前言

机器学习是一个很庞杂的体系，我们经常听到一些词汇：“人工智能(AI)”、"深度学习(Deep Learning)”、“机器学习”、“神经网络”、“卷积神经网络”、“Tensorflow”、"Pytorch"还有GPU、NPU、TPU等。这些概念铺天盖地，扑面而来，让人迷惑。如果有一个路线图，将能加速我们的入门。当然，这种指南也是铺天盖地，充斥着github和各大技术社区的AI版面。
本文还是继续造一个轮子。但尽量融入自己的理解，不人云亦云。

理论基础

数学基础

• 微积分：《重温微积分》，搞清楚微分、积分、级数、偏导等基本概念和数学公式
• 线性代数：《线性代数可以这样学》，线性空间，矩阵的基本运算
• 概率论：浙大的《概率论与数理统计》第四版，盛骤等编，主要公式，先验概率、朴素贝叶斯等基本概念
• 统计：李航的《统计学习方法》，先看基础内容，凸优化、泛函分析等慢慢看。

机器学习的基本理论

基础

• 机器学习，书本可以参考 Pattern Recognition。
• 大牛lecture
  • Andrew Ng(大牛吴恩达)的Machine Learning 视频。难度对初学者来说比较高，但是毕竟是经典，这个视频在网易公开课上有。
  • Tom Mitchel 的 Machine Learning Course，youtube源，发音标准，画质感人，难度较低，但是有点啰嗦。因为是CMU的公开课，课程设置比较循序渐进，配套资料也在课程主页可以找到。

核心算法分门别类（适当减少学习范围）

机器学习主要解决如下几类问题：监督学习（如分类问题、预测问题）、无监督学习（聚类）、半监督学习、关联学习
监督学习（学习器通过对大量有标记的(labeled)训练例进行学习）

分类问题区别于普通预测问题的是分类问题返回的是类别，而普通预测问题是一个数字。
先学习基本的分类算法：决策树、KNN、贝叶斯
再了解业界经典：SVM、神经网络（如ANN，BP神经网络）
感兴趣可以学习一下经典的统计学理论应用：HMM
无监督学习（与监督相反）

如果不仔细抠字眼，就我浅薄的理解，就是聚类，既然是聚类，由易到难，可以分别学习
K-means，最简单最基本的聚类
进一步学习混合高斯模型：GMM
再进一步可以学习Spectral Clustering(谱聚类)
还有层次聚类等，但是上述三个学习了就对聚类理解很深刻了。
半监督（顾名思义，利用大量的未标记示例来辅助对少量有标记示例的学习）
这个是上述两种的进阶，入门可以不考虑。

关联分析

这个和数据挖掘最相关
理解频繁项集和The Apriori algorithm算法试试感觉好了。

经典理论和算法研读

先推荐几个首先映入我脑海的：
SVD
PCA、LDA
SVM
Naive Bayes、决策树
EM算法
GMM
Adaboost
KNN、K-means

实战

建议在python平台下学习：
理由1：平台有学习框架scikit-learn，里面有很多机器学习的包可供调用，做科研当然是matlab方便，但是结合numpy，scipy, panda和matplotlib等库，可以在python环境下搭建一套足够用的分析架子去实验和看效果。
理由2：国外很多论文慢慢都转向用python实现。公司内部资料也多。
理由3：顺带学python不解释。
理由4： 以上说的很多算法在python平台都可以找到源码研读。

解决实际问题

结合自己的平时项目中遇到的实际问题去开发一个实际可用的程序。
这个可以结合个人兴趣和实际情况，如我打算将IT爱好者帖子推荐那套逻辑自己做一下。
能解决问题才是最重要的。解决完一个问题对提升信心帮助极大。

说明

本文部分选自网友的建议，后续我会根据个人体会重新整理，不断完善此文。