非常高興回答題主的這個問題，最近機器學習是非常熱門的一個研究方向，但是需要說明的是機器學習並不是一個新概念了。

早期的機器學習更多是用於數學模型的擬合，資料迴歸和資料探勘領域。主要的演算法包括樸素貝葉斯，k-近鄰，聚類，主成分析PCA等，這都是非常經典的演算法。題主至少要了解。

往後隨著深度神經網路的出現，機器學習進入了深度機器學的新領域，很大程度上現在火熱的機器學習就是指的深度機器學習，包括谷歌的阿爾法狗都屬於這一領域。這一部分如何來學好呢？這涉及的知識主要有:1，數學基礎知識，包括高數中的導數、梯度，線性代數中的矩陣運算以及機率論的有關內容；2，適合機器學習的程式語言，比如Python和相關的庫比如科學計算庫:Numpy等；3，選擇一個成熟且功能強大的深度學習框架，比如Tensorflow。

最後就是一個好的教學教程，或是教學入門影片。這部分有很多資料，題主可以去搜索包括用某寶~

方法大致就是這樣了，希望樓主可以透過一些專案不斷的去學習，這一過程很可能會遇到一些困難或是問題，要多思考多逛帖子。一定能進步的。

之後的機器學習需要從理論，程式設計方面抓起並結合實踐，提高掌握程度。具體介紹一下這部分的知識點吧。

理論基礎

數學基礎

機率論

統計學

線性代數

微積分

非監督學習

Kmeans演算法

主成分分析（PCA>

DBSCAN聚類

監督學習

線性迴歸

邏輯迴歸

決策樹

支援向量機

樸素貝葉斯

EM演算法

整合學習

半監督學習

協同過濾

標籤傳播

深度學習

深度學習與神經網路

深度神經網路

卷積神經網路

迴圈神經網路

遞迴神經網路

程式設計相關

Python基礎

基本資料型別、函式、類.面向物件

容器、檔案處理、

錯誤處理和異常

橫塊，標準庫

資料結構

Python資料科學

NumPy

SciPy

Pandas

Matplotlib

Scikit-Learn

自然語言處理工具

Tf-idf

Word2Vec

FastText

深度學習框架

Tensorflow

MXNet

Caffe2

PaddlePaddle

Keras

PyTorch

專案管理

Maven

Git

Remine

JIRA

敏捷開發

理論和實踐一個不能少，而且基礎也很重要，一定要腳踏實地。

最後