很多人入门机器学习都会纠结一个终极问题：到底是先啃数学理论，还是先上手实战？
正确的入门方式是：实战入门建立体感 → 遇到卡点补数学理论 → 最后系统精读经典夯实底层。
一. 零基础起步：先实战、先上手、先建立信心
新手千万不要一上来啃厚书公式，一定会放弃。
优先看这两本：
《零基础学机器学习》
完全新手友好，不讲晦涩推导，用案例带你看懂回归、分类、拟合、评估指标，从零跑通第一个机器学习项目，帮你建立完整知识框架，非常适合作为第一本书。
本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。
本书通过AI"小白"小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。
本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。
《机器学习漫画小抄》
用漫画通俗拆解各种抽象算法概念，碎片化查漏补缺，看不懂的知识点翻一翻立刻通透，是全程可用的辅助神器，大幅降低学习门槛。
阅读本书的理由1：106张漫画小抄，快速搞懂机器学习基础知识，秒懂复杂概念！
（1）知识体系清晰全面，轻松掌握各类机器学习概念。从简单的决策树到复杂的神经网络，从预处理训练集和测试集到各种模型评估指标，每一个概念都以全彩漫画解释！
（2）内容丰富，决策树、随机梯度下降、超参数、k-NN算法，超多概念，应有尽有！
（3）漫画小抄围绕各类数据科学或机器学习问题，涉及诸如过拟合、欠拟合、预处理、深度学习、神经网络等主题。
（4）使用卡片形式进行碎片化学习，以独特的视角和风趣幽默的画风，将复杂的机器学习概念以轻松幽默的方式呈现，能够做到随时随地学概念！
阅读本书的理由:2：内容有料又有趣，画风可爱，幽默风趣，学习ML不再枯燥！
（1）用最简单的方式，把高深莫测的机器学习概念变得通俗易懂。画风清新可爱，色彩搭配让人心情愉悦，每次翻阅都是一种享受！
（2）画风轻松，帮助初学者快速入门，快速搞懂机器学习几乎所有基础知识点，也能让有经验的研究者能够以一种全新的方式回顾和巩固知识。
（3）将深奥的机器学习概念变成了一串串轻松愉快的漫画故事，画风超级可爱，色彩搭配让人看了心情瞬间好到飞起，是视觉和心情的双重享受！
阅读本书的理由3：零基础学习受众面广，从零开始，一看就懂！
（1）以诙谐幽默的方式解释了复杂的机器学习概念，超级适合机器学习小白，通俗易懂！
（2）漫画风格简洁明快，色彩鲜明，同时不失幽默感，即便是机器学习初学者也能轻松理解其中的深奥知识。
（3）图文并茂，让你在轻松愉快的氛围中，秒懂复杂概念！
（4）每张卡片都是一个知识点，哪个概念不清楚就翻出来看一看，这样治愈的配色看多久都不会感觉累，非常方便初学者学习！
二. 进阶夯实：补齐机器学习核心数学（突破瓶颈）
代码能跑、但看不懂原理、不会调参、不会分析误差，本质是数学缺失。
《机器学习的数学》
专门为机器学习学习者量身定做，只学 AI 真正用得到的线代、概率、优化，不冗余、不废话。
建议：跑过实战案例后再学，你会瞬间明白所有算法背后的逻辑，彻底告别瞎调参。
本书的目标是帮助读者全面、系统地学习机器学习所必须的数学知识。全书由8章组成，力求精准、最小地覆盖机器学习的数学知识。包括微积分，线性代数与矩阵论，概率论，信息论，随机过程，以及图论。本书从机器学习的角度讲授这些数学知识，对它们在该领域的应用举例说明，使读者对某些抽象的数学知识和理论的实际应用有直观、具体的认识。 本书内容紧凑，结构清晰，深入浅出，讲解详细。可用作计算机、人工智能、电子工程、自动化、数学等相关专业的教材与教学参考书。对人工智能领域的工程技术人员与产品研发人员，本书也有很强的参考价值。对于广大数学与应用的数学爱好者，本书亦为适合自学的读本。
三. 传统 ML 封顶：吃透业界经典理论
有实战、有数学基础后，再读经典，收益最大化。
《模式识别与机器学习》
机器学习领域经典圣经，体系严谨、推导完整。
不适合零基础入门，但入门后精读，能彻底打通贝叶斯思想、模型设计、泛化能力，让你的机器学习认知远超普通调包侠。
本书深入而系统地介绍了模式识别和机器学习领域的基本概念、数学原理和核心算法，并附有丰富的习题。作为机器学习领域的"圣经"，本书融合了概率论、统计学、线性代数和优化理论，构建了从基础概念到前沿技术的完整知识体系，内容涵盖决策论、概率分布、线性回归模型、线性分类模型、神经网络、核方法、稀疏核机、图模型、混合模型与最大期望算法、近似推断、采样方法、连续潜变量、序列数据、模型组合等。 本书适合计算机专业高年级本科生和低年级硕士生阅读，也适合作为机器学习从业人员和爱好者的参考资料。
四. 深度学习闭环：理论+实战双毕业
《动手学深度学习（PyTorch 版）》
全网最佳深度学习实战书。从零带你手写 CNN、RNN、Transformer，理论极简、代码可复现，用来落地工程能力、积累项目经验。
本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络------多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。
《深度学习》（花书）
深度学习理论天花板。用来搭建完整、严谨的深度学习知识体系，配合动手学实战，做到手上能写代码、脑中懂原理。
《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。