摘要：
大家好，今天小编关注到一个比较有意思的话题，就是关于python机器学习常用的问题，于是小编就整理了4个相关介绍python机器学习常用的解答，让我们一起看看吧。python做机器... 大家好，今天小编关注到一个比较有意思的话题，就是关于python机器学习常用的问题，于是小编就整理了4个相关介绍Python机器学习常用的解答，让我们一起看看吧。
python做机器学习的话有哪些推荐的书跟课程？
机器学习:
1.理论研究和推导可以看周志华老师的《机器学习》，也称为西瓜书，里面讲了各种算法的推导，比如线性回归，k值最近邻，支撑向量机等可解释模型，缺少神经网络的具体讲解。(还有一点就是其中不涉及到代码)
2.被奉为神作的是一本名为《Hands-On Machine Learning with Scikit-Learn,Keras＆TensorFlow》,这本书把机器学习的讲解和代码结合在一块，从线性回归到支撑向量机再到深度学习都有设计(但以机器学习为主)
3.《机器学习实战》，真本书是一本比较经典的书，书比较老了，但是讲的挺好，这本书主要偏重代码，没有涉及到深度学习
深度学习:
1.理论研究的话可以参考花书《深度学习》，这本书纯粹讲理论推导，不涉及代码，是一本比较经典的书
2.《TensorFlow深度学习》，这本书Github上有免费的电子版，把深度学习的TF2.0相结合，俗称龙书，应该是TF书里面比较好的了
3.《动手学深度学习》pytorch版，这本书是把深度学习和Pytorch相结合，是Pytorch里面比较好的书籍了
课程的话:入门机器学习可以看吴恩达的课，主要是我一般喜欢看书自己学[捂脸][捂脸][捂脸]
机器学习-如何通过Python快速入门机器学习？
想快速入门的话，你可以这么看机器学习. 把每个机器学习算法看成一个函数，你只关心他的输入输出是什么就行，这样只要有点编程基础的话就都会使用机器学习了！这个级别的就看看python的sklearn包的机器学习算法模型怎么调用就行。应用性的机器学习算法的学习可以多看看Jason Brownlee的blog，有很多例子很容易上手
再进一步的话，就对每个算法函数的参数去多做点了解，比如把某一个参数调大调小会有什么影响等等。当模型出现结果不好时，能大概知道怎么去调动参数做优化。还有就是了解下怎么去评估一个算法的好坏，当数据平衡不平衡时分别用什么metrics比较好。以及怎么处理under-fittinng 和over-fitting问题。
在快速入门也知道怎么使用这些模型时，可以花时间具体去看看每个算法的具体理论，以及他们的优缺点，这样碰到不同问题就会大概知道选用什么方法去解决了！
spark机器学习和python机器学习的区别是什么？
spark是一个框架，python是一种语言，spark可以由python编写，python可以在spark下运行。原理上都是一样的，机器学习的原理都是数学上的东西。两者的区别只是语法上的不同，spark比较适合处理海量数据，但是不代表python不可以，而且python引入spark架构，既可以充分利用spark的分布式优势，也可以利用python灵活方便的优势。用的话选一个用就好了，没有一定的谁好谁坏。
Python机器学习，如何特征学习人脸？
对于人脸识别经过这么多年的发展，目前已经相对成熟，当然不排除双胞胎之类的识别错误，目前智能手机上其实都有人脸检测的存在，比如拍照时的定焦就可以直接根据检测出来的人脸做参照物，也有笑脸拍照这样的功能，现在苹果，华为，阿里等公司在手机解锁、支付等方面都有具体应用。
对于提取人脸特征这块主要经历两个大的算法时代，一个就是12年以前经典的Adaboost算法基本达到了工业级的人脸检测，所使用的特征就是harr特征，通过大量不同组合的简单的黑白块的对比构建人脸五官上的特征。第二个就是深度学习算法，各种检测加识别都是通过构建CNN网络从大量人脸数据中提取各种特征。
到此，以上就是小编对于python机器学习常用的问题就介绍到这了，希望介绍关于python机器学习常用的4点解答对大家有用。
