一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第18天，点击查看活动详情。
最近因为工作需要，要学习机器学习，因为对于这项技术我也是小白，所以记录一下机器学习的资料,建议收藏或者评论还有哪些实用的机器学习入门教程。
官方资料
对于权威官方的，当然是Google的教程。整个教程体系很全面，机器学习速成班以一系列课程很是有特色，包括视频讲座、真实世界的案例研究和动手实践练习，英语好的小伙伴可以上手直接肝。
其次，是Microsoft的教程。 微软的Azure云倡导者提供了一个为期12周的26课时的关于机器学习的课程。在这个课程中，你将学习有时被称为经典的机器学习，主要使用Scikit-learn作为库。
第三方的资料
MorvanZhou
机器学习入门教程，十分详细地包含视频教程、文字教程等，这哥们都是抽空闲的时间写的教程，并且录的视频，中文讲解，可以去B站enjoy。
mlcourse.ai
一套机器学习课程。课程全面细致，同时带有 demo 以及进阶的 Kaggle 比赛的样例，非常适合初学者逐步的深入学习。
waifu2x
基于机器学习把图片、照片变得高清。该项目使用卷积神经网络对图片进行 1-2 倍的无损放大操作，支持降噪保证图片质量。
ailearning
ApacheCN 制作的《机器学习实战》。配套视频：编码能力强，建议观看《机器学习实战 - 教学版》。 编码能力弱，建议观看《机器学习实战 - 讨论版》。
lihang-code
李航老师编写的《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。
机器学习相关的资料有很多，就不一一列举了，姑且就抛砖引玉。
开发相关
一些常用的python库，包括但不限于：
- numpy 矩阵运算
- scipy 数值运算
- matplotlib 绘图库
- pandas 数据清洗
- sklearn 算法库
建议使用Anaconda工具便捷获取包并对包进行管理，而且使用它还可以对环境的发行版本进行统一管理。令人兴奋的是，Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。
那么开发工具呢？有很多选择，我一般使用PyCharm，因为我是Jetbrains开发工具的重度使用者，当然你也可以使用VS Code 进行开发。