个人认为要很好的掌握当前火热的深度学习，最佳的学习路线为：

常用的统计分析-》sklearn库-》深度学习相关

官网地址：
https://scikit-learn.org/stable/index.html

简介

sklearn 是 Python 编程语言的一个开源机器学习库，全称是 scikit-learn。它提供了简单高效的工具，用于数据挖掘和数据分析。

常用的模型，如：线性回归、支持向量机、决策树、随机森林、聚类、PCA降维等等。

安装

pip install -U scikit-learn
# 或
pip3 install -U scikit-learn
# 请根据自己的环境进行选择

简单线性回归Demo

from sklearn import linear_model
reg = linear_model.LinearRegression()
# 特征数据：[[0, 0], [1, 1], [2, 2]]
# 标签数据：[0, 1, 2]
# 表示的是[0, 0]对应的标签为0；[1, 1]对应的标签为[1, 1]；。。。。。
reg.fit([[0, 0], [1, 1], [2, 2]], [0, 1, 2])
print(reg.coef_)
# array([0.5, 0.5])

拟合的效果如上图，其中黑色的点是要学习的数据集，蓝色的是模型拟合后的线。

备注：demo的数据和图数据不完全匹配，但是思想逻辑一样的，官网应该是处于简单考虑。

建议大家掌握的几个模型

# 线性回归
from sklearn import linear_model
reg = linear_model.LinearRegression()

# 支持向量机
from sklearn import svm
slf = svm.SVC(gamma='auto')

# 决策树
from sklearn import tree
clf = tree.DecisionTreeClassifier(random_state=0)

# 随机森林
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier()

# 聚类
from sklearn.cluster import KMeans
k = 2 # 分类数目，必须指定
kmeans = KMeans(n_clusters=k, random_state=0, n_init="auto")

# PCA降维
from sklearn.decomposition import PCA
dim = 2 # 降到多少维度，必须指定
pca = PCA(n_components=dim)