我是壹個“學習要敢於冒險和嘗試”觀念的倡導者。這是我學習編程的方式，我相信很多人也是這樣學習程序設計的。先了解妳的能力極限，然後去拓展妳的能力。如果妳了解如何編程，可以將編程經驗很快借鑒到深入學習機器學習上。在妳實現壹個實際的產品系統之前，妳必須遵循壹些規則、學習相關數學知識。
找到壹個庫並且仔細閱讀相關文檔，根據教程，開始嘗試實現壹些東西。下面列出的是開源的機器學習庫中最好的幾種。我認為，並不是他們中的每壹種都適合用在妳的系統中，但是他們是妳學習、探索和實驗的好材料。
妳可以從壹個由妳熟悉的語言編寫的庫開始學習，然後再去學習其他功能強大的庫。如果妳是壹個優秀的程序員，妳會知道怎樣從壹種語言，簡單合理地遷移到另壹種語言。語言的邏輯都是相同的，只是語法和API稍有不同。
R Project for Statistical Computing：這是壹個開發環境，采用壹種近似於Lisp的腳本語言。在這個庫中，所有妳想要的與統計相關的功能都通過R語言提供，包括壹些復雜的圖標。CRAN(妳可以認為是機器學弟的第三方包)中的機器學習目錄下的代碼，是由統計技術方法和其他相關領域中的領軍人物編寫的。如果妳想做實驗，或是快速拓展知識，R語言都是必須學習的。但它可能不是妳學習的第壹站。
WEKA：這是壹個數據挖掘工作平臺，為用戶提供數壹系列據挖掘全過程的API、命令行和圖形化用戶接口。妳可以準備數據、可視化、建立分類、進行回歸分析、建立聚類模型，同時可以通過第三方插件執行其他算法。
Mahout是Hadoop中為機器學習提供的壹個很好的JAVA框架，妳可以自行學習。如果妳是機器學習和大數據學習的新手，那麽堅持學習WEKA，並且全心全意地學習壹個庫。
Scikit Learn:這是用Python編寫的，基於NumPy和SciPy的機器學習庫。如果妳是壹個Python或者Ruby語言程序員，這是適合妳用的。這個庫很用戶接口友好，功能強大，並且配有詳細的文檔說明。如果妳想試試別的庫，妳可以選擇Orange。
Octave:如果妳很熟悉MatLab，或者妳是尋求改變的NumPy程序員，妳可以考慮 Octave。這是壹個數值計算環境，與MatLab像是，借助Octave妳可以很方便地解決線性和非線性問題，比如機器學習算法底層涉及的問題。如果妳有工程背景，那麽妳可以由此入手。
BigML:可能妳並不想進行編程工作。妳完全可以不通過代碼，來使用 WEKA那樣的工具。妳通過使用BigMLS的服務來進行更加深入的工作。BigML通過Web頁面，提供了機器學習的接口，因此妳可以通過瀏覽器來建立模型。
補充：
NLTK NLTK is a leading platform for building Python programs to work with human language data. It provides easy-to-use interfaces to over 50 corpora and lexical resources such as WordNet, along with a suite of text processing libraries for classification, tokenization, stemming, tagging, parsing, and semantic reasoning.LingPipe: 是壹個自然語言處理的Java開源工具包。LingPipe目前已有很豐富的功能，包括主題分類（Top Classification）、命名實體識別（Named Entity Recognition）、詞性標註（Part-of Speech Tagging）、句題檢測（Sentence Detection）、查詢拼寫檢查（Query Spell Checking）、興趣短語檢測（Interseting Phrase Detection）、聚類（Clustering）、字符語言建模（Character Language Modeling）、醫學文獻下載/解析/索引（MEDLINE Download, Parsing and Indexing）、數據庫文本挖掘（Database Text Mining）、中文分詞（Chinese Word Segmentation）、情感分析（Sentiment Analysis）、語言辨別（Language Identification）等API。
挑選出壹個平臺，並且在妳實際學習機器學習的時候使用它。不要紙上談兵，要去實踐！
Video Courses視頻課程
很多人都是通過視頻資源開始接觸機器學習的。我在YouTube和VideoLectures上看了很多於機器學習相關的視頻資源。這樣做的問題是，妳可能只是觀看視頻而並不實際去做。我的建議是，妳在觀看視頻的時候，應該多記筆記，及時後來妳會拋棄妳的筆記。同時，我建議妳將學到的東西付諸實踐。
坦白講，我沒有看見特別合適初學者的視頻資源。視頻資源都需要妳掌握壹定的線性代數、概率論等知識。Andrew Ng在斯坦福的講解可能是最適合初學者的，下面是我推薦的壹些視頻資源。
Stanford Machine Learning斯坦福的機器學習課程：可以在Coursera上觀看，這門課是由 Andrew Ng講解的。只要註冊，妳可以隨時觀看所有的課程視頻，從Stanford CS229 course下載講義和筆記。這門課包括了家庭作業和小測試，課程主要講解了線性代數的知識，使用Octave庫。
Caltech Learning from Data加利福尼亞理工學院的數據分析課程：妳可以在edX上學習這門課程，課程是由Yaser Abu-Mostafa講解的。所有的課程視頻和資料都在加利福尼亞理工學院的網站上。與斯坦福的課程類似，妳可以根據自己的情況安排學習進度，完成家庭作業和小論文。它與斯坦福的課程主題相似，關註更多的細節和數學知識。對於初學者來說，家庭作業可能稍有難度。
