐，其中涉及的视频和书籍推荐不掺杂任何成分。

01 视频篇

机器学习在当下算是非常火爆的一个学科，对应的数据挖掘工程师、算法工程师、机器学习工程师等互联网企业的岗位title也是高度盛行。需求决定市场，网上的学习资源也是不计其数。然而，越是资源繁多，越容易对初学者造成鱼龙混杂的模糊认识。所以，笔者这里重点推荐3套视频，笔者都曾系统刷过至少一遍以上，并兼顾原理讲解和实战运用：

• 《数据挖掘：理论与算法 》，清华大学深研院袁博老师，发于学堂在线，目前报名人数11万+。课程侧重从理论的高度深入浅出、追根溯源且颇具哲学辩证的讲解机器学习算法原理，该套课程获评国家级精品课，通篇学下来给笔者的感觉是醍醐灌顶而又意犹未尽！ps：虽然官方发于学堂在线，但某站其实早已随处可看！

• 《Python3入门机器学习》，慕课网bobo老师的大作，相较于前一个纯院校派的教学视频，bobo老师的课程更加注重结合Python3的实现，但也兼顾了理论高度甚至是哲学思考，更重要的是bobo老师的讲课风格也颇受笔者所喜欢。课程虽好，但与第一套视频可完全免费学习不同，这是一套付费的课程。

• 《菜菜的机器学习sklearn课堂》，可能很多从事机器学习工作的应该都对此有所了解，菜菜是某培训机构的老师，而且从视频课程的名字也能看出，该套视频更加注重机器学习实战，更准确的说是运用sklearn的机器学习实战。课程讲解非常详细，大到原理小到参数设置都事无巨细，非常适合初学。该套课程也是有收费的，但其本人在某站其实也有公开发布，所以也可在那里学习以表支持。

02 书籍篇

与机器学习教学视频比比皆是的现状类似，相关书籍其实也是比比皆是。也是为了减轻选择恐惧症，这里笔者重点推荐两本书，都是几乎完整阅读过的，所以具有一定的发言权：

• 《机器学习》，作者：周志华。这是一本号称西瓜书的机器学习圣经级读物，全书以西瓜的好坏分类作为切入点和引线，深入浅出讲解主要算法，加之配以西瓜的封面，因而得名西瓜书。个人认为，这本书在理论层面讲解机器学习是相当到位的，在国内书籍中应该也是翘首级的存在，似乎做些什么介绍都显得多余。

当然，还有与之对应的是李航老师的《统计学习方法》，但由于笔者未阅读过，所以不做对比。

• 《Python数据科学手册》，图灵动物书之一。该书其实组织结构非常简单：主要是5个章节，除了首长介绍了ipython和jupyter使用之外，后续4个章节分别介绍了Numpy、Pandas、Matplotlib以及Sklearn等4个库的基本使用。虽然结构简单，内容也并无太多新意，但个人觉得对于一名要学习机器学习算法的数据分析师而言，这样的成书结构是非常合适的。相较于西瓜书侧重理论宣贯，本书更像是对常用算法提供了一个基本使用的demo，可以当做是如何在sklearn中使用机器学习算法吧。
  

03 文档篇

刷视频和看书是常用的入门学习方法，但阅读简短而精华的文档其实也是高效的学习方法。而提起学习文档，大家首先想到的可能是某些公众号文章、某些平台的博客以及一些大佬整理的学习心得，但学习机器学习最好的文档其实当属sklearn的官方文档（当然，很多其他技术的官方文档都可以称为最好，比如MySQL，但也不完全如此），甚至说相比于Numpy、Pandas这些官方文档而言，个人真的认为sklearn的官方文档简直是写的太好了：既有算法原理的介绍，也有详尽的API参数配置说明，更重要的组织结构非常清晰、讲解也是很易懂，甚至说直接把官方文档整理成册就可以直接印刷出版了！

sklearn官方文档

• 英文文档：https://scikit-learn.org/stable/

• 中文文档：https://www.cntofu.com/book/170/index.html

附个人sklearn学习笔记：

• 数据科学系列：sklearn库主要模块功能简介

• 临行在即，分享一个自己写的sklearn源码库
  

最后，相较于技术工具更为明确固定的数学分析师而言，机器学习算法的学习之路显然更加漫长而陡峭，如果再考虑涉猎深度学习乃至强化学习，那么其无尽的更新迭代也足够称得上艰辛，但作为一名有追求的技术人，自我成长不应本该如此吗！

相关阅读：

• 写在1024：一名数据分析师的修炼之路
  

• 数据科学系列：sklearn库主要模块简介
  

• 数据科学系列：seaborn入门详细教程
  

• 数据科学系列：pandas入门详细教程

• 数据科学系列：matplotlib入门详细教程

• 数据科学系列：numpy入门详细教程