人工智能太火了，资料特别多，但是鱼龙混杂，实际上经典的课程资料 paper就足够
吴恩达老师真乃人工智能届的孔夫子，在这个水平上还能致力于基础教学和入门推广功德无量啊，吴老师的课讲的也是真的好。
CS229，强推👍，Stanford的公开课，网易云课堂有2008年的课件和讲义，我就是对着这个学的，打印讲义一点点对着推吧。
Coursera Machine Learning，Coursera的课比较基础，其实有了CS229就不推荐看这个了。 DeepLearning.ai，也是偏基础的课程，不过还是很值得看，对传统机器学习、CV、NLP都有一个不是很深入的讲解，作为入门很棒。
Machine Learning Yearning，这本书也是偏基础，工程向，讲了实际工程项目中调参等等东西，我学的时候只出了前几章，后面没有看过。
动手学深度学习，强推👍，非常好的课程，李沐是机器学习的大家，在分布式机器学习领域非常有建树，除了广为人知的mxnet，还有parameter server，这里就不展开说了。李沐的课程是将门斗鱼的直播，都录了下来，在网站上还有配套的代码讲解和书籍，唯一美中不足是基于gluon，这个稍微冷门一些。
莫凡python，怎么说呢，比起其他课程还是逊色不少，不过讲的很基础，而且是不多的讲解RL的中文课程。
CS231N，强推👍，stanford公开课之二,李飞飞的cv实验室出品，讲师是大名鼎鼎的Justin Johnson，虽然是讲CV，但对DeepLearning的基础也讲的非常详细，cs229是最好的ML课程，cs231n是最好的DL课程。
附加：算法导论 6.046J，大名鼎鼎的MIT算法导论公开课，虽然不是ML/DL向，但是基础算法还是要会的，毕竟算法工程师首先是工程师，课程较难，很多名校本科上过这门课，大部分没有上过，还是有必要抽空看看的
《CS229讲义》，为啥把这个单独拿出来说呢，因为这个讲义真的就是一本书，有详细的推导过程，并且很多同学看公开课会忽略讲义，一定注意。
《统计学习方法》 李航，机器学习最常用的书，人称小蓝书，其实这本书不适合入门，里面很多推导晦涩难懂，但是讲的很详细。有些地方的推导方式和写作习惯跟吴恩达不一样，所以两个一起看有时候会很迷。
《机器学习》 周志华，人称西瓜书，不仅封面是西瓜，里面的例子也全是西瓜。难度比《统计学习方法》简单不少，还有各种西瓜例子，入门首选。
其实这块是最难的，因为自学，实验室也没有项目，实习没有基础也难找，尤其我年初自学，3月份就开始暑期实习招聘，再找一个实习肯定来不及，好在我们有kaggle！
kaggle，强推kaggle！！！！👍 👍 👍
在开始kaggle之前，请看看Kaggle的三个Getting Started比赛，分别是手写识别（CV），泰坦尼克预测（分类），房价预测（回归），这三个比赛就是教学比赛，kernel和discuss版块有大量的教学，好几个会长篇讲如何基本的使用DNN、xgb、lgb、sklearn这些工具，和如何开始做机器学习。
当你开始打featured的比赛的时候，有一点要明确，去打比赛不是为了赢，你是个没有基础的初学者，很可能也没有队友，只能solo，想拿名次就算了，打kaggle的目的是为了学习，为什么选kaggle不选天池或其他比赛呢？因为kaggle的氛围非常非常open，讨论区和kernel区一定会有人给出自己的完整思路和代码，不仅有base model，还有各种有用的数据处理代码，甚至很常见到前10的队伍公开自己的思路甚至代码！这是其他比赛不具备的，你可以在看别人代码，改进自己代码中成长。
这是自学最欠缺的，没有积累，尤其是科研积累，没有人带自己想搞出一篇工作就免了吧，但是熟读某个方向的paper，对该方向有深入了解是必须的，如果仅仅是达到见过或者会用的程度，肯定拿不到offer的。具体的积累看是什么方向，github上有很多repo是经典paper集合比如这个repo，可以对照着看，也要关注该领域顶会每年的文章，还有就是对自己项目中用到的model、方法的相关工作要熟读。
时间紧迫，给自己定一个清晰的计划还是很重要的，笔者自己是打印了一份日历，然后把暑期实习、秋招等关键时间点和自己计划完成的deadline日期做上标记，每天干过的事情标在当天的日期上，然后划掉这一天，每天看着时间会有紧迫感促进你学习。
自学没有老师，但俗话说三人行必有我师，周围相关方向的同学，该请教就请教，有些东西自己搞是搞不出来的，但会的同学随便点你一下这块就过去了。记得请教过你的大佬吃饭。