Machine Learning Category on VideoLectures.Net網站中的機器學習目錄：這是個很容易令人眼花繚亂的資源庫。妳可以找出比較感興趣的資源，並且深入學習。不要糾結於不適合妳的視頻，或者對於感興趣的內容妳可以做筆記。我自己會壹直重復深入學習壹些問題，同時發現新的話題進行學習。此外，在這個網站上妳可以發現是這個領域的大師是什麽樣的。
“Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard講授：這是與機器學習競賽者的對話，他們是壹些實踐中的R語言用戶。這是非常珍貴的資源，因為很少有人會討論研究壹個問題的完整過程和究竟怎樣做。我曾經幻想過在網上找到壹個TV秀，記錄機器學習競賽的全過程。這就是我開始學習機器學習的經歷！
Overview Papers綜述論文
如果妳並不習慣閱讀科研論文，妳會發現論文的語言非常晦澀難懂。壹篇論文就像是壹本教科書的片段，但是論文會介紹壹個實驗或者是領域中其他的前沿知識。然而，如果妳準備從閱讀論文開始學習機器學習的話，妳還是可以找到壹些很有意思的文章的。
The Discipline of Machine Learning機器學習中的規則：這是由Tom Mitchell編著的白皮書，其中定義了機器學習的規則。Mitchell在說服CMU總裁為壹個百年內都存在的問題建立壹個獨立的機器學習部門時，也用到了這本書中的觀點。
A Few Useful Things to Know about Machine Learning：這是壹篇很好的論文，因為它以詳細的算法為基礎，又提出了壹些很重要的問題，比如：選擇特征的壹般化，模型簡化等。
我只是列出了兩篇重要的論文，因為閱讀論文會讓妳陷入困境。
Beginner Machine Learning Books給機器學習初學者的書
關於機器學習的書有很多，但是幾乎沒有為初學者量身定做的。什麽樣的人才是初學者呢？最有可能的情況是，妳從另外壹個完全不同的領域比如：計算機科學、程序設計或者是統計學，來到機器學習領域。那麽，大部分的書籍要求妳有壹定的線性代數和概率論的基礎。
但是，還有壹些書通過講解最少的算法來鼓勵程序員學習機器學習，書中會介紹壹些可以使用工具、編程函數庫來讓程序員嘗試。其中最有代表性的書是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的話，妳可以選擇其中壹本開始學習。
Programming Collective Intelligence: Building Smart Web 2.0 Applications：這本書是為程序員寫的。書中簡略介紹相關理論，重點以程序為例，介紹web中的實際問題和解決辦法。妳可以買來這本書，閱讀，並且做壹些練習。
Machine Learning for Hackers （中文版：機器學習:實用案例解析 ）：我建議妳在閱讀了《Programming Collective Intelligence》壹書之後，再閱讀這本書。這本書中也提供了很多實踐練習，但是涉及更多的數據分析，並且使用R語言。我個人很喜歡這本書！
Machine Learning: An Algorithmic Perspective：這本書是《Programming Collective Intelligence》的高級版本。它們目的相同（讓程序員開始了解機器學習），但是這本書包括壹些數學知識，參考樣例和phython程序片段。如果妳有興趣的話，我建議妳在看完《Programming Collective Intelligence》之後來閱讀這本書。
數據挖掘：實用機器學習工具與技術（英文版·第3版） ：我自己是從這本書開始了解機器學習的，那時是2000年這本書還是第壹版。我那時是Java程序員，這本書和WEKA庫為我的學習和實踐提供了壹個很好的環境。我通過這樣的平臺和壹些插件，實現我的算法，並且真正開始實踐機器學習和數據挖掘的過程。我強烈推薦這本書，和這樣的學習過程。
Machine Learning（中文版：計算機科學叢書:機器學習 ）：這是壹本很老的書，包括了壹些規則和很多參考資料。這是壹本教科書，為每個算法提供了相關講解。
有壹些人認為那些經典的機器學習教科書很了不起。 我也贊同，那些書的確非常好。但是，我認為，對於初學者來說，這些書可能並不合適。
Further Reading 繼續閱讀
在寫這篇文章時，我認真思考了相關問題，同時也參考了其他人推薦的資料，以確保我沒有遺漏任何重要參考資料。為了確保文章的完整性，下面也列出了壹些網上流行的，可以供初學者使用的材料。.
A List of Data Science and Machine Learning Resources:這是壹份仔細整理的列表。妳可以花壹些時間，點擊鏈接，仔細閱讀作者的建議。值得壹讀！
What are some good resources for learning about machine learning Why：這個問題的第壹個答案令人吃驚。每次我閱讀這篇文章的時候，都會做好筆記，並且插入新的書簽。答案中對我最有啟發的部分是機器學習課程列表，以及相應的課程筆記和問答網站。
Overwhelmed by Machine Learning: is there an ML101 book：這是StackOverflow上的問題。並且提供了壹系列機器學習推薦書籍。Jeff Moser提供的第壹個答案是很有用的，其中有課程視頻和講座的鏈接。