理论：
初级：1、林田轩 机器学习基石、机器学习技法（视频资料）
2、西瓜书、统计学习方法（参考书）
高级：1、吴恩达 deep Learning （视屏资料）
2、深度学习（参考书）
编程：
初级：1、python编程入门 2、python深度学习
高级：1、Scikit-Learn 与 TensorFlow 机器学习实用指南第二版（配套官方文档）
数学：
数学：数学分析、高等代数、微分几何、实分析、复分析、概率论、数理统计、数值分析、微分方程、抽象代数、最优化理论与算法
计算机：离散数学、数据结构与算法分析
安装教程+环境搭建
个人采用的是Python+Jupyter notebook+Pycharm。
1）Python安装
Python是人工智能的较好入门的一种语言，建议下载executable installer安装包。
下载地址：https://www.python.org/
安装时，勾选add to path，即将Python添加到环境变量。安装好后，在命令行中运行python，检验是否添加到环境变量中。
环境变量指在操作系统中用来指定操作系统运行环境的参数，有着设置参数、软件共用、系统运行等作用。
2）Jupyter notebook安装
Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。
安装：1、更新pip 命令行中输入pip install --upgrade pip 2、安装Jupyter Notebook 命令行中输入 pip install jupyter
运行：1、命令行中输入jupyter notebook, 浏览器会自动启动Jupyter Notebook，注意不要关闭任何终端。
3）Pycharm安装
PyCharm是一种Python IDE，建议使用Pycharm社区免费版。
下载地址：https://www.jetbrains.com/
Virtualenv是虚拟环境，VirtualEnv可以搭建虚拟且独立的Python运行环境, 使得单个项目的运行环境与其它项目独立起来。
一、编程
编程的学习，首先应该学习Python的基本语法，接下来学习常用包的的使用，最后进行实战训练。
1）python的基本语法
推荐资料：
菜鸟教程：https://www.runoob.com/python/python-tutorial.html
Python官方文档：https://docs.python.org/zh-cn/3/
Python风格与语言规范——Google开源项目风格指南：https://zh-google-styleguide.readthedocs.io/en/latest/google-python-styleguide/contents/
使用说明：
建议入门跟着菜鸟教程走一遍(同时熟悉Pyhcharm和Jupyter Notebook)，然后熟悉代码规范，平时查阅使用Python官方文档。
2）利用Python进行数据分析
推荐资料：
利用Python进行数据分析（第二版）：见我上传发的PDF，含中英文两个版本。
利用Python进行数据分析（阅读笔记）：见我follow的另一个repostories。
使用说明：
建议结合书本，使用Jupter Notebook进行代码实现。
3）面向机器学习的特征工程
推荐资料：
面向机器学习的特征工程：https://blog.csdn.net/Datawhale/article/details/83033869
4）Scikit-Learn 与 TensorFlow 机器学习实用指南
推荐资料：
Scikit-Learn 与 TensorFlow 机器学习实用指南：https://github.com/ageron/handson-ml
Scikit-Learn官方文档：https://sklearn.apachecn.org/docs/0.21.3/
TensorFlow官方文档：https://github.com/jikexueyuanwiki/tensorflow-zh
二、理论
1）机器学习理论
机器学习基石
推荐资料：
视频：https://www.bilibili.com/video/av36731342
笔记：https://redstonewill.com/category/ai-notes/lin-ml-foundations/
机器学习技法
推荐资料：
视频：https://www.bilibili.com/video/av36760800
笔记：https://redstonewill.com/category/ai-notes/lin-ml-techniques/
机器学习
推荐资料：
读书笔记：https://www.cnblogs.com/limitlessun/p/8505647.html#_label0
公式推导：https://datawhalechina.github.io/pumpkin-book/#/
课后习题：https://zhuanlan.zhihu.com/c_1013850291887845376
统计学习方法
推荐资料：
讲课PPT：https://github.com/fengdu78/lihang-code/tree/master/ppt
读书笔记：https://github.com/SmirkCao/Lihang
代码实现：https://github.com/fengdu78/lihang-code/tree/master/code
2）深度学习理论：
Deep Learning
推荐资料：
视频地址：https://www.coursera.org/specializations/deep-learning
课程笔记：https://github.com/fengdu78/deeplearning_ai_books
课程PPT及课后作业：https://github.com/stormstone/deeplearning.ai
深度学习
推荐资料：
电子书：https://github.com/exacity/deeplearningbook-chinese