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设置机器学习的问题，于是小编就整理了4个相关介绍python设置机器学习的解答，让我们一起看看吧。
- 机器学习实践：如何将Spark与Python结合？
- Python速度那么慢，为什么还经常用于机器学习？
- 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？
- 用python实现一些机器学习算法时是否需要自己写轮子？
机器学习实践：如何将Spark与Python结合？
1.Spark Context设置内部服务并建立到Spark执行环境的连接。
2.驱动程序中的Spark Context对象协调所有分布式进程并允许进行***分配。
3.集群管理器执行程序，它们是具有逻辑的JVM进程。
4.Spark Context对象将应用程序发送给执行者。
5.Spark Context在每个执行器中执行任务。
Python速度那么慢，为什么还经常用于机器学习？
python 在机器学习时，运行计算时，调用numpy 库，这个库速度非常快，和c语言的一个级别。现在运算量大的 机器学习 算法，都用 gpu,tpu 等硬件提速，如果靠cpu,无论***用什么编程语言，都不可能 达到要求，类似 比特币挖矿，都用矿机，用cpu 挖就赚不到钱，比电费多不了多少。机器学习 ***用硬件提速 也是这个道理。所以和上边***用的编程语言 关系不大。 python 编程速度快，算法编程实现是，可以大大节约 开发人员的时间，减少软件错误。
python,是最适合机器学习的，所以被广泛***用。
python,只所以在桌面软件，服务器等大型软件上，***用的少，主要原因是 和 c以及j***a 相比，python 不利于代码的保密。而机器学习，不需要将算法代码，发布给用户，所以没有这方面问题。
大部分的机器学习库都是用 C++ 写的，都提供了对 J***a 和 Python 的支持，使用这俩语言相当于在调包而已，一些计算密集型、IO密集型的操场都是底层框架在跑，所以对于 Python 写的机器学习项目来说，不是很慢。
主要原因还是 Python 语法简洁，上手容易。
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
如果想学习机器学习的话，建议书籍和***一起看。
书推荐国内公认机器学习入门好书南大周志华的《西瓜书》和中文翻译的AI圣经《花书》
***推荐斯坦福大学吴恩达的机器学习和深度学习相关课程。
用python实现一些机器学习算法时是否需要自己写轮子？
sklearn、TensorFlow（包括TensorFlow的高层封装Keras）、PyTorch……Python有这么多优秀的库，实现各种机器学习算法很方便，何必要自己造轮子呢？
（图片来源：tertiarycourses***.sg）
你可以看看最近发表的机器学习算法方面的论文，很多论文都开源了配套的代码，这些代码基本都是基于各种框架实现模型，几乎看不到从头自己造轮子实现的。
自己造轮子，不仅写起来麻烦（这还***设你造的轮子语义上没有错误、性能上也不差），别人阅读起来也不方便。
很多人过分推崇从头写起（write X from scratch），恨不得什么都自己写，不屑于使用TensorFlow等框架。但是，TensorFlow不用，那numpy用不用呢？所以说，这种想法其实不可取。
当然，这也不是绝对的，以下情形属于例外：
- 基于学习的目的，加深对基本概念/模块的理解。比如用框架写的话，像反向传播之类的轮子都是现成的。脱离框架自己手写，可以更好地理解这些基本概念/模块。
- 基于性能需求进行优化，比如，使用了特殊的硬件，或者应用场景非常特殊，现有的轮子不能用或者不好用。
- 应付面试。其实这个可以归入第一条。因为之所以有些面试会设置脱离框架手写算法的题目，就是为了看你对基本概念/模块的理解程度。
不需要。
原因之一：Python有它非常强大并且开源的免费库，这是Python语言为什么要优于其他语言的原因。
原因之二：我们只需要找到相对应的库进行加以修改即可。
原因之三：现在机器学习的算法大多都已成熟，我们没有必要重新研究别人已经研究出来的算法，浪费时间，得不偿失。
然而，如果设计的新算法时，我推荐在已有的算法基础升级会更好，因为从无到有毕竟是很困难的。
不用自己写轮子，为了理解实现细节的话，可以自己写写。在项目中，没有必要，很多可用好用的库。只要把这些库提供的算法接口，熟练使用就行。呵呵，说起来，这就是别人眼中的调库军。其实也就是苦力活。别被吓着了啊。
其实在应用工程上有很多需要把这些算法组合，整合起来，达到应用的要求。这也很考验对机器学习算法的掌握能力。说多了。
谢谢邀请。是否需要自己造轮子取决于自身的需要。
如果是出于学习阶段，理解机器学习的算法并自己去实现是有必要的。这可以加深对知识的理解。但即便如此，也不是要求从头开始造轮子，很多时候只是二次开发。
如果是工程应用，那么就完全没有必要去重复造轮子了。python目前提供的库已经很强大了，也相当成熟，基本上能够满足一般工程应用的需求，这个时候再花大量精力去重复造轮子是很没必要的。
目前机器学习主要有两种形态，其一是搞算法，主力是世界上知名大学(学院派)如MIT，大公司的发paper的核心团队，如google。他们基本都是名校毕业的博士或在职的教授，为大家造轮子;其二是工程应用，自动驾驶，医疗图像，城市公共交通，语音识别等等，主要是要快速把算法变现为可执行工程项目，绝大部分都是拿轮子直接用。
那么是不是我们做工程的就一定不用做轮子了？那到不是，根据项目需求，改造轮子或重新造轮子都是可能的。
到此，以上就是小编对于python设置机器学习的问题就介绍到这了，希望介绍关于python设置机器学习的4点解答对大家有用。