只需要開啟一個瀏覽器（推薦 Google Chrome 或者 Firefox），輸入：

https://vitu.ai

就可以看到以下頁面然後開始機器學習最好的課程之旅。

然後，就能看到完全配置好的 Python 執行環境了。對，就是這麼簡單。你可別小瞧這個執行環境。雖然你沒有執行任何安裝過程，但是它基本上涵蓋了你做資料科學/機器學習要用到的各種工具。這些工具包括但不限於 Numpy, Scipy, Pandas 等，甚至連深度學習的框架，例如 Tensorflow, Keras 和 Pytorch，也是一應俱全。

可以看看下面的匯入測試，都是工作的

零基礎學習Python！！零基礎學習資料分析！！零基礎學習機器學習！！

等你來學 可以線上執行的免費中文教程，建議按照下面的順序遞進的來學習

推薦的入門步驟：Python -> 資料處理 -> 資料視覺化 -> 機器學習初級 -> 機器學習進階 -> 深度學習 -> 交易入門

初識Python【今天開始寫程式碼】

資料處理【瑞士軍刀Pandas指南】

資料視覺化【從程式設計小白到畫圖大拿】

乾巴巴講有什麼演算法很沒意思，這個比較好可以一步一步看建模是如何完成的，學習起來會比較舒服

機器學習【初探建模那些事兒】

機器學習【初探建模那些事兒】：1.開篇

模型是怎麼工作的 我們會大致的介紹機器學習是怎麼工作的以及如何使用這些模型。如果你學習過統計建模或者機器學習相關的課程，你會覺得有些簡單。別擔心，我們後面會有深入的課程 這個微課堂會讓你基於以下情景建模： 你的堂弟炒房賺了數百萬美元，他想找你合夥，他來提供資金，你會提供預測各種房屋價值的模型。 你問你的堂弟他過去如何預測房地產價值。他說以前只是直覺，但是他發現了一些價格模式，他正在考慮利用這些模式來對新房進行預測。 機器學習的工作方式是類似的...

機器學習【初探建模那些事兒】：2.先來看看資料吧

使用pandas來看看資料先 任何機器學習專案的第一步都是熟悉資料，你將會使用到pandas庫，pandas是資料科學家用於探索和操作資料的主要工具 大多數人在他們的程式碼中將pandas縮寫為pd. 我們一般這麼來使用pandas庫中最重要的部分是DataFrame。 DataFrame包含你可以認為是表的資料型別。 這類似於Excel中的工作表或SQL資料庫中的表。 pandas提供了強大的功能來操作此類資料型別 在這個案例裡，我們將檢視澳洲墨爾本的房價資料。 在動手練習中...

機器學習【初探建模那些事兒】：3.人生第一個模型

選擇建模資料 你的資料集有太多的變量了，你怎麼能來選擇它們呢？ 我們首先使用直覺選擇一些變數。 後面的課程將向你展示自動確定變數優先順序的統計技術。 要選擇變數/列，我們需要檢視資料集中所有列的列表。 這是透過DataFrame的columns屬性（下面的程式碼底部行）完成的。有很多方法可以選擇資料的子集。 我們會在後面微課程裡更深入地介紹了這些內容，但我們現在將重點關注: 1.點符號，我們用它來選擇“預測目標” 2.選擇列列表，我們用它來選擇“特徵” 預測目標...

機器學習【初探建模那些事兒】：4.模型驗證

什麼是模型驗證 你已經在上一節裡建立並且擬合了一個模型，但是你如何知道這個模型究竟好不好 在本篇中，你將學習到如何使用模型驗證來衡量模型的質量，測量模型質量是迭代改進模型的關鍵。 模型驗證基本是所有建模工作裡都要涉及的工作，在大多數應用中，模型質量的衡量標準一般是預測準確性，換句話說，模型的預測是否接近實際發生的情況。 在測量預測準確性時，許多人犯了一個大錯誤。他們使用他們的訓練資料進行預測，並將這些預測與訓練資料中的目標值進行比較...

機器學習【初探建模那些事兒】：5.過擬合與欠擬合

本篇你將瞭解過擬合和欠擬合的概念，並且能夠使得你的模型更準確 嘗試不同的模型 既然你有一種可靠的方法來測量模型精度，那麼你可以嘗試使用其他模型，並檢視哪種模型可以提供最佳預測。 可以在scikit-learn的文件中看到決策樹模型有很多選項（比你想要的或需要的更多）。 最重要的選項決定了樹的深度。 回想一下這個微課程的第一課，樹的深度是衡量它在進行預測之前分裂的數量。 這是一棵相對較淺的樹 在實踐中，樹在頂層（所有房屋）和葉子之間有10個分裂並不罕見。隨著樹木越來越深...

機器學習【初探建模那些事兒】：6.RandomForest

隨機森林 決策樹會讓您做出艱難的決定。 一棵有很多樹葉的深樹將會過度擬合，因為每個預測都來自其葉子上只有少數房屋的歷史資料。 但是葉子很少的淺樹會表現不佳，因為它無法捕獲原始資料中的那麼多區別。 即使在今天，最複雜的建模技術也面臨著欠擬合和過擬合之間的這種選擇。 但是，許多模型都有聰明的想法，可以帶來更好的效能。 我們將以隨機森林為例。 隨機森林使用許多樹，並透過平均每個元件樹的預測來進行預測。 它通常比單個決策樹具有更好的預測準確性，並且與預設引數一起使用...

機器學習【建模進階指南】

可以關注一下這個新崛起的品牌Vitu.AI, 專注數字資產，Vitu.ai - 資料從不說謊 - 區塊鏈的世界也不例外 專業金工團隊、開源友好社群、數字資產現貨期貨衍生品回測一站式服務。

釋出於 04-02

作為一個工作多年的老碼農，早年在學校也沒有系統的學習人工智慧（因為愛好，自學過一點皮毛），不過沒有實用過。不過也許是因為興趣愛好在作怪，工作了7、8年之後又輾轉的回到了人工智慧領域，主要是影象處理，因為會用到很多機器學習和深度學習的知識，而大學學的那點皮毛根本無法解決實際問題，於是啟動了二次學習之旅，下面是一些個人學習過的課程，感覺還不錯，僅供參考。

1、加州理工學院公開課——機器學習與資料探勘，英文講解有中字母。

2、華人學者吳恩達講解的機器學習，同樣是英文有中文字幕，不過網路上有他最新錄製的講解機器學習的課程，可自行搜尋。

3、來自MIT的人工智慧課程，不過已經從網易公開課上下架，可在網上尋找或者直接前往MIT官網搜尋。

4、李航的《統計學習方法》也不錯，不過沒有找到相關的影片課程，想要學習只能透過看書。

最後再提醒一下，機器學習對數學的要求較高，所以在決定學習機器學習之前需要學習必要的數學知識。