现在想学机器学习的同学们好幸福。如下所有书，amazon上都有。首先，入门用周志华的《机器学习》，比较系统全面，中文理解快；进阶用Elements Of Statistical Learning 或者 Pattern Recognition and Machine Learning，后者有人做了翻译免费放出的，可以在网上找，我个人比较喜欢前者，逻辑结构比较清晰；平时快速查找和复习可以用李航的《统计学习方法》。喜欢从视频学习入门的，可以在coursera上看Andrew Ng的Machine Learning或者台湾国立的机器学习基石，后者是中文的，用的很多比喻很贴中国人思维
coursera上的Deeplearning.ai
数据挖掘领域，我不是特别熟悉。但基本不可避免通常都是传统统计学习方法的应用领域。
Logistics Regression，基本是区分菜鸟和逗逼的第一题啦。
Support Vector Machine，基本是区分进阶和菜鸟的第一题啦。
Naive Bayes，离散和连续的差别，可以看出概率基础哟。
Decision Tree，可以看点信息论，然后面试官就对你刮目相看啦。
Expectation Maximization，了解它的应用的模型，不需要背，理解EM就会觉得豁然开朗啦。
Gradient Descent，同上。
Over-fitting，如何避免过拟合？
Regularization，为什么可以避免过拟合？可以参考下病态问题。
Ensemble Learning，数据挖掘最常用的模型了吧，想想为什么集成方法是有效的。
Transfer Learning，貌似现在很火啊（图像识别领域）！！我不是很懂啊~~求懂的大神留言~~为什么由某一领域训练模型可以应用到其他领域？又是如何应用的？
