一、机器学习派别

频率派：统计机器学习
贝叶斯派：概率图模型

二、学习书籍

李航《统计学习方法》：

周志华《机器学习》：

《PRML》： Pattern Recognition and Machine Learning，该书出版于2006年，是贝叶斯机器学习领域的经典之作。作者为Christopher M. Bishop，现为剑桥微软研究院实验室主任。

《MLAPP》： 全称 Machine Learning：A Probabilistic Prospective，是 2012 年出的一本讲机器学习的一本书。

《ESL》： The Elements of Statistical Learning

《Deep Learning》：

其他ML书籍：

个人笔记（这个学起来轻松一点）：

三、学习视频

1.台湾大学 林轩田：机器学习基石+技法；
2.上海交通大学 张志华：机器学习导论（概率派）、统计学习学习（贝叶斯派）；
3.Ng（首选）：CS229、CS231；
4.徐亦达：概率模型算法，github：notes；
5.台湾大学 李宏毅：ML、MLDS；

四、数学基础

1.线性代数： 推荐MIT Gilbert Strang教授的线性代数课程，在B站上可以搜到，顺便练练英语，收获颇多；

五、学习思路

个人认为，机器学习小白可以从实际项目入手，因为竞赛平台就有大量的机器学习项目，比如阿里天池、Kaggle两大平台（先把基本的机器学习算法弄明白再来）。