背景：某二本院校大四学生；
说一说自己的学习经历吧。不知道能不能对题主有所帮助。
跟大多数人一样，是从Andrew Ng大神的coursera课程接触到机器学习。在学那门课的时候也就老老实实的看完，看到最后，听到Andrew说看完这些课程的人基本上已经超过硅谷半数的工程师了（具体不记得了，大意是说看完就屌屌的了），前一秒，我是信的，后一秒，我自问我到底会了啥，无非就知道些机器学习的名词，算法的基本思路。
然后我该干嘛？
找本书来看看啊，找另外一个公开课看看啊，给脑子里那个模型增加数据量啊。
《统计学习方法》+台大的公开课《机器学习基石》和《机器学习技法》这个组合简直杠杠，我敢拍着胸脯说我看了4遍，第1遍是照着课程进度配合书籍一起学习，第2遍是课程完结后的复习，第3、4遍在我参加kaggle比赛的时候进行知识的回顾。
这个组合里面的书籍可以换成该课程对应的教材，赞数较多了我再贴个网盘下载地址吧（这过年过节的，要个赞不过分吧哈哈哈）
看完书籍和公开课，我发现，数学很重要！数学很重要！数学很重要！在看Ng的课时倒还没有这个感觉，看台大课程的时候明显感觉到数学知识的比重陡然增加。然后就看了MIT的线性代数公开课和微积分，这才解决了公开课里面的部分疑惑。
理论的知识大概了解了，然后我该干嘛？
python大法好啊！什么C++，java啥的真复杂，直接做个调包侠多么愉快啊。二话不说，直接就学，Python 2.7教程,感谢廖叔叔。接下来就是热门的机器学习算法包scikit-learn: machine learning in Python 。什么，算法输入要求是pandas data frame ，来一本 利用Python进行数据分析 (豆瓣)。 至此，已经学会基本的数据预处理了，这些无论是书籍还是公开课都直接略过不会教的。
在这里要隆重推荐 周志华老师的 机器学习 (豆瓣) ，目前看过的最好的中文的机器学习教材，涵盖了很多教材所没有的 数据预处理，特征工程。这书，得供起来。
会调用算法了，然后我该干嘛？
机器学习？数据挖掘？这两者到底界限在哪里？要不就都看看吧，有了这个想法后，我找了cousera上UIUC 的data mining 专项课程Specialization来看，里面有两门课是大名鼎鼎的韩家炜教授所教的。至此，我知道了pattern mining,搜索引擎的基本框架和原理，文本挖掘和自然语言处理的一点知识，聚类分析的大概。这些课程中都会夹杂着之前所学的机器学习算法。
每节课课后推荐的延伸阅读文章和书籍非常值得去看一看！
了解了一些应用，然后我该干嘛？
玩啊！当然是好好玩机器学习/数据挖掘比赛啊，Kaggle: The Home of Data Science，我把101，playground这两个级别的比赛刷了一遍，然后鼓足勇气参加了一个有奖金的比赛！最后排名状况是在1800多个队伍排300多名。
一开始不知道怎么去做一个kaggle比赛的时候，我照着 https://www.dataquest.io/section/kaggle-competitions 的教程过了一遍，大概就知道整个流程。
偶然一次，碰到数据量特别大的比赛，数据量上G，套了一个模型上去后，直接memory error。这让我知道了大数据处理平台 Apache Spark?的好用之处，也再一次证明了，学习python的好处 Welcome to Spark Python API Docs!。我在windows 10的系统上尝试着跑一个单机版的spark来玩玩，配置过程一直出错，巨麻烦。这个时候我感受到了linux的友好！（没有黑windows的意思）也因为这样，顺便学习了linux操作系统。推荐 鳥哥的 Linux 私房菜 -- 鳥哥的 Linux 私房菜 首頁。
会玩了，然后我该干嘛？
找工作啊！我在拉勾网、100offer、哪上班和实习僧这些招聘网站找数据挖掘/机器学习的岗位，把招聘要求里面的共同需求点给标记出来。
- 常见机器学习算法
- 数据库
- java、c++、python、R
- linux操作系统
- 数据结构与算法
当然我觉得自己在机器学习算法方面还有很多疑惑和不了解的地方，正准备去研读下经典的PRML。
其实说了这么多，无非是想说，我是在一次次的需求和兴趣的驱动下去学习的，题主不妨仔细地思考下自己的需求，从机器学习的应用方面去找找灵感，也许会是不错的选择。
然而我说了这么多，我学了这么些东西，我还是找不到实习！找不到实习！找不到实习！投了简历倒是给我个反馈啊喂！我容易吗我！！
____________________________________________________________________________
台大《机器学习基石》+《机器学习技法》 配套书籍
链接: http://pan.baidu.com/s/1dEkDfNz
密码: dnrh
