我认为有两个非常好的和受欢迎的参考资料供您参考（我从这些参考资料开始，并且具有精算学硕士背景）：

1. Gareth James、Daniela Witten、Trevor Hastie、Robert Tibshirani 的统计学习简介（在 R 中应用）。它在网站上免费提供，非常全面且易于理解，并附有实际示例。即使没有非常强大的统计背景，您也可以开始学习很多东西，该参考资料适用于各种配置文件，并包含足够数量的流行算法及其在 R 中的实现，而无需深入研究数学细节。

2. Trevor Hastie、Robert Tibshirani、Jerome Friedman 的统计学习要素。与第一本相比，如果您想进一步探索您认为对您有用的特定算法，本书将更深入地探讨数学方面。（也是免费的）

当然，Cross Validated是您可以学到很多东西的最佳来源之一，对我来说：最佳实践、统计误解和误用等等。经过几年在学校/大学的学习以及自学，当我第一次去Cross Validated时，我发现我的知识太有限了。自从第一次访问以来，我每天都去这里，学到了很多东西。

以下是我听说强烈推荐的一些免费在线课程：

• http://projects.iq.harvard.edu/stat110/home （取决于您目前对概率论的熟悉程度。Blitzstein 博士的课程在哈佛非常受欢迎，即使对于那些不了解统计/概率的人也是如此。我看过一些讲座供我自己复习，发现它们非常有帮助。）
• https://www.coursera.org/learn/machine-learning（这是斯坦福大学第一批大规模在线课程的当前版本，由 Andrew Ng 共同创立，他最终共同创立了 Coursera。我一直想参加这门课程，但没有时间。）

你不需要测度论。数学家使用测度理论来证明其他数学程序的合理性，例如采用积分近似的限制。大多数工程师不会研究测度论，他们只会使用结果。ML 所需的数学知识大致表现为能够积分多元高斯 - 如果您对此有信心，那么您可能具有必要的多元微积分、线性代数和概率论背景。

我会推荐 Allen Downey 的 Think Stats——它旨在向程序员教授概率/统计学。这个想法是利用编程专业知识进行模拟，从而理解概率论/统计方法。 艾伦唐尼博客（他写过其他人） 思考统计（免费）pdf）

既然你对机器学习感兴趣，我会跳过概率和测量，直接进入机器学习。Andrew Ng 的课程是一个很好的起点。你可以在两周内完成它。

玩几周你学到的东西，然后回到根源并研究一些概率。如果你是一名工程师，那么我对你是如何在大学里逃学感到困惑的。它曾经是工程学的必修课。无论如何，你可以在这里参加 MIT OCW 课程。

我认为你不需要测度论。没有人需要度量理论。那些这样做的人，他们不会来这里问，因为他们的顾问会告诉他们该选哪门课。如果您没有顾问，那么您绝对不需要它。重言式，但确实如此。

测度论的东西是你不能通过“简单的阅读”来学习它。你必须做练习和问题，基本上，很难做到。在我看来，这在课堂之外几乎是不可能的。最好的选择是在当地大学上课，如果他们提供的话。有时，博士水平的概率课程将在一个班级中进行测量和概率，这可能是最好的交易。我不建议在数学系上纯测度论课，除非你真的想折磨自己，但最终你会非常满意。