我想说尝试在线资源，例如探索数据科学课程和 Andrew Ng 在 Coursera 上的 ML 课程（在上面的注释中提到）非常棒。但是，没有什么能比您从内到外了解的真实数据更胜一筹了。在学习了探索数据科学的一些技能之后，我建议你不断地收集你的燃料使用数据。收集基本信息：城市、州、加仑、总成本和您的车辆里程。当您忘记输入它时，您必须学习如何处理丢失的数据。当你感觉更舒服时，参加 kaggle 比赛。数据科学社区发展得如此之快，以至于在线资源非常丰富，可以帮助您确定您需要教科书的任何领域。祝你好运！！玩得开心！

到目前为止，答案都集中在学习特定的方法上。他们很好，但他们不会让你成为数据科学家。成为一名数据科学家不仅仅是甚至主要是掌握特定的数据分析方法（ML 或其他）。

最根本的是问题解决和决策支持。无论您收集什么数据，应用什么分析方法，以及随着时间的推移如何改进这些方法，这些都必须支持解决问题或做出更好决策的总体目标。

您需要开始获得您所在领域数据的第一手经验。我不是指 Kaggle 数据（即已经清理过的数据）。我的意思是原始数据或接近原始数据。数据科学家 50% 的时间都花在处理原始数据并将其清理到可用于分析的程度。您需要学习如何处理缺失数据、错误数据、模棱两可的数据、错误格式的数据等等。

您还应该获得一些与数据不完全对应的决策的经验。推荐系统在这方面很容易。例如，您可能会接受评估软件漏洞以指导漏洞管理决策的挑战。

coursera 应该是一个好的开始。如果我没记错的话，我已经在他们的课程列表中看到了机器学习。一旦你掌握了窍门，一本机器学习经典文本，比如 bishop 的“机器学习和模式识别”或其他文本，可以让你熟悉不同类别的算法。如果你想深入，数学是必须的，但如果你只是想熟悉并使用算法，那绝对没有必要

我的建议是从全面的统计学基础开始，网上有很多经典而明确的材料。您应该牢牢掌握的主题包括回归、相关性、假设检验和偏差-方差权衡。您不必对这些主题中的任何一个进行过多的理论深入研究，但在开始学习机器学习之前您应该知道这些是什么。你在机器学习方面的研究应该包括对假设空间的理解、贝叶斯分析（你能解释 MLE、MAP 和最优贝叶斯之间的区别吗？）、期望最大化、逻辑回归、聚类（尤其是 k-means）、最大边距分类器（SVM）、过拟合（你能解释一下偏差和方差是什么吗？）和特征选择。

作为从事数据挖掘研究并与多家公司密切合作的人，我可以告诉你，如果你真的想进入机器学习领域，仅仅知道如何使用 Weka 或 R 编写代码是不够的。这些很容易一旦你知道了这些概念，就足够使用了。当公司聘请数据科学家时，他们希望有人能够获取原始数据并用它做一些有用的事情。很好地掌握基本面显然是必不可少的，因为每家公司的数据都有自己的怪癖（并且通常对于您来说太大而无法尝试“一切”）。祝你好运！