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6的问题，于是小编就整理了2个相关介绍Python机器学习6的解答，让我们一起看看吧。
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！
机器学习和计算机视觉方向的CS硕士研究生，应该往python还是MATLAB发展？
答案必然是Python!
从就业前景看: Matlab是收费的商业软件，学校里可能有能student edition的license,将来就业很少有公司能支持到license
从技术角度看: Matlab是很厉害，有了matlab, 你就有了是matlab商业公司的支持; 而你有了python，你就拥有了全世界
python的开源性及可扩展性，使得你能用全世界码农github上的python package:
算法方向: opencv, tensorflow, pytorch等都是开源的API, 比Matlab的toolbox用得广泛的多
数据可视化: matplolib就是参照的matlab设计的, plotnine更是R的ggplot的移植，比matlab自带的绘图强太多了
数据分析以及数值计算: numpy可替代matlab的矩阵运算, 更有pandas做数据分析
机器学习更不用说了: 单机版sklearn， 深度学习的pytorch, tensorflow都有python的API, 大数据计算的的spark也有python的版本
有什么理由放弃PYTHON而选用Matlab呢?
这个问题我觉得可以从科研和就业两方面考量吧。
科研
科研方面，我不知道这个问题是针对你本人的（你就是机器学习和计算机视觉方向的研究生），还是说并不针对你本人（你本人并不是这个方向的研究生，你只是单纯好奇一下）。
如果是针对你本人的，那从个人角度上来说，这个问题其实并不需要你考虑。因为，这是你所在的团队（实验室）决定的。无论是从细分方向的角度，还是从历史积累代码的角度，还是从便于合作的角度，你需要与所在团队保持一致。
如果你只是单纯好奇的话，那么这取决于具体的细分领域。比如，机器学习领域现在很热的深度学习，绝大部分主流框架都提供python接口，做深度学习方向的计算机视觉，那当然是python。相反，有很多领域大家都用matlab。其实这和上面的情况有些类似，就是你所在的具体细分领域，其他研究人员用什么，你就用什么。
就业
这个其实也取决于你具体想去什么类型的企业。很多传统的计算机视觉企业，需要的既不是python，也不是matlab，而是C++。甚至，现在很受投资者追捧的基于深度学习做计算机视觉的一些初创企业，固然需要Python方面的人，但也可能需要C++方面的人（比如CUDA定制操作等性能方面的优化）。
如果你不想找计算机视觉方面的工作，想稍微跨下界，找一般的编程工作，那Python比较好。一是Python在各种领域都用得比较多，二是Python是一门比较“正经的”编程语言，使用Python你更容易养成比较好的编程习惯（这很重要）。
到此，以上就是小编对于Python机器学习6的问题就介绍到这了，希望介绍关于Python机器学习6的2点解答对大家有用。