文章中列举的内容仅是我们的一些建议，肯定有不全面或者不足的地方，自己结合自己的实际情况学习即可
目录：
机器学习 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。下面是ML比较完备的知识技能图
- 机器学习与数据挖掘的区别
- 机器学习关注从训练数据中学到已知属性进行预测是方法
- 数据挖掘侧重从数据中发现未知属性是个概念
- 深度学习与机器学习区别
- 人工智能定义
- 机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别之间的关系是什么？
- 《数学之美》作者：吴军 讲述数学在NLP语音等方面应用
- 《程序员的数学系列》这套共三本含高数，线代，统计。写的很好
- 《线性代数应该这样学》 从本质来讲，让你耳目一新，我就感觉线代白学了
- 《The Elements of Statistical Learning》后期精进可以可以读读，挺难的
- 《统计学习方法》作者：李航 讲解统计的一些方法。是机器学习的数学基础，另外需要线性代数，概率论，统计学等数学知识 后面阶段少不了推算公式的
- 《机器学习》西瓜书 作者：周志华。 本人读过入门级拿西瓜做案例很清晰，没有数学基础还是不要看，特别是程序员，因为周老师层次太高偏学术。
- 《DeepLearning》花书，最近中文版要出版了,称为圣书，这个可以慢慢啃，绝对要看的。
- 《机器学习》作者Mitchell。Mitchell是机器学习的鼻祖，第一个提出机器学习概念的人。这本书很薄，很简单。内容很陈旧，但是都是机器学习的经典问题。而且，这本书概念清晰正确(很可贵啊，又简单又正确的书，说明作者功力很强)。
- 《神经网络与机器学习》作者：Simon Haykin。 事实上，现在常见的很多机器学习算法都发端于神经网络，像SVM，深度学习，CNN等等。这本书详细的介绍了神经网络及其相关算法的所有细节。如果想深入了解的话，可以看一下。只想运用的话，也可以随便翻翻算法的介绍。
- 《模式识别与机器学习》马春鹏 有数学基础再搞，不然很难受
- 《集体编程智慧》代码丰富，结合理论搞
- 《机器学习算法原理与编程实战》有理论有代码
- 《机器学习实战》推荐
- 《数据挖掘导论》我学习过程中必不可少
- 自然语言处理怎么最快入门
- 统计自然语言处理
- 信息检索导论
数学基础机器学习必要的数学基础主要包括：
- 线性代数 英文无障碍的话推荐MIT的Gilbert Strang 李宏毅也教过线性代数哦 实现不行看看张宇的考研视频也行，再者还是看看程序员的数学
- 统计基础
- Introduction to Statistics: Descriptive Statistics
- Probabilistic Systems Analysis and Applied Probability | 概率 ( 可选)
- Introduction to Statistics: Inference - 以上是国外课程，自己拿大学相关课本看看或者到网易公开课找,推荐《程序员的数学之线性代数》
- 编程基础 - Python，R这些从廖雪峰，菜鸟教程还有等等看看文档就行 ，numpy，sk，pandas这些库也要会 - Programming for Everybody (Python)
- **国立大学李宏毅中文教学讲课幽默易懂，很多不清楚的看了就懂了，它还有个PPT合集，堪称一天学完深度学习，浅显易懂可以搜搜
- 吴恩达深度学习新课可以搜单个课程这样可以旁听不要钱 【网易云课堂现在和吴恩达合作了，免费的中文字幕体验更好，作业还在courseras上写吧】
- 2014 Andrew Ng (Stanford)机器学习:英文原版视频 这就是针对自学而设计的，免费还有修课认证。“老师讲的是深入浅出，不用太担心数学方面的东西。而且作业也非常适合入门者，都是设计好的程序框架，有作业指南，根据作业指南填写该完成的部分就行。”(和林轩田课程二选一)
- 2016年 林軒田(国立**大学) 機器學習基石 (Machine Learning Foundations) -- 華文的教學講解
- Neural Networks for Machine Learning Hinton的大牛课程，可想而知
- 没有公式，没有代码的深度学习入门视频，每集五分钟
- CS231N Stanford winter 2016FeiFei 计算机视觉大牛李飞飞的课程
- CS224N NLP Winter 2017 搞NLP的可以看看，最新前言课程 slides
