机器学习其实是一个特别大的范畴，高效自学机器学习有两个方面的关键要素：首先要对机器学习有一个宏观的认识，知道哪些是领域是热门且重点领域，做到抓住重点，有的放矢；其次，你需要在熟练掌握一门语言工具的前提下结合具体项目实践，增加自己的实践经验，这个地方我给python打一个广告。
下面说一些具体的东西，可能会对你有所帮助。
1: 机器学习可以解决哪些问题？
主要分为两类问题：分类问题和回归问题，其中分类问题又可以分为多分类问题和多标签多分类问题。其他还有很多进阶版本的问题，一般由多个问题复合而成，比如物体检测，实际是把图像分割和分类问题整合到了一起；
2: 机器学习算法有哪些？
我们大体可以将机器学习的算法分为传统机器学习和深度学习算法。传统机器学习算法中，常见的有SVM，决策树，随机森林等，大都在sklearn中进行了集成，可以非常方便的调用。深度学习算法主要依赖学习框架，主流的包含Tensorflow和PyTorch，各有优缺点，请自行了解做进一步选择。其次就是深度学习的网络结构又可以分为卷积神经网络，递归神经网络，自动编码器，对抗生成网络，图卷积神经网络等。目前深度学习在各个领域都取得了巨大的性能提升，是机器学习中的重点领域，另外图卷积也逐渐成为重中之重；
3: 常见的机器学习的流程是什么样的？
一个不失一般性的流程由这么几部分构成：数据集整理，数据集预处理，数据集划分（训练集，测试集，验证集，常见比例7:1:2），模型训练，模型验证，模型测试。
4: 怎么评价模型性能好坏？常见指标有哪些？
我们通常使用验证集的数据测试并选择最终的模型，然后用测试数据集来测试我们模型的性能。得到最终模型后，我们可以使用更大的独立测试数据集来进一步评估模型的性能。评估模型性能，我们就需要使用具体的性能指标。根据数据集中不同类别样本的比例，我们将数据集分为均衡数据集和非均衡数据集。均衡数据集我们可以使用准确率、损失值、马修斯系数、F1-score、ROC 曲线以及 AUC 值等指标，这类数据集的评估相对容易。对于非均衡数据集，我们需要谨慎的使用准确率来衡量模型性能，结合具体问题，我们一般更多的使用F1-score和ROC-AUC等指标。
5: 关于公共数据集。
现在网上有很多公开的且标注完备的数据集，包括图像的、序列的、文本的等等，为机器学习提供了良好的学习环境。练手阶段需要充分利用这些资源！
此外，机器学习不是万能的，很多情况下性能取决于数据和问题定义，不是每一个问题都能用机器学习解决。尤其面对现实问题，要谨慎乐观，切勿盲目跳坑！
