参考：
1、 如何用3个月零基础入门「机器学习」？
2、 非计算机专业学生如何转行 AI，并找到算法 offer？
3、 从入门到高阶，读懂机器学习需要哪些数学知识（附网盘）
4、 【学界】一文读懂机器学习需要哪些数学知识(附全套优秀课程的网盘链接资源)
5、 奔走相告！亚马逊内部机器学习课程现向大众免费开放
6、 从基础概念到数学公式，这是一份520页的机器学习笔记（图文并茂）
7、 学习机器学习过程中都走过哪些弯路，怎样避免走弯路？
8、 普通程序员如何正确学习人工智能方向的知识？
9、 如何自学人工智能？
一 概述
- 不要把深度学习作为入门第一课，建议从经典机器学习开始入手。
- 不要过度收集材料，机器学习的资料有很大的时效性。
- 选择符合自己风格的材料，进行 T 字形阅读。
- 如果在读，优先进实验室，再去找实习，最后一条路是好好刷 GPA。
- 学好英语，至少打下阅读和听力的基础。
- 不要试图掌握所有的相关数学知识再开始学习。
二 补充资料
- PracticalAI 从零开始学习人工智能（重实践）。
- Interpretable Machine Learning。
- 从基础概念到数学公式，机器学习笔记。
- Python 深度学习。
- 深度学习500问。
- 机器学习技能图谱。
- 哥伦比亚大学研究生详细吴恩达《机器学习》笔记。
- 读懂机器学习需要哪些数学知识，备用连接 1：密码: yzkx，备用连接 2：密码: i7mn。
- 实验楼-路径：机器学习工程师
- AWS Machine Learning 学习课程。
- 极客时间：人工智能基础课。
- Kaggle 挑战赛/练习。
三 详细学习路径
0 极速了解人工智能
参考：
1、 极客时间：人工智能基础课
1 基础入门（3-6 个月）
- 吴恩达 Cousera 机器学习课程。
- 《Python 机器学习》、《Hands-On Machine Learning with Scikit-Learn and TensorFlow》、《Introduction to Statistical Learning with R》。
- 周志华《机器学习》，作为参考书。
2 进阶学习（3-6 个月）
- Kaggle 挑战赛/练习，链接。
- Sklearn 文档学习。
3 深度学习（3-6 个月，可选）
4 深入研究
- 周志华老师的《机器学习》、李航老师的《统计学习基础》、《Elements of Statistical Learning》。
- 订阅 Arxiv，关注机器学习的顶级会议，如 ICML/NIPS/KDD 等。
四 需要的数学知识
1 入门基础
- 微积分（求导，极限，极值）。
- 线性代数（矩阵表示、矩阵运算、特征根、特征向量），（主成分分析（PCA）、奇异值分解（SVD）、矩阵的特征分解、LU 分解、QR 分解、对称矩阵、正交化和正交归一化、矩阵运算、投影、特征值和特征向量、向量空间和范数（Norms））。
- C/C++/Python.
- 算法（算法复杂度）。
- 矩阵求导。
2 中级教程
- 概率论+统计（很多数据分析建模基于统计模型）、统计推断、随机过程。
- 线性规划 + 凸优化（或者只学一门叫 Numerical optimization，统计、机器学习到最后就是求解一个优化问题）、非线性规划等。
- 数值计算、数值线代等。
3 高阶课程
- 略。
