1. 环境准备：更新系统与安装基础工具
在Ubuntu上开展Python机器学习实践前，需先确保系统环境稳定。打开终端，执行以下命令更新系统软件包并安装基础工具（如build-essential用于编译Python扩展、git用于版本控制）：
sudo apt update && sudo apt upgrade -y
sudo apt install -y python3 python3-pip git build-essential htop
验证Python与pip版本（需Python 3.6+、pip 20.0+）：
python3 --version # 确认Python版本
pip3 --version # 确认pip版本
2. 配置Python虚拟环境（隔离项目依赖）
为避免不同项目间的库冲突，强烈推荐使用虚拟环境。以Ubuntu自带的venv模块为例，操作步骤如下：
# 创建虚拟环境目录（如命名为"myenv"）
python3 -m venv myenv
# 激活虚拟环境（激活后终端提示符会显示环境名）
source myenv/bin/activate
激活后，后续安装的库将仅存在于该环境中，不会影响系统全局Python配置。
3. 安装核心机器学习库
在激活的虚拟环境中，安装Python机器学习的常用库：
numpy（数值计算）、pandas（数据框操作）、matplotlib/seaborn（数据可视化）；scikit-learn（涵盖分类、回归、聚类等算法）；tensorflow（适合工业级部署）、torch（PyTorch，灵活易用）。pip install numpy pandas matplotlib seaborn scikit-learn
pip install tensorflow # 或 pip install torch torchvision torchaudio（PyTorch）
若需GPU加速（如使用CUDA），需额外安装对应版本的CUDA Toolkit与cuDNN（参考框架官方文档）。
4. 实践经典机器学习项目（以线性回归为例）
通过一个简单的线性回归案例，熟悉Python机器学习的工作流程。创建linear_regression.py文件，编写以下代码：
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# 生成模拟数据（X为特征，y为目标值）
X = np.random.rand(100, 1) # 100个样本，1个特征
y = 2 + 3 * X + np.random.randn(100, 1) * 0.1 # 添加噪声
# 划分训练集（80%）与测试集（20%）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建线性回归模型并训练
model = LinearRegression()
model.fit(X_train, y_train)
# 预测测试集结果
y_pred = model.predict(X_test)
# 评估模型（均方误差）
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.4f}")
print(f"Model Coefficient: {model.coef_[0][0]:.4f}, Intercept: {model.intercept_[0]:.4f}")
运行脚本：
python3 linear_regression.py
若输出类似Mean Squared Error: 0.0103的结果，说明模型训练成功。
5. 使用Jupyter Notebook进行交互式开发
Jupyter Notebook是数据科学常用的交互式工具，支持代码、文本与可视化结合。安装与启动步骤如下：
# 通过conda安装Jupyter（若未安装conda，可通过Anaconda或miniconda安装）
conda install jupyter
# 启动Jupyter Notebook（默认端口8888）
jupyter notebook
启动后，终端会显示访问链接（如http://localhost:8888/?token=...），在浏览器中打开即可创建新的Notebook文件（选择"Python 3"内核），编写并运行代码。
6. 扩展：图像处理与计算机视觉（以OpenCV为例）
若需处理图像数据（如分类、检测），可安装opencv-python库。安装命令：
pip install opencv-python
以下是一个简单的图像分类示例（假设已有图像数据集，存储在images文件夹中，每个图像对应一个标签）：
import cv2
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
import os
# 读取图像并转换为灰度图（简化处理）
image_folder = "images"
images = []
labels = []
for filename in os.listdir(image_folder):
img_path = os.path.join(image_folder, filename)
img = cv2.imread(img_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰度图
images.append(gray.flatten()) # 展平图像为一维数组
labels.append(int(filename.split('_')[0])) # 假设文件名格式为"label_xxx.jpg"
# 转换为NumPy数组
images = np.array(images)
labels = np.array(labels)
# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(images, labels, test_size=0.2, random_state=42)
# 训练随机森林分类器
clf = RandomForestClassifier(n_estimators=100)
clf.fit(X_train, y_train)
# 评估模型
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Image Classification Accuracy: {accuracy:.4f}")
该示例展示了如何将图像数据转换为模型可处理的格式，并使用经典算法进行分类。
7. 部署机器学习模型为Web服务（以Flask为例）
若需将训练好的模型部署为在线服务，可使用Flask框架。安装Flask：
pip install Flask
创建app.py文件，编写以下代码（以线性回归模型为例）：
from flask import Flask, request, jsonify
import numpy as np
from sklearn.linear_model import LinearRegression
app = Flask(__name__)
# 初始化模型（此处直接加载训练好的模型，实际项目中可从文件加载）
model = LinearRegression()
model.coef_ = np.array([[3.0]]) # 示例系数
model.intercept_ = np.array([2.0]) # 示例截距
# 定义API接口
@app.route('/predict', methods=['POST'])
def predict():
# 获取请求中的JSON数据
data = request.get_json()
X = np.array(data['features']).reshape(-1, 1) # 转换为二维数组
# 预测结果
prediction = model.predict(X)
return jsonify({'prediction': prediction.tolist()})
# 启动服务
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5000)
运行Flask应用：
python3 app.py
使用curl或Postman发送POST请求（http://localhost:5000/predict），请求体为{"features": [1.0, 2.0, 3.0]}，即可获取模型预测结果。