随着AlphaGo在围棋界成为最强王者，科技界掀起了一股机器学习的热潮。那么我们该如何学习呢？接下来我们一起看看著名问答网站QUORA上大牛们对机器学习的看法。
Kevin
Murphy（Google数据研究科学家）：
我正在编写更偏向初学者的教程，如果你已有一定基础，可以看看我的在线教程Machine
learning textbook。此外，我有一个书籍推荐清单，里面有很多高质量的书籍。其中，Introduction to
Statistical Learning最适合初学者阅读。
Sean
McClure（Data
Science总裁）：
要熟练掌握机器学习，除了要熟悉R和Python语言，更关键的是要把算法与实际相结合，尝试解决实际问题。以现实问题为导向，是学习的最佳捷径。我个人也整理了一个实用的机器学习文章清单，希望对你有所帮助：
Building
Machine Learning Systems with Python
The Only
Skill you Should be Concerned With
Yoshua
Bengio（Montreal
Institute学习算法主管，专家）：
首先，你需要有良好的数学和计算机科学基础。我建议可以先看MIT Press Deep Learning的第一部分。然后进行机器学习相关资源的阅读，例如Chris Bishop和Kevin Murphy的在线视频，Andrew Ng的网络教程以及Hugo Larochelle的神经网络视频。然后要多尝试动手操作，例如自行编程一些学习算法，尝试在一些Kaggle比赛中胜出。
Danny
Tarlow（机器学习博士）：
Youtube上有很多优秀的视频值得一看，详情请点击这里
这些视频站在数学角度，严谨地阐明了什么是机器学习。实际上，这也是我学习的第一门机器学习教程，它让我兴奋不已并最终取得了博士学位，学习永无止境，我会继续探索更有趣的内容。
Murthy
Kolluru (INSOFE软件服务公司总裁）：
计划，计划，计划！制定切实可行的学习计划是最重要的。
以下是我的一些建议：
1.
从互联网上下载一个数据集，为问题创建业务环境。
2.
透过思维导图，头脑风暴的方式来对数据集属性进行分析。属性越多越深入，对问题的研究越有帮助。
3.
下载并学习R,Deducer等开源应用
4.
使用Excel / Deducer并创建新数据和预处理数据。
5.
学会使用描述统计，直方图，方框图，散点图等分析工具，在deducer/ggplot中进行实际操作。
6.
对数据进行详细的描述性统计并将其可视化。我这里有个案例，以供参考（链接）。
7.
把所有结果和分析汇总成PPT与他人分享，尝试让别人也能很容易就明白我们的意图和成果。
文章原标题《How do I learn
machine learning?》，作者：由Quora网站整理，译者：伍昆
文章为简译，更为详细的内容，请查看原文
