昨天总结了深度学习的资料，今天把机器学习的资料也总结一下(友情提示：有些网站需要"科学上网"^_^)
推荐几本好书：
1.Pattern Recognition and Machine Learning (by Hastie, Tibshirani, and Friedman's )
2.Elements of Statistical Learning(by Bishop's)
这两本是英文的,但是非常全，第一本需要有一定的数学基础，第可以先看第二本。如果看英文觉得吃力，推荐看一下下面几本英文书。
3.机器学习实战
4.集体智慧编程
5.统计学习方法
6.机器学习
Ps：我个人的学习方法就是看书，因为我觉得看书比较快，视频太慢了，有些不懂的地方会找一些MOOC视频来理解，这样效率比较高。入门的话看以上推荐的几本书还是很好入门的，中英文均可，把一本书吃透比所有都看过但所有都不记得要好。
以下是搜集的其他资料，我看过的会有一些小说明：
Summary:
Online courses:
1.Andrew Ng's Machine Learning at Coursera
很多人接触的第一个关于机器学习的视频大概就是Andrew Ng的课，入门课，讲的清晰易懂，涉及数学的方面也没有讲的很深奥，基本上都能听懂。如果数学基础差，也可以在网上搜一下这个课程的学习笔记，很多人总结的还是很好的，也很详细。唯一的不好就是这么课的编程语言是Octave，呃，相当于开源版的Matlab，但是在工作中用的不多（其实基本上不用。。），Python用的会比较多一点，所以可以看这个课程了解算法背后的原理，再用其他的编程语言(如Python，java等)来实现。
2.Machine Learning Foundations: A Case Study Approach by UW's Carlos Guestrin and Emily Fox
除了介绍机器学习算法以外，还介绍了推荐系统和深度学习，这两个概念现在很火，值得一看。此外，讲的非常有趣，用的是Python，而且是真实数据集，看完可以直接上手工业界的项目了~
3. Intro to Statistical Learning by Trevor Hastie and Rob Tibshirani
深入讲算法背后的统计和数学知识，相对于前两个课程，可能没那么有趣，毕竟数学 = =，而且在讲R的实操的时候会很啰嗦，有一些测试时错的，不太建议入门看这个，想补数学知识可以直接看上文说到的李航老师的《统计学习方法》。
其他：
4. Mining Massive Datasets
5. Recommender Systems
6. Machine Learning Summer School:https://www.youtube.com/playlist?list=PLZSO_6-bSqHQCIYxE3ycGLXHMjK3XV7Iz
Books:
1. Hastie, Tibshirani, and Friedman's The Elements of Statistical Learning
2. Bishop's Pattern Recognition and Machine Learning
3. David Barber's Bayesian Reasoning and Machine Learning
4. Kevin Murphy's Machine learning: a Probabilistic Perspective
5. Foundations of Machine Learning,Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar
6. Learning From Data, Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin
7. Information Theory, Inference, and Learning Algorithms, David J. C. MacKay[free pdf]
8. All of Statistics, Larry Wasserman
9. Probabilistic Graphical Models: Principles and Techniques, Daphne Koller, Nir Friedman
10. Gaussian Processes For Machine Learning, Carl Edward Rasmussen, Christopher K. I. Williams [free pdf]
12. Building Machine Learning Systems with Python
13. Machine Learning with Spark
15. Amazon.com: Convex Optimization (9780521833783): Stephen Boyd, Lieven Vandenberghe: Books
16. Larry Wasserman's All of Statistics: A Concise Course in Statistical Inference
Applications and advanced topics:
1. Language modeling course and notes
2. Deep learning: ANN + CNN +RNN + NLP
3. Reinforcement learning and robotics
4. Memory and distributed representations
5. Neural models and vision
6. Cognition and lifelong learning
最后依然是Github的神总结：机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)
如果大家有好的书或者经验，欢迎留言~
参考文献：
1.How do I learn machine learning?(https://www.quora.com/How-do-I-learn-machine-learning-1?redirected_qid=1415807)
2.What is the best MOOC to get started in Machine Learning?(https://www.quora.com/What-is-the-best-MOOC-to-get-started-in-Machine-Learning/answer/Xavier-Amatriain)
3.机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)（https://github.com/ty4z2008/Qix/blob/master/dl.md）