ML 和 DS 的领域非常广泛。一些主题与“经典”统计相关（需要良好的标准代数和矩阵计算知识），而其他领域则扩展到计算机科学和编程。例如，图像分类（或“计算机视觉”）之类的东西主要是在计算机科学界开发的，而其他预测模型（线性回归等）则广泛用于“经典”统计中。由于 ML/DS 中的领域/主题非常多样化，您最终需要根据自己的需求和兴趣专注于某些领域。

但是，一个很好的起点肯定是“统计学习简介”（可在线获得），它还附带 R“实验室”（也可以使用Python 实验室）。

如果您想更深入地研究某些主题，可以参考“统计学习要素”，它更正式，可以让您深入了解更多细节。

对于强化学习，您可以查看Sutton 和 Barto的介绍。

更多与神经网络相关的应用工作，也可以关注Keras 博客。通常会提供各种论文和其他来源的链接，如果您有兴趣，可以按主题深入了解详细信息。

开始学习数据集、数据清洗、EDA（探索性数据分析）、可视化、线性代数和统计的一些基础知识。还可以学习 pandas、numpy 等库。这些是开始 ML 和 DL 之前的一些先决条件。

对于 ML，从回归和分类开始。一旦你掌握了它们。将所学知识应用到kaggle比赛中。你也可以在kaggle中免费学习课程。随着您的前进，您最终将学习接下来的步骤。

然而，O'Reilly 的 scikit learn、Keras 和 tensorflow 的动手机器学习对于初学者来说将是一本很棒的书，因为它以实用的方法涵盖了几乎所有主题。