黎小潔
最簡單的語言是Python。最好的基礎是數學。最流行的框架是tensorflow。希望能幫到你。
sunsky
機器學習是近年來最熱門的領域之一，得益於天才的研究人員和產品經理，我們知道世界上它在幾乎任何行業都取得了創新的巨大成就，他們知道如何從機器學習以創造出令人驚歎的產品。
因此當你聽到這麼多人想要進入這個世界，並希望開始學習這些主題的基本要素時，就很不足為奇了，因為這項技術確實存在著改變世界的機遇。如果你想看書，那麼我建議你可以從以下書籍獲得一些自己的收穫。
瞭解機器學習：從理論到算法
機器學習是計算機科學發展最快的領域之一，應用廣泛。這本教科書的目的是以有原則的方式介紹機器學習及其提供的算法範例。本書對機器學習的基本概念以及將這些原理轉化為實用算法的數學推導提供了廣泛的理論解釋。在介紹了該領域的基礎知識之後，該書涵蓋了許多以前的教科書都沒有解決的中心主題。其中包括討論學習的計算複雜性以及凸性和穩定性的概念；重要的算法範式，包括隨機梯度下降，神經網絡和結構化輸出學習；以及新興的理論概念，例如PAC-Bayes方法和基於壓縮的界限。該文本專為高級本科生或研究生課程而設計，使統計，計算機科學，數學和工程學的學生和非專業讀者都可以使用機器學習的基礎知識和算法。
深度學習（花經）
深度學習是機器學習的一種形式，它使計算機可以從經驗中學習並根據概念的層次結構瞭解世界。因為計算機從經驗中收集知識，所以不需要計算機操作員來正式指定計算機需要的所有知識。概念的層次結構允許計算機通過將複雜的概念構建為較簡單的概念來學習它們。這些層次結構的圖形會深很多層。本書介紹了深度學習的廣泛主題。
本書提供了數學和概念上的背景知識，涵蓋了線性代數，概率論和信息論，數值計算和機器學習中的相關概念。它描述了行業從業人員使用的深度學習技術，包括深度前饋網絡，正則化，優化算法，卷積網絡，序列建模和實用方法；它調查了諸如自然語言處理，語音識別，計算機視覺，在線推薦系統，生物信息學和視頻遊戲等應用。最後，這本書提供了研究視角，涵蓋了諸如線性因子模型，自動編碼器，表示學習，結構化概率模型，蒙特卡洛方法，分區函數，近似推理和深度生成模型等理論主題。
深度學習可以使用本科生或研究生計劃在任何行業或研究事業，並通過軟件工程師誰想要開始在他們的產品或平臺使用深度學習。一個網站為讀者和講師提供補充材料。
模式識別與機器學習
這是第一本介紹貝葉斯觀點的模式識別教科書。本書介紹了近似推理算法，可以在無法給出精確答案的情況下提供快速近似答案。當沒有其他書籍將圖形模型應用於機器學習時，它使用圖形模型來描述概率分佈。不會假定以前具有模式識別或機器學習概念的知識。需要熟悉多元演算和基本線性代數，並且使用概率的一些經驗會有所幫助，儘管不是必不可少的，因為這本書包括對基本概率論的獨立介紹。
其他書籍
以上介紹了三本書，都是挺不錯的入門書籍，如果你需要進一步研究深入，也可以看看下面這些書，對想進一步深入機器學習的朋友們大有裨益。
Hacker
機器學習是我的主要研究方向之一，所以我來回答一下這個問題。
機器學習是人工智能的六大研究方向之一，同時機器學習也是大數據分析的兩種主要方式之一，所以學習機器學習對於大數據從業者和人工智能從業者都有比較重要的意義。
機器學習對於初學者來說確實存在一定的難度，原因主要基於三個方面，其一是機器學習需要具有紮實的數學基礎，因為機器學習的核心就是算法設計；其二是機器學習涉及到大量的計算機知識，包括算法實現、算法訓練和算法應用；其三是機器學習與應用場景還有密切的關係，需要掌握一定的行業知識（場景相關）。
對於初學者來說，要想能夠順利入門機器學習，應該根據自身的知識結構和能力特點來選擇切入點。如果數學基礎比較紮實，那麼可以從數據分析來入門機器學習，而如果計算機基礎比較紮實，則可以通過機器學習的場景應用來入門機器學習。
不論是以數據分析為切入點，還是以行業應用為切入點，學習機器學習都需要掌握一定的算法知識，只有掌握了相關的算法，才可以逐步深入機器學習的知識體系。
機器學習有不少算法是比較常見的，而且理解起來和實現起來都比較容易，包括kNN、決策樹、支持向量機、樸素貝葉斯等等，從這些算法開始入門機器學習會有一個相對比較順利的學習過程。
要想順利入門機器學習，還應該注重機器學習的實驗，而要想完成機器學習實驗則應該從學習編程語言開始，學習Python語言就是一個不錯的選擇。
最後，機器學習的入門書籍有很多種，可以根據自己的知識結構來選擇適合的入門書籍，建議選擇實驗案例稍微多一點的書籍來入門，這樣會有一個更好的學習體驗。
我從事互聯網行業多年，目前也在帶計算機專業的研究生，主要的研究方向集中在大數據和人工智能領域，我會陸續寫一些關於互聯網技術方面的文章，感興趣的朋友可以關注我，相信一定會有所收穫。
