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机器学习技巧的问题，于是小编就整理了4个相关介绍Python机器学习技巧的解答，让我们一起看看吧。
- 已学完Python基础知识，应该如何继续提升算法能力，以及如何过渡到机器学习？
- Python机器学习，如何特征学习人脸？
- 机器学习学习完python后再怎么学，整个学习过程是什么？
- python机器学习和数据分析有什么区别？
已学完Python基础知识，应该如何继续提升算法能力，以及如何过渡到机器学习？
机器学习SK-learn以及人工智能方面的TensorFlow 与pytorch，keras等，这些框架去学习一下，并实际操作一些项目，机器学习与人工智能分很多方向，包括计算机视觉，自然语言处理等，看你喜欢哪个方向的
书推荐国内公认机器学习入门好书南大周志华的《西瓜书》和翻译的AI圣经《花书》
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。
机器学习学习完python后再怎么学，整个学习是什么？
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。
到此，以上就是小编对于python机器学习技巧的问题就介绍到这了，希望介绍关于python机器学习技巧的4点解答对大家有用。
