一 经典教材
1.Pattern Recognition and machine learning 豆瓣评分9.5
2.Machine Learning: A Probabilistic Perspective 豆瓣评分 9.4
3.统计学习方法 李航 豆瓣评分 8.5
4. Bayesian Reasoning and Machine Learning 豆瓣评分9.3
1和2是机器学习的经典教程，内容很全，值得慢慢精读，3介绍了十种常用机器学习方法，相对简练，支持向量机部分写得很精彩，可以结合1和2阅读；4还没有仔细读，编排顺序和其它区别比较大
二 视频教程
1. Andrew Ng 非常适合入门
2. 有点难度，可以在看完1的基础上再看
3.
龙星计划， 信息量很大，讲得不是很细，可以先看一遍，等有了一定基础以后再细看。
4 . 100 most popular machine learning talks at videolectures.net
5.
三 代码库
1.
2.
四 领域专家
1.
五 笔记
1. 一些公开课笔记
2. Max Welling教授笔记
六 最佳论文
1.
七 其它推荐书籍
以下是Mike Jordan 推荐的：
1.) Casella, G. and Berger, R.L. (2001). "Statistical Inference" Duxbury Press.
2.) Ferguson, T. (1996). "A Course in Large Sample Theory" Chapman & Hall/CRC.
3.) Lehmann, E. (2004). "Elements of Large-Sample Theory" Springer.
4.) Gelman, A. et al. (2003). "Bayesian Data Analysis" Chapman & Hall/CRC.
5.) Robert, C. and Casella, G. (2005). "Monte Carlo Statistical Methods" Springer.
6.) Grimmett, G. and Stirzaker, D. (2001). "Probability and Random Processes" Oxford.
7.) Pollard, D. (2001). "A User's Guide to Measure Theoretic Probability" Cambridge.
8.) Bertsimas, D. and Tsitsiklis, J. (1997). "Introduction to Linear Optimization" Athena.
9.) Boyd, S. and Vandenberghe, L. (2004). "Convex Optimization" Cambridge.
10.) Golub, G., and Van Loan, C. (1996). "Matrix Computations" Johns Hopkins.
11.) Cover, T. and Thomas, J. "Elements of Information Theory" Wiley.
12.) Kreyszig, E. (1989). "Introductory Functional Analysis with Applications" Wiley.
八 一些数据集
1. movielens
2. netflix
3. jester
4. amazon