写在前头
1、课程的选择：
选择一门完整的算法课程，并以此课程为主，系统性学习；公众号或者其他材料都是辅助，里面主要是零碎的知识。推荐业内经典课程。
2、本号不涉及技术层面的内容：
没有那个水平；前人已经有非常完善的课程体系
机器学习篇
1、知识内容
2、学习资源推荐
简单版：吴恩达在Coursera的机器学习课程；机器学习入门首选课程，据说全世界有数百万人通过这门课程入门机器学习。课程的级别是入门级别的，对学习者的背景要求不高，如果数学太差就先看这个吧，课后作业要做。
链接： https://www.coursera.org/learn/machine-learning
中文版： http://study.163.com/course/introduction.htm?courseId=1004570029
作业答案：https://github.com/TingNie/Coursera-ML-using-matlab-python
难度版：吴恩达CS229，上面那门课的数学加强版，如果有一定数学，可以跳过上面的直接看这门课。
中文版：http://open.163.com/special/opencourse/machinelearning.html
学习指南：CS229的材料分为notes（讲义），课程视频，课后作业。讲义和课程视频是必看的，课后作业太难，暂且忽略，等水平到一定的时候再看。讲义是课程视频的详细版，里面有很多数学的推导，建议先看讲义后看视频，带着问题去听课。这么课学习下来要达到的效果是不看讲义，自己能手写推导过程，推个70%就差不多了。课程包含20集，初学者先看前15集即可。配合着前述文章中写到的《机器学习实战》、李航《统计学习方法》、周志华《机器学习》。
深度学习篇
1、知识内容
2、推荐课程Cs231，包含课程视频、课程笔记、课后作业，都要看，课后作业要写，详情参见我之前的文章。
项目实战篇
1、《hands-on-ml-with-sklearn-and-tf》，见之前的文章
2、Kaggle入门指南， https://blog.csdn.net/u010094934/article/details/77689151
3、Kaggle学习资源，https://github.com/apachecn/kaggle
4、scikit-learn学习，官方文档必看，http://sklearn.apachecn.org/cn/0.19.0/
5、tensorflow学习，官方文档必看， https://tensorflow.google.cn/api_docs/python/?hl=zh-cn
6、TensorFlow学习，斯坦福CS20SI选看，参考地址： https://blog.csdn.net/lqfarmer/article/details/72956283
自然语言（可选）
这是深度学习在自然语言处理上的进一步应用了，如果你以后要做这方面的工作，可以学习一下，否则可以不看。
CS224d课程：深度学习在自然语言处理上的应用
