这是我在开始学习机器学习的知识的时候，看到的一个比较不错的基础学习路径教程以及部分学习资源。
1.基本概念
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。
下面从微观到宏观试着梳理一下机器学习的范畴：一个具体的算法，领域进一步细分，实战应用场景，与其他领域的关系。
图1: 机器学习的例子：NLTK监督学习的工作流程图
机器学习概要图 by Yaser Abu-Mostafa (Caltech) (source: http://work.caltech.edu/library/181.html)
图3: 机器学习实战：在python scikit learn 中选择机器学习算法 by Nishant Chandra (source: http://n-chandra.blogspot.com/2013/01/picking-machine-learning-algorithm.html)
机器学习和其他学科的关系： 数据科学的地铁图 by Swami Chandrasekaran
2.入门攻略
大致分三类： 起步体悟，实战笔记，行家导读。
机器学习入门者学习指南[起步体悟] 研究生型入门者的亲身经历
有没有做机器学习的哥们？能否介绍一下是如何起步的[起步体悟] 研究生型入门者的亲身经历，尤其要看reyoung的建议
tornadomeet 机器学习笔记[实战笔记] 学霸的学习笔记，看看小伙伴是怎样一步一步地掌握“机器学习”
Machine Learning Roadmap[行家导读] 虽然是英文版，但非常容易读懂。对Beginner,Novice,Intermediate,Advanced读者都有覆盖。
3.几个建议：
既要有数学基础，也要编程实践(不要因为数学考的分数低而放弃，以前考的分数低，不代表你学不会，相信自己！)。
别怕英文版，你不懂的大多是专业名词，将来不论写文章还是读文档都是英文为主（必须要学英文的！不要逃避了。
实践是检验知识的唯一标准，天池大数据
是一个定期举办数据分析挖掘比赛的网站，带着你学到的知识来检验一下吧。
4.入门课程：
Tom Mitchell 和 Andrew Ng 的课都很适合入门，Andrew Ng的课程是推荐的最多的，基本初学机器学习，都会被推荐先学习一下这门公开课，另外我有这门课的离线教程，并且由实验室博士学长制作部分中文字幕与学习笔记，以及部分代码，想要的可以关注我的简书帐号【流川枫debug】，通过简信私信我。当然，你也可以在网易公开课等在线课堂注册这门课程，还会有一些随堂练习。希望对机器学习以及数据挖掘感兴趣的博主，一起加入到我们这个专题中来，一起学习，享受分享的乐趣。
作者：流川枫AI
链接：https://www.jianshu.com/p/fe2900cfae7b
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。
