从5月份开始对统计学习(机器学习)感兴趣，一路走过来也算是刚刚入门了。基本上可以讲清楚什么是机器学习、深度学习、数据挖掘，用前人积累的库和框架也可以解决实际工程中的统计学问题。给我一个方向和数据，也可以用python来实现数据的ETL，应用ML算法，给出结论。
之前一直搞工程，对理论和数学的理解太浅了，现在准备啃ISLR《An Introduction to Statistical Learning》和ESL《The Elements of Statistical Learning》两本书。机器学习不易，看好AI和AR的未来就不能放弃，且学且珍惜。
在开始读ISLR之前，把这3个月的学习路径总结一下。
最开始看的书是《集体智慧编程》，这本书内容比较陈旧，前5章可读性非常强，读完你会有一个概念：有一种之前我从没有涉及过的学科在影响着大规模WEB应用，这些集体智慧(算法)来自于机器学习和统计学领域。
第二本书：《统计学的世界》，这本书已经绝版了，在淘宝上买的影印版，这本书不用高等数学知识，仅仅用例子就可以让你入门统计学。
第三本书：《普林斯顿微积分读本》大学渣需要捡起微积分，这本书也绝版了。
第四、五本书：《概率统计》《线性代数》大学渣需要捡起概率&线性代数。
第六本书：《利用Python进行数据分析》这本书其实是pandas的工具书，用python搞统计必读。
第七、八本书：《贝叶斯思维》《统计思维》这两本书用python讲统计，实用性强。
第九本书：《数据挖掘导论》一本无需太多数学知识就可以系统学习分类、聚类、关联分析、异常检测等常用ML算法。
第十、十一本书：《Hadoop权威指南》《Spark快速大数据分析》看这两本是为了了解如何使用大数据分析平台来搭建大数据机器学习系统。
第十二本书：《Python数据挖掘入门与实践》这是一本scikit-Learn入门书，站在前人肩膀上，你利用scikit-Learn可以很容易分析数据(算法都实现好了)，利用一些DL框架进行深度学习也不是难事，这是一本实践性很强的书，但仅仅只是入门，太太太浅了。
