学习机器学习（Aprende Machine Learning）

用于 www.AprendeMachineLearning.com 实践的示例代码。包含 Python（Jupyter Notebooks）实现的算法与源代码。

完整文章请见博客：

• 安装并配置 Python Anaconda 开发环境（用于机器学习）

• 云端机器学习：使用 GPU 的 Google Colaboratory！

• Python 网络爬虫示例：西班牙 IBEX35® 股票指数

机器学习文章	机器学习文章
使用 Python 逐步实现逻辑回归（Logistic Regression）	简单与多元线性回归（Linear Regression）练习
决策树（Decision Tree），预测 Billboard 100	使用 Keras 和 Tensorflow 在 Python 中构建简易神经网络（Neural Network）
Python 中逐步实现 K-Means	使用 K-近邻（K-Nearest Neighbor）分类的 Python 示例
在 Python 中从零开始创建神经网络	用人工智能编程控制 Arduino 小车
买房还是租房？使用 Python 实现朴素贝叶斯（Naive Bayes）	理解主成分分析（Principal Component Analysis, PCA）
Python 中的图像分类	卷积神经网络（Convolutional Neural Network, CNN）工作原理
理论介绍：自然语言处理（Natural Language Processing, NLP）	实践入门：NLP：用 Python 分析 Hernán Casciari 的故事
使用神经网络进行时间序列（Time Series）预测 - Python 实现	销售预测与神经网络 – 第二部分
随机森林（Random Forest）工作原理	不平衡数据（Imbalanced Data）下的分类问题
提升你的机器学习模型的 12 条建议	机器学习模型的可解释性（Model Interpretability）
推荐系统（Recommendation Systems）	探索性数据分析（Exploratory Data Analysis, EDA）
异常值（Outliers）检测	使用 YOLO 进行目标检测
AI 与机器学习项目中的角色与岗位	强化学习（Reinforcement Learning）实战：Pong 游戏

• 打造你自己的机器学习（Machine Learning）服务

这本书

《Aprende Machine Learning en Español》一书现已提供数字版，或在 Amazon 上购买平装纸质版 ——请搜索你所在国家的 Amazon 商店—

@jbagnato

# Machine Learning 开源工具快速上手指南

## 环境准备

- **操作系统**：支持 Windows / macOS / Linux
- **Python 版本**：推荐 Python 3.7 或以上
- **开发环境**：
  - 推荐使用 [Anaconda](https://www.anaconda.com/)（国内用户可使用清华镜像加速下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）
  - 或使用 Google Colab（免费 GPU 支持，无需本地安装）：https://colab.research.google.com/

## 安装步骤

1. 安装 Anaconda（若未安装）：
   ```bash
   # 下载后运行安装程序，或使用命令行安装 Miniconda（轻量版）
   wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
   bash Miniconda3-latest-Linux-x86_64.sh

2. 克隆项目代码：

   git clone https://github.com/jbagnato/machine-learning.git
   cd machine-learning
   

3. 创建并激活虚拟环境（推荐）：

   conda create -n ml-env python=3.8
   conda activate ml-env
   

4. 安装依赖库（根据具体 Notebook 需求，基础包如下）：

   pip install jupyter pandas scikit-learn matplotlib seaborn tensorflow keras numpy requests beautifulsoup4
   # 国内用户建议使用清华源加速：
   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple jupyter pandas scikit-learn matplotlib seaborn tensorflow keras numpy requests beautifulsoup4
   

5. 启动 Jupyter Notebook：

   jupyter notebook
   

基本使用

1. 在浏览器中打开 Jupyter Notebook 界面（默认地址：http://localhost:8888）

2. 进入任意示例目录，例如 regresion_logistica/，打开 .ipynb 文件

3. 按顺序执行单元格（Cell → Run All 或逐个 Shift+Enter）

4. 查看输出结果和图表，修改参数尝试不同效果

💡 提示：所有示例均配有详细中文教程，访问 www.AprendeMachineLearning.com 获取完整文章。