通過我自己的這大半年的接觸和了解，結合找工作需要現對於如何入門機器學習提幾點自己的看法。如果你以後要想幹算法工程師、機器學習工程師，數據挖掘工程師。那麼請你好好看一下我下面說的話。
============================================================================
總路線
先學機器學習，再學深度學習（實驗室某大神學長的建議），至少精通深度學習的一個方向：CV和NLP。期間要插科打諢地複習好數據結構、數學基礎和強化你的編程能力。
---------------------------------------------------------------------------------------------------------------------------
數學功底：概率論、線性代數、高數、信息論（主要是信息熵那部分）。
數據結構：樹、棧、鏈表、隊列、圖！慢慢琢磨吧。（要有優化算法複雜度的意識）
編程能力：請轉移到leetcode、賽碼陣營好好磨練。《劍指offer》這本書是需要你好好看的。
----------------------------------------------------------------------------------------------------------------------------------
書籍的話：《統計學習方法》（李航）、《機器學習》西瓜書、《深度學習》（Yoshua Bengio & Ian GoodFellow）、《PRML》（選看）、《利用python進行數據分析》
吳恩達的深度學習，機器學習課程，一些其他機器學習課程都可以看。在這裏，推薦一下中國海洋大學 黃海廣 博士牽頭的將吳恩達視頻做成的中文版學習筆記：機器學習和深度學習。我自己還沒有看，不清楚質量如何，但是應該比較省事了。有錢的話，推薦優達學城，不過貴，不免費。深度學習的工具tensorflow和pytorch，可以買本書看，學會看官方文檔，這兩個工具掌握一個就好。可以通過打比賽（天池、京東、騰訊、kaggle等），做項目，進一步強化自己的動手能力。
大數據的話要會，要了解並行化分佈式的東西，比如hadoop,spark,Hive等，要明白底層的工作原理。
機器學習主要模型：線性迴歸，邏輯迴歸，svm，各種樹模型。原理公式要會，會推導。（如果你要走機器學習崗的工作），現在算法崗對深度學習用處多一些。
經典算法：EM,HMM,貝葉斯網絡，樸素貝葉斯，聚類，PCA,LDA，高斯混合模型。
概率論相關：各種分佈，極大似然，最大後驗，假設檢驗的過程（顯著性水平和p的區別和聯繫），卡方檢驗等等。
---------------------
版權聲明：本文爲CSDN博主「_Amsterdam」的原創文章，遵循CC 4.0 by-sa版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/qq_34554003/article/details/80367344