- Udacity 的 ML & DL 最近刚看的，DL两个人合作以对话形式，很幽默
- tornadomeet机器学习笔记
- WeChat公众号：机器之心，数盟，量子位，新智元，
- 我爱机器学习
- MITBBS－ 电脑网络 - 数据科学版
- 果壳 > 机器学习小组
- 统计之都 » 统计学世界 » 数据挖掘和机器学习
- 北邮人论坛 >> 学术科技 >> 机器学习与数据挖掘
The Discipline of Machine LearningTom Mitchell 当年为在CMU建立机器学习系给校长写的东西。 A Few Useful Things to Know about Machine Learning Pedro Domingos教授的大道理，也许入门时很多概念还不明白，上完公开课后一定要再读一遍。
矩阵求导 知乎找答案
by Tinglok
已经完成的都会带有我在学习过程中见到比较好的资料，或者我自己总的，这样减少大家在学习过程中找资料的成本
辅助用视频Ng的courses《machine learning》，**国立大学林老师《机器学习基石》、《数据挖掘导论》第4、5章
- 感知机(Perceptron) - 如何理解感知机算法的对偶形式 - 为什么随机梯度下降方法能够收敛？
- 线性回归模型(Linear regression model)
- 逻辑回归模型(Logistic regression model)
- 浅层神经网络(Neural Network)
- 支持向量机(Support Vector Machine)
- 交叉验证(Cross Validation)[[1]] [2] [3] [4]
- 聚类[1]
- 内积与映射，线性相关/无关，特征值/特征向量、特征向量、特征分解、矩阵的迹、奇异值分解(SVD)、谱定理
复习《概率论与数理统计》、理解《Deep Learning》中的4.3节和4.4节，《Numerical Optimazation》、《最优化理论与方法》袁亚湘，孙文瑜、《统计学习方法》、《数据 挖掘导论》、《机器学习实战》、《智能优化方法》
- 一阶无约束优化算法
- 梯度下降法（步长的确定方法、线搜索法，信赖域法）
- 二阶无约束优化算法
- 牛顿法
- 共轭梯度法
- 拟牛顿法
- 约束优化算法
- 线性规划(概念与应用、单纯形法、内点法）
- 二次规划(概念与应用、对偶法、积极集法）
- 拉格朗日乘子法的简单认识
- 感知机模型
- K近邻模型
- 朴素贝叶斯模型
- 决策树模型
- 支持向量机模型
- 集成分类器
- Bagging
- Boosting
- Random Forest
- 遗传算法
- 模拟退火
- 禁忌搜索算法
- 蚁群算法
- 粒子群优化算法
- LDA/PCA
- SVD
- 贝叶斯决策（《模式分类》）
- 参数估计
- 非参数方法
- 线性判别函数
- 浅层神经网络
- delta方法
- BP算法及其优化
- RBF网络
- 深度神经网络（DL中文版书籍）
- Hopfield网络
- 玻尔兹曼机
- RBM
- DBN
- DBM
- CNN
- Autoencoder
- RNN
- LSTM (CNN~LSTM)李宏毅教授的课不要太好了。一听就懂
- 聚类
- 高斯混合密度
- K-means
- 层次聚类
- 决策树与随机森林
- 特征提取与特征选择
应该是各种框架和工程，比赛吧，哈哈，到这个阶段就有自己的方向，现在自己也不知道干啥，哈哈哈
编程是一定要的，推荐先用Python把常用算法实现一遍，然后把NG深度学习课程作业敲一遍，自己写神经网络，你就会明了，一定要code，code，code。后面用tf+keras等都可以。
知识点：(每一周深入学习一种网络) 《统计学习方法》、《Deep Learning》、《模式分类》
-
前馈神经网络
-
自编码器(Auto-Encoder)递归神经网络(Recursive NN) / 循环神经网络(RNN)/ 卷积神经网络(CNN) / 神经张量网络 (NTN)
-
长短时记忆网络(LSTM) / 卷积长短时神经网络(convLSTM) / 张量递归神经网络(MV-RNN)/递归神经张量网络(RNTN)
-
受限波尔兹曼机(RBM) / 玻尔兹曼机
-
概率图模型
-
有向图模型->贝叶斯网络
-
无向图模型->马尔科夫随机场->条件随机场
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent