万事开头难，首先Python机器学习整个流程的第一步就是学习Python这门编程语言的相关基础知识。

第一步：基本 Python 技能

如果要使用 Python 进行机器学习，拥有对 Python 有基础的理解非常关键。幸运的是，Python 是当前普遍使用的流行语言，并纳入了科学计算和机器学习的内容，所以找到入门教程并不困难。在选择起点时，很大程度上要取决于你之前的 Python 经验和编程经验。

第二步：机器学习基础技能

KDnuggets 的 Zachary Lipton 指出，人们对数据的认识千差万别，这实际上是对机器学习领域的反映。数据科学家在不同程度上使用计算学习算法。要建立和使用支持向量机模型，熟知核函数方法是否是必需的？答案当然不是。就像现实生活中的许多事情一样，所需要的理论深入程度与具体的实际应用有关。获取对机器学习算法的深入理解不是本文的讨论范围， 而且这通常需要在学术领域投入大量时间，或者至少要通过密集的自学才能达到。

好消息是，你不必拥有博士级别的机器学习理论能力才能进行实践，就如同不是所有程序员都必须接受计算机理论教育才能写好代码。

关于机器学习基础技能，我的建议是去系统的看一些课程。但这时候不需要看完全部的课程，比较好的策略是边练习边学习，在实战中不断推进，需要的时候查阅一些课程进行巩固。

第三步： 从网站通过API挖掘和抓取数据

一旦理解了Python的基础知识和最重要的模块，你必须要学习如何从不同的源收集数据。这个技术也被称作网页抓取。传统的源是网站文本，通过API进入twitter或linkedin一类网站得到的文本数据。接着这个文本数据必须要转换为数值数据，通过自然语言处理（NLP）技术完成。这时候就需要进入实战项目了，学着使用一些Python的基本命令以及网页抓取技术的学习。

第四步：正式进入Python高级机器学习

“分类”也可以称作监督学习，有助于分类图片，用来识别图片中的特征或脸型，或者通过用户外形来分类用户，并给他赋不同的分数值。“聚类”发生在无监督学习的情况，允许用户在数据中识别组/集群。“回归”允许通过参数集估算一个值，可以应用于预测住宅、公寓或汽车的最优价格。
有关Python机器学习的书籍，我特别推荐《Machine learning in action》。尽管有点短，但它很可能是机器学习中的经典，这两本书帮助你通过抓取数据建立机器学习。最近关于机器学习的出版物大多都是基于模块 scikit-learn 。由于所有的算法在模块中都已实现，使得机器学习非常简单。你唯一要做的事就是告诉 Python ，应该使用哪一个机器学习技巧 (ML-technique) 来分析数据。
最后进入实战，利用Python语言及其工具包当做核心工具进行一些实战案例。

我不敢保证Python机器学习是速成的或简单的。但只要投入时间，按照流程步骤一步步学习，你无疑会对于这个领域拥有足够的熟练度和理解，会使用流行的 Python 库实现许多机器学习算法，甚至是当今深度学习领域的前沿内容。