基於以下三個原因，我們選擇Python作為實現機器學習演算法的編程語言：(一) Python的語法清晰；(二) 易於操作純文本文件；(三) 使用廣泛，存在大量的開發文檔。 可執行偽代碼 Python具有清晰的語法結構，大家也把它稱作可執行偽代碼（executable pseudo-code）。默認安裝的Python開發環境已經附帶了很多高級數據類型，如列表、元組、字典、集合、隊列等，無需進一步編程就可以使用這些數據類型的操作。使用這些數據類型使得實現抽象的數學概念非常簡單。此外，讀者還可以使用自己熟悉的編程風格，如面向對象編程、面向過程編程、或者函數式編程。不熟悉Python的讀者可以參閱附錄A，該附錄詳細介紹了Python語言、Python使用的數據類型以及安裝指南。 Python語言處理和操作文本文件非常簡單，非常易於處理非數值型數據。Python語言提供了豐富的正則表達式函數以及很多訪問Web頁面的函數庫，使得從HTML中提取數據變得非常簡單直觀。 Python比較流行 Python語言使用廣泛，代碼範例也很多，便於讀者快速學習和掌握。此外，在開發實際應用程序時，也可以利用豐富的模塊庫縮短開發周期。 在科學和金融領域，Python語言得到了廣泛應用。SciPy和NumPy等許多科學函數庫都實現了向量和矩陣操作，這些函數庫增加了代碼的可讀性，學過線性代數的人都可以看懂代碼的實際功能。另外，科學函數庫SciPy和NumPy使用底層語言（C和Fortran）編寫，提高了相關應用程序的計算性能。本書將大量使用Python的NumPy。 Python的科學工具可以與繪圖工具Matplotlib協同工作。Matplotlib可以繪制二D、三D圖形，也可以處理科學研究中經常使用到的圖形，所以本書也將大量使用Matplotlib。 Python開發環境還提供了互動式shell環境，允許用戶開發程序時查看和檢測程序內容。 Python開發環境將來還會集成Pylab模塊，它將NumPy、SciPy和Matplotlib合並為一個開發環境。在本書寫作時，Pylab還沒有並入Python環境，但是不遠的將來我們肯定可以在Python開發環境找到它。 Python語言的特色 諸如MATLAB和Mathematica等高級程序語言也允許用戶執行矩陣操作，MATLAB甚至還有許多內嵌的特徵可以輕松地構造機器學習應用，而且MATLAB的運算速度也很快。然而MATLAB的不足之處是軟體費用太高，單個軟體授權就要花費數千美元。雖然也有適合MATLAB的第三方插件，但是沒有一個有影響力的大型開源項目。 Java和C等強類型程序設計語言也有矩陣數學庫，然而對於這些程序設計語言來說，最大的問題是即使完成簡單的操作也要編寫大量的代碼。程序員首先需要定義變數的類型，對於Java來說，每次封裝屬性時還需要實現getter和setter方法。另外還要記著實現子類，即使並不想使用子類，也必須實現子類方法。為了完成一個簡單的工作，我們必須花費大量時間編寫了很多無用冗長的代碼。Python語言則與Java和C完全不同，它清晰簡練，而且易於理解，即使不是編程人員也能夠理解程序的含義，而Java和C對於非編程人員則像天書一樣難於理解。 所有人在小學二年級已經學會了寫作，然而大多數人必須從事其他更重要的工作。 ——鮑比·奈特 也許某一天，我們可以在這句話中將「寫作」替代為「編寫代碼」，雖然有些人對於編寫代碼很感興趣，但是對於大多數人來說，編程僅是完成其他任務的工具而已。Python語言是高級編程語言，我們可以花費更多的時間處理數據的內在含義，而無須花費太多精力解決計算機如何得到數據結果。Python語言使得我們很容易表達自己的目的。 Python語言的缺點 Python語言唯一的不足是性能問題。Python程序運行的效率不如Java或者C代碼高，但是我們可以使用Python調用C編譯的代碼。這樣，我們就可以同時利用C和Python的優點，逐步地開發機器學習應用程序。我們可以首先使用Python編寫實驗程序，如果進一步想要在產品中實現機器學習，轉換成C代碼也不困難。