В дополнение к превосходным предложениям, приведенным выше, я хотел бы сказать, что если вы заинтересованы в том, чтобы получить четкое представление о более базовых понятиях вероятности и статистики, «От алгоритмов к Z-баллам: вероятностные вычисления в статистике» является отличным учебным пособием по использованию компьютеров для понять некоторые из наиболее важных понятий новичок / промежуточный в теории вероятностей и случайных процессов. Я также добавлю «Введение в статистическое обучение» или «Элементы статистического обучения» (ESL) в качестве введения в машинное обучение (ML). Я думаю, что ESL, в частности, удивителен, но он требует гораздо более сложного математического взгляда на концепции ML, поэтому, если вы считаете, что у вас все в порядке со статистикой, вы можете прочитать ее, как только получите больше опыт работы с ML.
Если вы заинтересованы в машинном обучении ради работы или решения проблем, ключевым моментом является получение практического опыта. Пройдите некоторое введение в курсы по науке о данных / машинному обучению. Эндрю Нг делает удивительное введение в машинное обучение в своем курсе в Coursera здесь . Я бы также предложил вам загрузить некоторые наборы данных и начать с ними играть. Если вы еще этого не сделали, загрузите R и RStudio (на мой взгляд, более дружелюбны для начинающих, чем Python или Matlab) и зарегистрируйтесь на kaggle и некоторые из их проблем для новичков. У них есть отличные пошаговые руководства, которые могут помочь вам использовать ML, практически не имея представления о том, что на самом деле происходит, но он дает вам представление о том, какие шаги вам необходимо предпринять для фактической реализации решения ML.
Я лично рекомендовал бы начать с использования инструментов ML, не зная, что они делают (используя наборы данных Kaggle или аналогичные); и изучение фундаментальных понятий, таких как перекрестная проверка, переоснащение, использование матриц путаницы, различные измерения того, насколько хороша модель, и т. д. Для меня гораздо важнее знать, как использовать алгоритмы, и знать, как определить, когда что-то работает / не работают, чем понять, как работают алгоритмы.