本文纯干货，想要入门机器学习的同学可以参考一下。
问答干货
①练手项目推荐：《机器学习实战》,从零开始写机器学习算法代码，有实际的项目。有一定了解之后，去Kaggle上找竞赛做。
②教程推荐：公开课（吴恩达、coursera等），coursera上吴恩达的公开课
③语言推荐：python，MATLAB。很多开源工具（MXNet，Tensorflow，Keras）都有Python接口。
④python方面，网上有很多博客，比如廖雪峰的博客，感觉只需要了解即可，会用就行；传统算法入门的话，推荐李航的《统计学习方法》,入门最合适。最近出了Bengio的《Deep learning》书，有中文翻译，前面章节全是传统算法。不推荐一上来就看大家都说的《pattern recognition and machine learning》以及《模式分类》,这两本书不适合入门。
⑤完全零基础的入门性质的资料：视频：https://www.youtube.com/watch?v=IpGxLWOIZy4&t=9s
机器学习入门： http://www.cnblogs.com/subconscious/p/4107357.html
⑥数学基础课：数学（概率、线代、高数、随机过程，排名分先后）
⑦发论文经验：目前我只是有paper在投，还没有成功发过，哈哈。经验嘛，主要就是一定要敢于否定自己，我在写的paper一共两篇，每一篇都几乎改了七八次，每次都很严格地要求自己。同时，最好要把paper发给同组的人一起看看，不同的角度给你提问题，会帮助你认识到自己容易忽视的问题。视觉方面发paper其实很容易的。通常来说你需要在同一个数据集上跟最好的方法做对比。
⑧我数学基础不太牢固 想一边看机器学习一边补数学 但有很多数学符号甚至都不认识 百度也没法搜索 你有什么建议吗？
答：专业书籍都有符号索引表；学习简单的数学工具，如latex；matrix cookbook 矩阵常用的手册。
PPT干货
- 机器学习常用分类：监督学习、半监督学习、无监督学习、增强学习
②无监督才是世界的本质，标注数据往往要花费大量的人力物力。
没有标注这么做呢？迁移学习是可以类比无监督学习来做的事情。
人是有类比能力的，计算机可以吗？我们想让它有这个能力。（就是迁移学习）
通过迁移学习的方式可以部分地接近无监督学习的目标。
迁移学习的好处是什么？利用已有的知识，节约新学习的成本。
但需要找到两者的相似性。骑自行车->开汽车？ 不行！ 需要有相似性。
深度学习算是对迁移学习的改进（我的总结）？，因为深度学习不像迁移学习需要手动提取特征。准备工作
理论知识（高数、概率、线性代数、随机过程）
编码能力（Python, Matlab, Java）- 基本入门
李航《统计学习方法》
周志华《机器学习》
吴恩达公开课
Kaggle竞赛 进阶提高
《模式分类》、《PRML》
ICML、NIPS等国际会议
做自己的研究工作书籍资料整理：https://github.com/ty4z2008/Qix/blob/master/dl.md
入门资料：http://www.cnblogs.com/subconscious/p/4107357.html
公开课：http://open.163.com/special/opencourse/machinelearning.html
Kaggle竞赛：https://www.kaggle.com/
