机器学习是一个非常大的领域。取决于你到底想做什么，可能会有很大的不同。

话虽如此，以下技能很有帮助：

• 编程，尤其是 Python / C++
• TensorFlow、sklearn、Torch等框架...
• 神经网络（尤其是梯度下降）、SVM、决策树、聚类算法、Q-Learning 等算法...
• 数学（例如概率论/统计学、线性代数、计算梯度的分析

知道如何直接对 GPU 进行编程 (CUDA) 可能并不总是必要的，但肯定是一个很大的好处。

如果您对在 KIT（德国卡尔斯鲁厄）的机器学习入门课程中学到的内容感兴趣，请参阅我的博客文章以备考（对不起，主要是德语）。

在线课程

有很多机器学习的在线资料。例如Coursera ML 课程

我已经在这里和这里回答了类似的问题

因此，这将帮助您了解如何设计自己的学习路径。

我之所以说这个问题是基于意见的，是因为：

数据科学本身就是一个巨大的领域，要全面了解其中的一切几乎是不可能的。

所以，如果我有兴趣单独追求神经网络的概念，然后是深度学习；那么我的学习路径将与想要学习不同概念（如时间序列）的人完全不同。

想要学习其他概念的人也是如此。这些概念可能是相互交织的，但我在学习路径中绝对需要的东西可能对其他人来说不是必需的。

因此，上述资源是入门的粗略指南。

除此之外，这里是数据科学的会议和播客列表，它们可以帮助您学习。

并且还要关注初学者标记在这里。

补充阅读：

在现实世界中应用机器学习示例 一本非常好的神经网络和深度学习书籍