大致提纲如下：
1.数学
线性代数、微积分
在整个机器学习过程中涉及大量矩阵运算和微积分导数的概念，因此建议初学者至少要有较为扎实的数学基础，对矩阵和微积分的概念了解比较清楚。否则在一些公式推导过程中会遇到较大障碍。
2.编程语言
Python/R/Java/Matlab 7 Steps to Mastering Machine Learning With Python
Python已经成为机器学习的第一语言，众多机器学习的框架都支持Python API。
3.监督学习
监督学习指的是人们给机器一大堆标记好的数据（label），比如一大堆照片，标记出哪些是猫的照片，哪些不是，然后让机器自己学习归纳出算法，可以判断出其他照片是否是猫，用于未来其他数据的预测判断使用。
监督学习目标就是，假定给一组训练数据，可以学习到一个函数方法h，可以使得h(x) -> y。这个函数方法h被称为假设（hypothesis）。整体流程如下：
监督学习根据输出数据又分为回归问题（Regression）和分类问题（Classfication）。回归问题通常输出是一个连续的数值，分类问题的输出是几个特定的数值。
举例如下：
(a) 回归问题 - 给定一张人脸照片，估计出这个人的年龄（年龄输出是一个连续的数值）
(b) 分类问题 - 假定一个人患有肿瘤，判断是为恶性还是良性（恶性和良性的输出是几个特定的数值）
目前监督学习领域算法代表：Linear regression, Logistic regression, Neural network, SVM等等。
线性回归（Linear regression）机器学习知识体系 - 线性回归
逻辑回归（ Logistic regression）机器学习知识体系 - 逻辑回归
神经网络（Neural network）机器学习知识体系 - 神经网络（基础）机器学习知识体系 - 神经网络（反向传播算法）
支持向量机（SVM）SVM支持向量机 SVM支持向量机
4.无监督学习
非监督学习指的就是人们给机器一大堆没有标记的数据，让机器可以对数据进行分类、检测异常等。其所学习的数据没有属性或标签，对于给定的数据集，无监督学习算法可能判定，该数据集包含不同的聚类，并且能够归纳出哪些数据是一个聚类。
K-means深入浅出K-Means算法
PCA: 主成份分析算法 PCA
Anomaly detection: 异常检测
5.特殊主题
推荐系统Recommend system
Large scale machine learning application
一些特殊算法，例如推荐系统。常用于购物网站，可以根据你的过往购物或评分情况，来向你推荐商品。
6. 机器学习调优和分析
Bias/vairance: Understanding the Bias-Variance Tradeoff
Regulation
Learning curve
Error analysis: Accurately Measuring Model Prediction Error
Celling analysis
机器学习的建议，包含参数正则化、学习曲线、错误分析、调参等。
7.深度学习
Neural Netwotk
深度学习是近期机器学习的一个热门分支，模拟人类大脑的思维方式，可以极大的提高正确率，是近来机器学习的一个非常大的突破。
CNN：卷积神经网络全面解析 零基础入门深度学习(4) - 卷积神经网络
8.工具框架
TensorFlow/Theano/Keras
很多大厂就开源了一些机器学习的框架，基于这些框架可以很容易搭建机器学习的平台。
TensorFlow and Deep Learning without a PhD, Part 1
TensorFlow and Deep Learning without a PhD, Part 2
推荐的学习资料：
Github上面有一份非常详尽的学习路径 awesome-deep-learning
零基础入门深度学习：一位大神写的关于深度学习的入门教程，由浅入深的详细介绍了深度学习的几个重要内容，非常适合入门的学习。
