承网上的前辈所言：机器学习不是一个一个孤立的算法堆砌起来的，想要像看《算法导论》这样看机器学习是个不可取的方法．机器学习里面有几个东西一直贯穿全书，比如说数据的分布、最大似然（以及求极值的几个方法，不过这个比较数学了），偏差、方差的权衡，还有特征选择，模型选择，混合模型等等知识，这些知识像砖头、水泥一样构成了机器学习里面的一个个的算法。想要真正学好这些算法，一定要静下心来将这些基础知识弄清楚，才能够真正理解、实现好各种机器学习算法。
学习的资料，大概分这么几个方面：
１．在线课程
台大林轩田老师在coursera上的＜机器学习基石＞是对学习理论的一个很好的介绍，他在＜机器学习技法＞中也会在介绍多个常用算法的同时辅以从理论方面的解释，本来这两堂课在台大就是一体的．如果学习机器学习，以此入门，个人认为是首选．
备选的在线课程有吴恩达的课程，较前者更易．
２．教材
书籍方面不建议直接啃周志华教授的＜机器学习＞（俗称西瓜书，因为大部分篇幅以西瓜分类等问题为背景，因而得名），里面数学挺多，新人的话觉得比较容易迷失在细节里．＜机器学习实战＞用来入门，个人觉得不错，虽然很多人吐槽其中的代码质量．西瓜书和李航教授的＜统计学习方法＞可以备在案头，常读常新．国外的经典教材没有读过，不予评价．另外，＜集体智慧编程＞＜数据分析实战＞＜人工智能：一种现代方法＞皆是拓宽视野不可多得的好书，不要轻易错过．
３．工具软件
边学习边验证，效率更高．有些成熟的机器学习框架，可以让我们在学习中更方便的获得感性的认知．这方面，首推Python系的scikit-learn,易用性不说，文档也感人到不行．备选有Spark中的MLlib以及Mahout，各自优缺点不赘述，一查便明．如果是统计学出身的筒子们，用R或者Matlab当然也是棒棒哒..
４．数学
统计／概率／最优化（凸优化），这里面个个学问深似海，又实在缺不得．奈何人精力有限，对入门者可暂时放缓，集中火力攻一点，先对机器学习的整个知识体系有大概了解，在将数学知识持续补强．机器学习扎根于数学，没有相关储备是走不远的．
５．实战
Kaggle和阿里的天池都可以尝试的玩耍一下，找些简单的玩具题目入手，不求成绩，能够熟悉整个的分析流程，应用上所学就好，想成大牛，慢慢来，比较快．
如果已经工作，尝试在工作中发现应用场景也是不错的，定能让你工作更出彩！