如果是Python科学计算生态系统的新手，强烈推荐阅读《Python科学讲义》。这将帮助快速入门，并显著提升scikit-learn使用体验。为了充分利用scikit-learn，建议先掌握NumPy数组的基础知识。
网络上有多个针对特定主题领域的在线教程，例如：
以下是一些介绍scikit-learn的视频资源，适合不同层次的学习者：
在2013年Scipy会议上，Gael Varoquaux、Jake Vanderplas和Olivier Grisel共同介绍了scikit-learn的基础知识，分为两个部分。这些视频可以在GitHub上的Notebooks中找到。
Gael Varoquaux在2010年ICML会议上介绍了scikit-learn，这是一个早期的视频，解释了遵循的基本思想和方法。
Gael Varoquaux在2011年Scipy会议上提供了一个全面的教程，包括四个小时的课程。该教程涵盖了机器学习的基础知识、多种算法以及如何使用scikit-learn应用它们。
Olivier Grisel在2011年PyCon会议上介绍了使用scikit-learn和NLTK进行文本分类的统计学习方法，这是一个三十分钟的介绍，解释了如何使用NLTK和scikit-learn解决现实世界的文本分类任务，并与基于云的解决方案进行了比较。
Olivier Grisel在2012年PyCon会议上介绍了使用scikit-learn进行交互式预测分析的基础知识，这是一个三小时长的介绍，专注于使用scikit-learn的任务预测。
Jake Vanderplas在2012年Google举办的PyData研讨会上介绍了scikit-learn，这是一个75分钟的互动演示，展示了scikit-learn的一些特性。
Jake Vanderplas在2012年PyData NYC会议上进行了scikit-learn教程的演讲，这是一个45分钟的在线教程演示。
以下是一个简单的Python代码示例，展示了如何使用scikit-learn进行简单的机器学习任务。请确保已经安装了scikit-learn库。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建随机森林分类器
clf = RandomForestClassifier(n_estimators=100, random_state=42)
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2f}")
这段代码展示了如何使用scikit-learn的随机森林分类器来对鸢尾花数据集进行分类，并计算模型的准确率。