如果程序是按照模塊化原則組織的，我們可以先構造可運行的Python程序，然後再逐步使用C代碼替換核心代碼以改進程序的性能。C++ Boost庫就適合完成這個任務，其他類似於Cython和PyPy的工具也可以編寫強類型的Python代碼，改進一般Python程序的性能。 如果程序的演算法或者思想有缺陷，則無論程序的性能如何，都無法得到正確的結果。如果解決問題的思想存在問題，那麼單純通過提高程序的運行效率，擴展用戶規模都無法解決這個核心問題。從這個角度來看，Python快速實現系統的優勢就更加明顯了，我們可以快速地檢驗演算法或者思想是否正確，如果需要，再進一步優化代碼
B. python機器學習的原理是什麼
排整機器裡面的學習的原理的話還是非常多的，因為不動產學習它裡面的機器也是各不相同。
C. 怎麼用python寫mininet的拓撲
為Mininet添加自定義拓撲：Mininet原生提供了多種拓撲類型：SingleSwitchTopo：簡單拓撲（Host——Switch——Host）LinearTopo(k,n)：鏈狀拓撲，k台交換機以單鏈形態連接，分別下接n台主機TreeTopo(depth,fanout)：樹形拓撲，創建一個深度為depth、扇出為fanout的樹狀拓撲Mininet默認情況下並沒有實現胖樹的網路拓撲，但Mininet支持添加自定義拓撲的功能。本文根據Mininet自帶的拓撲定義，在原拓撲庫中添加了胖樹拓撲類，實現從命令行直接啟動k叉胖樹拓撲環境。（註：加粗的代碼行為自定義拓撲關鍵部分）mininet/topo.py：所有的拓撲類都繼承自topo模塊下的Topo基類，Topo基類實現了addNode、addSwitch、addHost、addPort、addLink等添加節點、鏈路的重要方法。Topo模塊中還實現了單交換機拓撲SingleSwitchTopo類和鏈狀拓撲LinearTopo類。mininet/topolib.py：topolib模塊中定義了樹狀拓撲TreeTopo類，自定義的拓撲類可以定義在topolib模塊下也可定義在topo模塊下，拓撲類的__init__方法中可添加構建拓撲所需要的參數，Mininet在調用拓撲類時會將從命令行接收的topo選項之後的參數*args和關鍵字參數**kwargs傳遞到該拓撲類的__init__方法中初始化該拓撲類的對象。如本文中定義的FatTree拓撲類需要接收參數k以確定胖樹的叉數：classFatTreeTopo(Topo):def__init__(self,k=4):"Createfat-treetopo."#initializationcodebin/mn：mn是Mininet執行的解釋器，負責解析參數，定義了MininetRunner類用來構建、配置並運行整個Mininet平台。自定義的拓撲類需要導入mn中，然後在存放拓撲參數的字典TOPOS中加入對應的鍵值，就可以在mn命令中使用自定義的拓撲了：frommininet.topolibimportFatTreeTopoTOPOS={'linear':LinearTopo,'single':SingleSwitchTopo,'tree':TreeTopo,'fattree':FatTreeTopo}啟動8叉胖樹自定義拓撲的Mininet拓撲環境：$sudomn--topo=fattree,k=8
D. 為什麼使用Python來實現機器學習代碼
numpy是科學計算用的。主要是那個array，比較節約內存，而且矩陣運算方便。成為python科學計算的利器。matplotlib是用於可視化的。只先學會XY的散點圖，再加一個柱狀圖就可以了。其它的都可以暫時不學。幾句話就成了。不用找本書。找個例子代碼看完就會了。這兩個只是計算用的。與機器學習有點兒關聯。但還不是機器學習。 機器學習演算法你可以使用R project，那個函數庫更多些。 你要肯下功夫啃代碼，最慢1小時就能掌握 numpy和matplotlib。如果你覺著難，總是想繞圈圈，想容易些，就很難弄會它。也許幾天才會。
E. 學：如何用Python實現7種機器學習演算法（附
1.
