《机器学习系统设计：Python语言实现》一第2章 工具和技术

第2章 工具和技术

Python具备大量可用于机器学习任务的包库。
本章将探索以下包：
IPython控制台；
NumPy，支持多维数组、矩阵和高阶数学函数的扩展；
SciPy，包含科学公式、常数和数学函数的库；
Matplotlib，用于制图；
Scikit-learn，用于诸如分类、回归和聚类等机器学习任务的库。
要尝试这些巨大的库，你只需要有足够的空间和一项重要的技能，就是能够发现和理解各种包的参考资料。在教程风格的文档里不可能呈现所有不同的功能，因此能够不迷失在那些有时庞杂的API参考手册中就显得尤为重要。要知道，这些包多数是由开源社区放在一起的，并不会像商业产品一样具有整体结构，因此，要理解各种包的分类系统可能是混乱的。然而，开源软件的多样性，及其不断贡献的思想，是其重要的优势。
但是，开源软件的演进质量有其不足的一面，尤其是对于机器学习应用而言。例如，Python机器学习用户社区非常不情愿由Python 2升级为Python 3。因为Python 3打破了向后兼容性，特别是对数值的处理，升级相关包的过程并不简单。在写本书的时候，所有重要的包（对我而言），以及所有本书中用到的包，在Python 2.7和3x中都可以运行。Python的主要发布在Python 3版本下有一些略有不同的包。