机器学习
公开课 吴恩达《Machine Learning》
这绝对是机器学习入门的首选课程，没有之一！即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础，也能轻松上手这门机器学习入门课，并体会到机器学习的无穷趣味。
课程主页：
https://www.coursera.org/learn/machine-learning
中文视频：
网易云课堂搬运了这门课，并由黄海广等人翻译了中文字幕。
中文笔记及作业代码：
https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
公开课 吴恩达 CS229
吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似，但是有更多的数学要求和公式的推导，难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。
课程主页：
http://cs229.stanford.edu/
中文视频：
http://open.163.com/special/opencourse/machinelearning.html
中文笔记：
https://kivy-cn.github.io/Stanford-CS-229-CN/#/
速查表：
这份给力的资源贡献者是一名斯坦福的毕业生 Shervine Amidi。作者整理了一份超级详细的关于 CS229的速查表
https://zhuanlan.zhihu.com/p/56534902
作业代码：
https://github.com/Sierkinhane/CS229-ML-Implements
公开课 林轩田《机器学习基石》
台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。
中文视频：
https://www.bilibili.com/video/av36731342
中文笔记：
https://redstonewill.com/category/ai-notes/lin-ml-foundations/
配套教材
配套书籍为《Learning From Data》，在线书籍主页：http://amlbook.com/
公开课 林轩田《机器学习技法》
《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。
中文视频：
https://www.bilibili.com/video/av36760800
中文笔记：
https://redstonewill.com/category/ai-notes/lin-ml-techniques/
书籍 《机器学习》
周志华的《机器学习》被大家亲切地称为“西瓜书”。这本书非常经典，讲述了机器学习核心数学理论和算法，适合有作为学校的教材或者中阶读者自学使用，入门时学习这本书籍难度稍微偏高了一些。
配合《机器学习实战》一起学习，效果更好！
读书笔记：
https://www.cnblogs.com/limitlessun/p/8505647.html#_label0
公式推导：
https://datawhalechina.github.io/pumpkin-book/#/
课后习题：
https://zhuanlan.zhihu.com/c_1013850291887845376
书籍 《统计学习方法》
李航的这本《统计学习方法》堪称经典，包含更加完备和专业的机器学习理论知识，作为夯实理论非常不错。
讲课 PPT：
https://github.com/fengdu78/lihang-code/tree/master/ppt
读书笔记：
http://www.cnblogs.com/limitlessun/p/8611103.html
https://github.com/SmirkCao/Lihang
参考笔记：
https://zhuanlan.zhihu.com/p/36378498
代码实现：
https://github.com/fengdu78/lihang-code/tree/master/code
书籍《Scikit-Learn 与 TensorFlow 机器学习实用指南》
在经过前面的学习之后，这本《Scikit-Learn 与 TensorFlow 机器学习实用指南》非常适合提升你的机器学习实战编程能力。
这本书分为两大部分，第一部分介绍机器学习基础算法，每章都配备 Scikit-Learn 实操项目；第二部分介绍神经网络与深度学习，每章配备 TensorFlow 实操项目。如果只是机器学习，可先看第一部分的内容。
全书代码：
https://github.com/ageron/handson-ml
实战 Kaggle 比赛
比赛是提升自己机器学习实战能力的最有效的方式，首选 Kaggle 比赛。
Kaggle 主页:
https://www.kaggle.com/
Kaggle 路线:
https://github.com/apachecn/kaggle
工具 Scikit-Learn 官方文档
Scikit-Learn 作为机器学习一个非常全面的库，是一份不可多得的实战编程手册。
官方文档：
https://scikit-learn.org/stable/index.html
中文文档（0.19）：
http://sklearn.apachecn.org/#/