如果有互聯網、大數據、人工智能等方面的問題，或者是考研方面的問題，都可以在評論區留言，或者私信我！
IT人劉俊明
MLPR ESL MLAPP 這是業內比較經典的書，雖然實際上並沒有多少人仔細看完過。
gourment
首先學習機器學習必須有紮實的數學基礎和算法基礎，要想吃透其思想沒有捷徑可以走，只能踏踏實實的學習，不然南京大學成立的人工智能學院怎麼開了那麼多門的數學課？比如高等數學、線性代數、概率論與數理統計、泛函分析、運籌學（注意不是諸葛亮運籌帷幄的那個兵法，是數學的分支，你如果理解為奇門遁甲得原理和數學相通的，這個是沒問題的）、算法設計等等，據說985的大學生也學的頭疼，其實我覺得不管什麼樣的好學生，認識事物都是從感性到理性的過程，不可逾越，能夠逾越的，都是從小各種環境就好，985大學生學起來吃力說明課程安排和時間安排有問題，我是做大學生工作的，對955同學也很瞭解，就是他們太忙了，一上大學手頭的名目太多了：什麼考研、第二學歷、託福等。不說這些了，那麼初學者機器學習想入門到底有沒有捷徑可走？答曰：有，前提是你肯專研，這可不如web前端、JAVA語言之類的入門容易，按照我說的步驟做法如下：
1、你連初高中的數學都不紮實的，多補習，多做數學題
因為有些算法初高中的數學就能解決，比如協同過濾算法裡面求相似度：你可以用歐式距離求，歐式距離不會？那你還不復習和補習？初中學的。可以用餘玄函數求解，這個是初中知識吧？
當然也可以用大學學的方差、相關係數求解，忘了？可以百度，大學生應該有自學能力吧（由於分數低的200～450分的不算，當然也有好的，我們這裡不談小概率事件，大家也別喝毒雞湯：什麼某某學歷不好，但是什麼什麼云云，下同）？
2、你可以藉助於計算框架先入門
機器學習計算框架比如JAVA語言的mahout、python語言的機器學習庫（一般來說是sklearn），Scala語言的MLib。比如決策樹算法就被python封裝的很好。
基礎不好，藉助於框架也是沒辦法的事情，先入門體驗，再學原理。值得注意的是：不可以只會框架，不懂原理和推導步驟，這樣只會表面東西沒什麼用。
我的學生我直接要求使用代碼實現諸如Apriori算法、決策樹算法等，我不讓他們用框架，那是害他們，什麼時候用框架？對了，工作時候用，因為工作和學習不一樣，工作追求效率，學習追求原理。所以很多社會上拿python來忽悠的，大多數為學藝不精或者不學無術者來誤人子弟，大家一定善於辨別，別入坑。
3、要有不斷學習和鑽研精神
急功近利的人學不好機器學習，更別指望靠它創新設計出來新的數學模型。比如SVM支持向量積算法涉及到的知識有凸優化、拉格朗日乘數法、空間幾何等知識，很多機器學習的書本寫到這個算法就寥寥幾筆帶過，因為沒法寫了，要寫光這個算法就寫好幾本書？那怎麼辦，我們大家要有鑽研精神。
機器學習算法工程師工資是高，甚至月薪10萬以上很正常。但是你和麵試官說我會python機器學習，面試官必然問的深入，這時候你就會表面東西肯定和高薪無緣，不是不用你，你可以做數據、調參數。
所以我們浮躁不得，更不能有傳統思想：靠簡單的遊戲規則賺大錢，因為現在資本家投資越來越理性，野蠻增長日子一去不復返。更重要的你不愛機器學習，它就不愛你，你目的不純（只向錢看）它更讓你難受。所以要學機器學習務必有鑽研精神。
至於入門的書有沒有？答曰：有，列舉如下：
1、《白話大數據與機器學習》
這本書優秀高中生就能看懂，這已經是最低要求了。作者：高揚，一位務實的專家。
這本書將涵蓋以下比較重要的數據挖掘和分析知識點：概率、統計和分佈、多維向量空間、迴歸、聚類、分類、關聯分析、協同過濾、文本挖掘、神經網絡。同時，講解了大數據相關的人才需求、行業情況、大數據變現與產品發佈、系統調優等讀者需要了解的內容。
2、《白話深度學習與TensorFlow》
本書寫的很人性化，作者還是高揚等，這裡感謝開發公司的架構師們百忙之中還為初學者著想。
本書適用於零基礎的初學者：
（1）基礎篇（靠前～3章），講解了機器學習、深度學習與實踐的上下文知識，如基本的機器學習與深度學習算法，TensorFlow框架的安全與配置，簡單的深度學習實踐。該篇是閱讀和實踐的基石。
原理與實踐篇（第4～8章），介紹“老牌”的深度學習網絡的數學原理和工程實現原理，尤其是第4章，如果能基本讀懂，後面的網絡實現層面的問題基本都可以迎刃而解。涵蓋BP網絡、CNN、RNN的結構、思路、訓練與使用，以及一些常見的綜合性問題。該篇是學習深度學習的重點和難點，作者通過大量示例、推理與實現，幫讀者優選化降低學習曲線。
（2）擴展篇（第9～13章），介紹一些網絡的變種和一些較新的網絡特性，涵蓋深度殘差網絡、受限玻爾茲曼機、強化學習、對抗學習，這是讀者進一步學習與實踐思路的鑰匙。很後給出了一些有趣的深度學習應用：人臉識別、作詩姬、大師風圖像處理，有趣又等
