Aby dodać do powyższych doskonałych sugestii, powiedziałbym, że jeśli chcesz dobrze poznać bardziej podstawowe pojęcia dotyczące prawdopodobieństwa i statystyki, „Od algorytmów do wyników Z: probabilistyczne obliczenia w statystyce” jest doskonałym narzędziem do korzystania z komputerów do zrozumieć niektóre z najważniejszych pojęć początkujących / pośrednich w teorii prawdopodobieństwa i procesach stochastycznych. Będę również popierać „Wprowadzenie do uczenia statystycznego” lub „Elementy uczenia statystycznego” (ESL) jako wprowadzenie do uczenia maszynowego (ML). Myślę, że w szczególności ESL jest niesamowity, ale wymaga dużo bardziej matematycznego spojrzenia na koncepcje ML, więc jeśli uważasz, że jesteś „w porządku” w statystykach, możesz chcieć to przeczytać, gdy zdobędziesz więcej doświadczenie z ML.
Jeśli interesujesz się uczeniem maszynowym ze względu na zatrudnienie lub rozwiązywanie problemów, kluczowe jest zdobycie praktycznego doświadczenia. Zapoznaj się z kursami z zakresu informatyki / uczenia maszynowego. Andrew Ng robi niesamowite wprowadzenie do uczenia maszynowego w jego trakcie na Coursera tutaj . Sugeruję również pobranie niektórych zestawów danych i rozpoczęcie zabawy z nimi. Jeśli jeszcze tego nie zrobiłeś, pobierz R i RStudio (moim zdaniem, bardziej przyjazny dla początkujących niż Python lub Matlab) i zarejestruj się w Kaggle i zrób niektóre z ich problemów dla początkujących. Mają świetne instrukcje, dzięki którym możesz używać ML bez żadnego pojęcia, co się właściwie dzieje, ale daje to wyobrażenie o tym, jakie kroki należy podjąć, aby wdrożyć rozwiązanie ML.
Osobiście zachęciłbym do połączenia korzystania z narzędzi ML, tak naprawdę nie wiedząc, co robią (używając zestawów danych Kaggle lub podobnych); i uczenie się podstawowych pojęć, takich jak walidacja krzyżowa, dopasowanie, używanie macierzy pomieszania, różne miary tego, jak dobry jest model itp. Dla mnie ważniejsze jest wiedzieć, jak korzystać z algorytmów i wiedzieć, jak rozpoznać, kiedy wszystko działa. / nie działają, to znaczy zrozumieć, jak działają algorytmy.