从机器学习开始就正式进入到了人工智能的领域。ML涉及的算法都是白盒算法，使用可解释的数学公式去拟合数据、学习参数然后进行预测，最后对模型进行评估。
这部分的知识需要大家从数据处理过程开始就多进行总结与反思：
数据清洗过程与特征工程是怎么做的？为什么会最终选用这些方法？
文本数据集常用的处理方法有哪些？适用的场景的是什么？
机器学习算法因为都有可解释性，所以大家需要搞懂数学原理，并知道模型之间的差异、以及适用于什么数据集。
对于回归任务与分类任务，我们也需要知道各种评估指标间的差异与使用场景。
网络资源推荐
吴恩达机器学习：此教程以理论为主，对小白极为友善，就算没有基础，也能以最快的速度入门机器学习。
菜菜的sklearn：此教程以实践为主，从数据处理、特征工程、到模型算法都会给予代码进行实操讲解，并将每个参数都讲的非常细致。
书籍推荐
这里推荐两本学习ML必备书籍。周志华老师的《机器学习（西瓜书）》与李航老师的《统计学习方法》。
这部分给大家推荐书籍《图解深度学习》与《深度学习》。前者用图解的方式剖析了深度学习的原理，适合初学者；后者是深度学习领域奠基性的经典教程。
神经网络入门
浙大研究生课程：浙大老师上课录像，板书推导神经网络的原理，看完后你会入门深度学习，并感受到它的神奇与魅力。（P19-P24为神经网络）
CNN与RNN入门
吴恩达深度学习：首推荐还是吴恩达老师的课程：
不论往哪个方向发展，都先看神经网络部分
如果你之后想学图像方向，就接着看计算机视觉部分，然后对序列模型进行了解
如果准备往自然语言或推荐方向发展，则推荐先看计算机视觉部分，掌握CNN的基本常识后，再去学习序列模型全部内容
白板推导系列：机器学习与深度学习数学原理板书推导，极为硬核。
在学完理论知识后，我们就可以找一些项目进行实战了。
