簡單來說，機器學習是人工智慧的一種，而深度學習只是機器學習的乙個分支。
stephen boyd：凸優化，一些優化的理論需要先了解一下
周志華：機器學習
吳恩達：機器學習教程
書和課程可以一起看，課程會講一些小例子，更好的幫助你理解課本內容。
斯坦福機器學習教程
斯坦福深度學習教程
以上，只是關於機器學習模型和演算法的一些理論基礎。接下來我覺得可以根據**和**進行一些實際的訓練，來加深理論知識的理解並且學會怎樣將理論演算法執行到實際問題的解決之中。
如果需要完成這個過程，需要大量的時間和精力的投入。
關於實戰，網上的資源可以說是非常豐富了。下面介紹幾個常用的社群、論壇和網頁：
1. kaggle(www.kaggle.com)
全球最權威的機器學習比賽，賽題覆蓋傳統的機器學習、nlp、影象處理等，裡面會有很多的資料集可以用來練手。
2. github
開源專案，很多**的**也會放在上面
3. stackoverflow
遇到bug就來這裡找答案，也可以求助
4. analytics vidhya
學習分析的資源。包括:資料分析、機器學習、案例分析等。有很多學習資料。
5. csdn
啦啦啦，接地氣的中文**，關於知識點或者**錯誤等等都可以來這裡找答案。
6. 機器之心
機器學習資源推薦（持續更新）
神經網路 卷積 接觸過高斯模糊的朋友應該都知道，卷積在某種意義上相當於一種濾波器。最近在詳細的了解caffe中如何進行卷積操作時，看到知乎上一種關於從投影的方向理解卷積的介紹，對於理解神經網路多核卷積生成feature map有很大的幫助。另一種理解是投影，因為當前模板內部影象和模板的相乘累加操作就...
機器學習 學習資源
1 研究資料 uci machine learning repository 鏈結點我 資料堂 不同領域會議的 cup 資料 不同領域 中獲取 網路爬取 2 工具 weka python 機器學習工具包 milk 開源的機器學習框架 apache mahout framework apache op...
深度學習主要歷史簡介和資源推薦
第一代神經網路 mcp神經元模型，該模型將神經元簡化為三個過程 1.輸入訊號加權 2.求和 3.非線性逼近 1958 單層感知機 死刑 只能處理線性分類問題，連xor問題都解決不了。第二代神經網路 1986 適用於mlp的bp演算法和sigmoid，有效解決了非線性分類和學習的問題。1989 萬能逼...