数学基础：
大部分的人说，学机器学习，只需掌握大学三门课（数学分析、线性代数、概率论与数理统计），但这很不客观，有很多数学知识是这三门课中没有讲到的，这就会成为学习的瓶颈。想深化学习机器学习的人，很有必要学习以下数学课程：
1.《矩阵分析》：机器学习很多算法需求运用计算机来计算，就需求转换成计算机所接受的格式，而且很多矩阵相关的内容在线性代数中并没有触及，所以学习《矩阵分析》是很有必要的。
书籍：引荐 Horn的《矩阵分析》
2.《统计学》：大学时期开的概率统计的次要部分在于概率，而统计部分则是浅尝即止，就算包含了大数定律、抽样分布还是参数估计，也只触及了很粗浅的一部分（是以考研数学一的标准来衡量，而并非是课本，由于答主考的就是数学一，虽然浙大那本书里甚至包含了Markov Chain，但内容真的看不下去）。这些统计知识可以说是机器学习算法的基础组成，而且在实践项目中，掌握很多统计学方法会如虎添翼。
书籍：引荐 门登霍尔的《统计学》
（以上两门课程，可以在学习机器学习算法的同时停止学习，毕竟的确很多机器学习算法只需求大学数学的程度就够了，但学习这两门课是很必要的）
3.《最优化》
optimization是大部分机器学习算法都会遇到的成绩，由于很多机器学习算法都会被变成目的函数，最优化就是用来对目的函数参数求解的工具。
引荐：鼎鼎大名的《凸优化》
此书算是一本大部头，但并不难，本人当初只要大学工科数学基础就能比较流利地通读一遍。
以及一位冤家在回复中引荐的 《最优化导论》（答主未读过，暂不评价）
————————————————
入门书单与视频：
《数据发掘导论》
学习数据发掘，要先了解其到底是什么，这本书作为入门书非常好。这本书以实践运用为主，对算法的分析只触及到一点点，经过这本书阐明的次要是算法的运转过程和意义，而非算法本身的数学推理。这本书上的内容，高中生都能读懂，但答主读了不只三遍，而且在不同的阶段阶段，读这本书都有很大的体悟和播种。
李航教师的《统计学习方法》（已更新第二版）、周志华教师的《机器学习》（西瓜书）、Mitchell的《机器学习》
这三本书都是机器学习入门的经典书籍，之所以同时引荐三本，不是为了从这三本书中选一个，而是全部买上去对照着看：《统计学习方法》对公式的推理相对详细；周志华的书内容愈加广泛，但推理不太详细；Mitchell的书重在算法的思绪，对公式的推理很粗浅，但易懂。建议学习的时分以李航教师的书为基础，对周志华教师的书停止系统的学习。
视频：台大的《机器学习基石》与《机器学习技法》
不断以来，很多人引荐的入门视频都是Andrew NG的课程，但本人愈加倾向于台大这两门课，这两门课从最基础的实际到各种典型的机器学习算法都包括，非常注重公式的推导，相比NG的课难度更高，但播种也更多。当残缺的学习残缺个课程，将会对机器学习的知识体系有很好的了解。
————————————————
实战：
《集体智慧编程》
此书无公式推导，只告诉我们哪个算法能做什么，需求做什么。虽然粗浅，但真正的触及到了数据发掘存在的意义：数据发掘真正的目的就是对数据停止分析发掘，得到有用的信息。数据发掘最基础的当然是数学和统计学，但假如只会对数学公式停止推导确不知道如何运用这些数学公式，那应该是一个假的数据迷信家。答主大一时学习的是Java，当时次要搞的是JavaEE开发，也很喜欢数据结构以及ACM，自然对于编程算是比较擅长的，答主是以一个程序员的身份末尾学习的数据发掘，所以对这本以Coding来对数据发掘停止引见的书很有好感。
《机器学习实战》[选修]
这本书是真正的造轮子，将各种机器学习算法真正的用python完成了一边，虽然对于数值分析等方面思索的并不周祥，但曾经算是一本造轮子的书。学习了机器学习算法后，造着这本书完成一遍，是一件很有成就感的事情，但这本书并非必读，答主也只是完成了其中几个算法而已，由于这本书的很多算法写的并不是很好，而想对这本书的程序停止改善，通常会走弯路，所以行不足力，则读此书
《应用Python停止数据分析》
这本书引见了最次要的python数据处理工具：numpy,pandas,matplotlib等，当通读完一遍之后，这本书就可以被当成工具书，偶然查一查。
《机器学习系统设计》
python平台上最火机器学习库一定是scikit-learn，在答主还没有预备考研的时分，这本书还没出，当时答主将次要目的放在了算法的学习上，虽然对scikit-learn爱慕已久，但苦于没有中文版的书籍又懒得读英文版（当时中二的以为本人编程很吊，等出了中文版随意看看就学会了，没有必要糜费脑细胞去读英文版），所以不断到考研结束后继续学习机器学习之路，发现这本书后，欣喜若狂，很快就将这本书买下并拜读。
————————————————
中级：
在这一阶段，基础的机器学习算法曾经不是成绩，较为深化的部分也分出了方向，答主目前在学习深度学习，但不断没有放弃深化学习机器学习的目的
机器学习：《pattern recognition and machine learning》
这本书曾经有很多人引见过了，这本书虽然是大部头，但作者写的行云流水，把贝叶斯玩的很6，思绪非常明晰，而且全。每当我在推导算法的时分遇到妨碍，都会从这本书中找答案，侥幸的是这本书通常都会给我答案。比如前几天学习Boltzmann机的时分对MCMC和Gibbs算法的了解不太好，有写疑惑，我回头翻了这本书的中文版（马春鹏学长翻译的版本，我本人印成了书），读了书中第11章，又在网络上找了相关的知识，就完全了解了。
深度学习：Yoshua Bengio的《深度学习》
这本书就不引见了，由于答主也正在读这本书，而且对深度学习连入门都不算，只是有一点神经网络基础。网络上很多人引荐这本书，目前答主正在读此书第二部分，播种颇丰。
深度学习：Nielsem的《Neural Networks and Deep Learning》
这本书简短精悍，从BP算法和引见到了CNN，算是深度学习很好的入门书籍。
机器学习视频：徐亦达的机器学习视频
youtube地址：https://www.youtube.com/channel/UConITmGn5PFr0hxTI2tWD4Q/playlists
他的视频是之前在复习EM算法的时分发现本人的了解不太深，在youtube上查相关的讲解，发现到的。他上传的视频只要四个系列，次要在于公式的推导，讲解深化浅出，个人以为是非常优秀的机器学习教程。
（还有很多优秀的书籍没有引荐，比如《ESL》《MLAPP》等等，为什么没有引荐，不是书不好精神及才能有限，还未拜读到，假如日后读到了，会给补上。） |