線性回歸演算法 在線性回歸中,我們想要建立一個模型,來擬合一個因變數 y 與一個或多個獨立自變數(預測變數) x 之間的關系。 是一個目標變數,它是一個標量 線性回歸模型可以理解為一個非常簡單的神經網路:...
2.
Logistic 回歸演算法 在Logistic 回歸中,我們試圖對給定輸入特徵的線性組合進行建模,來得到其二元變數的輸出結果。例如,我們可以嘗試使用競選候選人花費的金錢和時間信息來預測選舉的結果(勝或負)
F. 如何使用python進行機器學習
用Python來編寫機器學習，因為Python下有很多機器學習的庫。
numpy，scipy,matplotlib,scikit-learn，分別是科學計算包，科學工具集，畫圖工具包,機器學習工具集。
numpy :科學運算，主要是矩陣的運算。提供數組。
scipy：主要是一些科學工具集，信號處理工具集 數值計算。
scikit-learn：大量機器學習演算法。
matplotlib：畫圖工具
Ubuntu 下的安裝
sudo apt-get install python-numpy
sudo apt-get install python-scipy
sudo apt-get install python-matplotlib
sudo apt-get install python-sklearn
window 安裝直接到網站下載exe文件，直接安裝即可。
G. 現在tensorflow和mxnet很火，是否還有必要學習scikit-learn等框架
很有必要，但不用太深入，在Kaggle上認真搞2,3個比賽能進10%的程度就夠了
H. python 機器學習 用什麼庫
（1）scikit-learn
Python下做機器學習，首推scikit-learn。該項目文檔齊全、講解清晰，功能齊備，使用方便，而且社區活躍。
（2）Orange
機器學習是其的功能之一，主要還是側重數據挖掘，可以用可視化語言或Python進行操作，擁有機器學習組件，還具有生物信息學以及文本挖掘的插件。
（3）shogun
shogun，非日本的老外弄的一個機器學習庫，還專門配了一個我們能看懂的日文名「將軍」（是日本幕府時代的將軍）。文檔齊全，開發活躍，更新快，運算速度也很快。主攻大尺度的核函數，尤其是大尺度核函數下的SVM。具有很多SVM的高級用法，比如多核配用等。支持Python、R、C++、Matlab等語言。
（4）其它
A.pyml(a python mole for machine learning，支持svm/knn/k-means==)
B.milk(python的機器學習工具包，主要是針對監督學習，包括svm/knn/決策樹)
I. 為什麼Python適用於機器學習 有什麼獨特優勢
從以下3個方面來說明這個問題：
首先，Python讓編程更簡單。
Python在設計上堅持了清晰劃一的風格，這使得Python成為一門易讀、易維護，並且被大量用戶所歡迎的、用途廣泛的語言。機器學習應用程序呈現復雜、多階段的工作流程，而Python的語言設計在機器學習中很有幫助的另外一個關鍵因素是，它提供了高層的、基於對象的任務抽象。
其次，Python提供了機器學習的代碼庫。
Python提供大量機器學習的代碼庫和框架，在數學運算方面有NumPy、SciPy，在可視化方面有MatplotLib、SeaBorn，結構化數據操作可以通過Pandas，針對各種垂直領域比如圖像、語音、文本在預處理階段都有成熟的庫可以調用。Python的代碼庫生態系統可以讓你在工作空間內，簡單地的通過一行命令安裝很多的這些框架，而這是許多機器學習框架所必須的。
3、Python功能強大。
Python在機器學習領域大放異彩的不僅是某個功能，而是Python整個語言包：它是一種易學易用的語言，它的生態系統擁有的第三方代碼庫可以涵蓋廣泛的機器學慣用例和性能，可以幫助你很好地完成手頭的工作。