大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习及python的问题，于是小编就整理了4个相关介绍机器学习及Python的解答，让我们一起看看吧。
机器学习学习完python后再怎么学，整个学习过程是什么？
那就可以做项目了，无论是自己做项目还是几个人一起做项目都可以。图像，自然语言处理，金融预测都可以。如果做图像，那么推荐斯坦福的CS231n，偏重应用。如果做自然语言处理，推荐CS224。如果做金融预测，那么要额外去补一些大数据处理的方法论。另外论文不可不读，记住一点，论文只是论文，目的是为了开拓思路。哪怕是大牛的论文，不代表其结果是好的。书其实没什么太好的书，我推荐Goodfellow的Deep learning。很多人建议一开始就特系统的学习，我不赞成。你踏进一个全新的系统希望通过一些指导系统的掌握一门技术，我认为效率很低。先动起手来，好读书不求甚解，宽度够了再来系统的深度学习。
python机器学习和数据分析有什么区别？
机器学习是一种算法，python是一种语言，python只是借助框架实现机器学习的一种手段。
数据分析是一个过程，是对数据处理的一种方式，其中可以包含机器学习方法，也可以使用诸多其他的方法，数据分析还包括原始数据的清理、归类等操作。
如果是广义的机器学习，实际上还包含其他很多算法，如图像识别、NLP等等，在广义上来讲，数据分析和机器学习是相互交叉的，机器学习作为工具之一可以被数据分析很好的使用，同样数据分析也有助于机器学习提高算法的效率和性能。
用python做机器学习有哪些资料推荐？
sklearn, 去官网下载，里面讲解非常详细，同时还要学习一个pandas，numpy，matplotlib。视频的话直接在爱奇里搜机器学习，有一个免费的系列视频，希望能帮助到你。记住，是免费的。
如今确实挺多诸如数据分析、机器学习的岗位选择使用python做开发的多，那么，如果是想从事机器学习开发的话，该如何起步呢？
要想把机器学习用起来，就得先掌握python的基础，诸如import、对象等的一些概念和使用要了然于心，否则基础不扎实的话，就会面临很多琐碎的问题。对于python基础的掌握，推荐慕课网教程，个人听过感觉还不错。 当然，方法的话推荐《Python编程 从入门到实践》，此书可以充当字典，遇到不会的可以多翻翻。
python提供了很多可以很好支出程序进行矩阵、线性和统计等的数学运算，像大部分机器学习的开发者都熟悉的Scikit Learn包一样，里面封装了很多算法，可以让我们事半功倍。但也相应的需要我们花时间去了解里面包的使用，在这里推荐去官网看（https://scikit-learn.org/stable），里面也提供了很多例子供我们参考和研习。当然，也可以购买相应的书籍，这里推荐《机器学习实战：基于Scikit-Learn和TensorFlow》。此书涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
机器学习需要使用的算法是很多的，虽然前辈们已经为我们留下了各种包方便我们使用，但真正解决机器学习开发者级别的，还在于内功的深厚，也就是算法。 只有真正的弄懂了算法，在开发的过程中才能真正的知其然而又知其所以然。 懂得了算法，你才能知道为什么需要这样做，为什么那样做会产生那样的结果，如何更好的调参等。 如果没有算法做铺垫，很快就会迷失在调包的迷雾中，很难更近一步的往上。 在这里，推荐你去看吴恩达机器学习课程，这门课程在网易公开课上也有。 同时，也建议你去看机器学习的入门教材，也就是周志华出的《机器学习》，此书对于新手来说也算是一件宝物。在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：此书介绍机器学习的基础知识；讨论了—些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）后期还涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。
机器学习和大数据一定要用python吗？java可以吗？
java也可以，甚至javascript都可以。不过在机器学习和数据分析方面，python的生态环境是最好的，这意味着：更多的机器学习方面的库、更多的示例代码、更多的教程、更多的人回答你的问题....
除非你是要为java社区贡献新的机器学习代码，那么你必须选择java。其他情况下，花点时间学习python是值得的。
到此，以上就是小编对于机器学习及python的问题就介绍到这了，希望介绍关于机器学习及python的4点解答对大家有用。
