大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习与python学习的问题，于是小编就整理了3个相关介绍机器学习与Python学习的解答，让我们一起看看吧。
Python速度那么慢，为什么还经常用于机器学习？
大部分的机器学习库都是用 C++ 写的，都提供了对 java 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。
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Java 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。
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去解决了！
想学习python用来做机器学习方面的内容（如建立LDA模型），该如何入门并学习？
Python基础
首先，装ANACONDA，是PYTHON的集成环境。
CSDN也有PYTHON的知识库，不过不够系统，可以有一定基础再看看。链接
11 行 Python 代码实现的神经网络
程序很短，知识量很大。把这个搞明白了，你也就入门了。
到此，以上就是小编对于机器学习与python学习的问题就介绍到这了，希望介绍关于机器学习与python学习的3点解答对大家有用。
