統計學習，也就是本書講解的主要范圍之一，有許許多多著名的算法（比如支持向量機SVM）都源于統計學習（但是統計學習還是和機器學習有區別的；簡單地說，統計學習偏數學而機器學習偏實踐）。

機器學習還能夠進行模式識別、自然語言處理，等等，之前提到過的圍棋界的Master和最新人工智能在德州撲克上的表現亦無不呈現著機器學習強大的潛力。一言以蔽之，機器學習是當今的熱點，雖說不能保證它的熱度能100%地一直延續下去，至少筆者認為、它能在相當長的一段時間內保持強大的生命力。

人生苦短，我用Python
上一節大概地介紹了機器學習的各種概念，這一節我們主要講講腳本語言Python相關的一些東西。題目是在Python界流傳甚廣的“諺語”，它講述了Python強大的功能與易于上手的特性。

為何選擇Python

援引開源運動的領袖人物Eric Raymond的說法：“Python語言非常干凈，設計優雅，具有出色的模塊化特性。其最出色的地方在于，鼓勵清晰易讀的代碼，特別適合以漸進開發的方式構造項目”。Python的可讀性使得即使是剛學不久的人也能看懂大部分的代碼，Python龐大的社區和大量的開發文檔更是使得初學者能夠快速地實現許許多多令人驚嘆的功能。對于Python的程序，人們甚至有時會戲稱其為“可執行的偽代碼（executable pseudo-code）”，以突顯它的清晰性和可讀性。

Python的強大是毋庸置疑的，上文提到的Eric Raymond甚至稱其“過于強大了”。與之相對應的，就是Python的速度比較慢。然而比起Python開發環境提供的海量高級數據結構（如列表、元組、字典、集合等）和數之不盡的第三方庫，再加上高速的CPU和近代發展起來的GPU編程，速度的問題就顯得沒那么尖銳了。況且Python還能通過各種途徑使用C / C++代碼來編寫核心代碼，其強大的“膠水”功能使其速度（在程序員能力允許的情況下）和純粹的C / C++相比已經相去不遠。一個典型的例子，也是我們會在本書常常運用到的Python中Numpy這個第三方庫。編寫它的語言正是底層語言（C和Fortran），其支持向量、矩陣操作的特性和優異的速度，使得Python在科學計算這一領域大放異彩。

注意：Python及本書用到的兩個非常優異的第三方庫—Numpy和TensorFlow的簡要教程我們會作為附錄章節放在本書的最后，建議有需要的讀者先閱讀相應部分。

Python 在機器學習領域的優勢

雖然在上一小節敘述了Python的種種好處，但不可否認的是，確實存在諸如MATLAB和Mathematica這樣的高級程序語言。它們對機器學習的支持也不錯，MATLAB甚至還自帶許多機器學習的應用。但是作為一個問心無愧的程序員，我們還是需要提倡支持正版，而MATLAB的正版軟件需要花費數千美元。與之相對，由于Python是開源項目，幾乎所有必要的組件都是完全免費的。

之前也提到過Python的速度問題，但是更快更底層的語言，比如C和C++，若使用它們來學習機器學習，會不可避免地引發這么一個問題：即使是實現一個非常簡單的功能，也需要進行大量的編寫和調試的過程；在這期間，程序員很有可能忘掉學習機器學習的初衷而迷失在代碼的海洋中。筆者曾經嘗試過將Python上的神經網絡框架移植到C++上，這之間的折騰至今難忘。

此外，筆者認為、使用Python來學習機器學習是和“不要過早優化”這句編程界的金句有著異曲同工之妙的。Python（幾乎）唯一的缺陷—速度，在初期進行快速檢驗算法、思想正誤及開發工作時，其實基本上不是重要問題。其中的道理是顯而易見的：如果解決問題的思想存在問題，那么即使拼命去提高程序的運行效率，也只能使問題越來越大而已。這種時候，先使用Python進行快速實現，有必要時再用底層代碼重寫核心代碼，從各方面來說都是一個更好的選擇。

關于Anaconda

Python的強大有相當大一部分體現在它那浩如煙海的第三方庫。在使用Python實現一個復雜功能時，如果沒有特殊的需求，我們通常會先搜索Google有沒有現成的第三方庫，然后會搜索是否有相關聯的第三方庫，最后才會考慮自己重頭實現。

第三方庫是如此之多，從中挑選出心儀而合適的并非易事。幸運的是，就連這一點也有第三方軟件進行了支持，那就是在Python科學計算領域非常出名的Anaconda。這是一個完全免費的軟件，經常會進行各種更新；最重要的是，它把幾乎所有常用且優異的科學計算庫都集成在了一起。換句話說，只要你安裝了Anaconda，就意味著擁有了一個完善精致的機器學習環境，基本上無須自己把要用到的庫一個一個通過命令行來安裝。