学习Machine Learning当然需要一些微积分和线性代数以及概率论的基础，不过这些都是大学里面的必修课程，所以这方面的学习资源应该不需要作出推荐。在学过这些课程之后，入门机器学习就不会因为一些简单的数学推导而卡住了。接下来推荐一个机器学习的入门路线：
Step 1：吴恩达的机器学习课程
Coursera上面吴恩达的机器学习课程是很经典的入门课程，每个视频不是很长，里面的数学推导也都做到了尽可能地简单，并且算法都讲得清晰易懂。从线性回归和Logistic回归讲起，到梯度下降，神经网络模型这些都有涉及。建议看到支持向量机之前的部分就差不多了。之后就是无监督学习的部分，可以只看一下K-means聚类就行了。支持向量机这部分个人感觉课程里面讲得不是很好，可以去看：
Step 2：机器学习算法加强
吴恩达的机器学习课程已经讲了机器学习里面一些最经典的算法，但是还有一些算法没有讲到，并且里面有些算法讲得也不是很详细，这时可以去看李弘毅教授的机器学习课程视频：李宏毅机器学习(2017)，或者去看周志华教授写的西瓜书《机器学习》。看你是愿意看视频还是看书，书比较厚，视频也比较长。
Step 3：机器学习算法的代码实现
这一部分我也还没有亲自去做过，因为我觉得现在解决问题用的最多的还是深度学习，而如果要用机器学习算法的话，现场去网上找一找相关的博客，应该就能够快速上手了，再加上算法我们理解之后可以记忆很久，但是代码实现如果练习很少的话就会忘得很快，所以感觉暂时没有什么必要。到了这一步我觉得已经可以转向深度学习了。对于机器学习代码实战，推荐《 机器学习实战 》这本书，网上有对应的GitHub： AiLearning: 机器学习 – MachineLearning – ML、深度学习 – DeepLearning – DL、自然语言处理 NLP
Step 4：机器学习算法进阶
我想如果还要继续在机器学习方面深入学习下去的话，接下来应该就是看书，看书了吧….
- 《 Pattern recognition and machine learning 》
- 《统计学习方法》
- 《Understanding Machine Learning: From Theory to Algorithms》
Hardy's Mind Hacks 