书籍
《统计学习方法》李航 http://item.jd.com/10975302.html
《机器学习实战》http://item.jd.com/11242112.html
《机器学习》周志华 http://item.jd.com/11867803.html课程
《机器学习基石》台大 https://class.coursera.org/ntumlone-001
https://www.coursera.org/browse?source=deprecated_spark_cdp
《机器学习》 斯坦福 androw ng https://class.coursera.org/ml/class/index
http://open.163.com/special/opencourse/machinelearning.html
《机器学习》 百度 于凯、张瞳 http://wenku.baidu.com/course/view/49e8b8f67c1cfad6195fa705
习题
知识点搜索
https://Metacademy.org/
其他
http://www-bcf.usc.edu/~gareth/ISL/ R语言的机器学习课程
http://www.cs.cmu.edu/~tom/10701_sp11/lectures.shtml CMU机器学习课程
http://ml.memect.com/article/machine-learning-guide.html 入门资源汇总
http://www.cnblogs.com/tornadomeet/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/ tornadomeet的学习笔记
实践资源
From： http://blog.jobbole.com/56256/
R Project for Statistical Computing：这是一个开发环境，采用一种近似于Lisp的脚本语言。在这个库中，所有你想要的与统计相关的功能都通过Ｒ语言提供，包括一些复杂的图标。CRAN(你可以认为是机器学弟的第三方包)中的机器学习目录下的代码，是由统计技术方法和其他相关领域中的领军人物编写的。如果你想做实验，或是快速拓展知识，R语言都是必须学习的。但它可能不是你学习的第一站。http://www.r-project.org/
WEKA：这是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的API、命令行和图形化用户接口。你可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时可以通过第三方插件执行其他算法。除了WEKA之外， Mahout是Hadoop中为机器学习提供的一个很好的JAVA框架，你可以自行学习。如果你是机器学习和大数据学习的新手，那么坚持学习WEKA，并且全心全意地学习一个库。http://www.cs.waikato.ac.nz/ml/weka/
Scikit Learn:这是用Python编写的，基于NumPy和SciPy的机器学习库。如果你是一个Python或者Ruby语言程序员，这是适合你用的。这个库很用户接口友好，功能强大，并且配有详细的文档说明。如果你想试试别的库，你可以选择Orange。http://scikit-learn.org/
Octave:如果你很熟悉MatLab，或者你是寻求改变的NumPy程序员，你可以考虑 Octave。这是一个数值计算环境，与MatLab像是，借助Octave你可以很方便地解决线性和非线性问题，比如机器学习算法底层涉及的问题。如果你有工程背景，那么你可以由此入手。http://www.gnu.org/software/octave/
BigML:可能你并不想进行编程工作。你完全可以不通过代码，来使用 WEKA那样的工具。你通过使用BigMLS的服务来进行更加深入的工作。BigML通过Web页面，提供了机器学习的接口，因此你可以通过浏览器来建立模型。 https://bigml.com/
论文
The Discipline of Machine Learning机器学习中的规则：这是由Tom Mitchell编著的白皮书，其中定义了机器学习的规则。Mitchell在说服CMU总裁为一个百年内都存在的问题建立一个独立的机器学习部门时，也用到了这本书中的观点。http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf
A Few Useful Things to Know about Machine Learning：这是一篇很好的论文，因为它以详细的算法为基础，又提出了一些很重要的问题，比如：选择特征的一般化，模型简化等。http://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf
