不推薦《機器學習》西瓜書

缺點:

1.章節覆蓋知識比較多, 但是大多都不夠深入, 比如線性回歸(正則化和廣義線性模型一句話帶過?)

2.公式雜亂, 符號亂用, 不遵守規約

3.邏輯混亂, 輕重不分, 比如決策樹剪枝全篇都在講西瓜, 居然沒有公式支撐? SVM間隔, 對偶, 核, 軟間隔穿插hinge損失? 正常邏輯不應該是硬間隔, 軟間隔, hinge損失最小二乘, 核函數嗎? SMO一頁帶過, 羅列了幾個公式, 根本沒講清楚

4.其它書裡沒有的東西, 西瓜書裡大概率也沒有, 其它書裡有的, 西瓜書裡也不一定有;其它書裡你看懂的東西, 回到這本書裡大概率又會懵逼(公式符號不標準, 大篇毫無意義的敘述, 敘述邏輯混亂)

優點: 彩印, 看起來賞心悅目

這三本書我都看過，其中難度最低的是周的機器學習，閣下問題中的《統計機器學習》應該是《統計學習方法》吧，是一本需要比較強的數理功底的書，主要要掌握微積分，概率論和線性代數，看起來才不會太過吃力，建議放在最後。

因為西瓜書偏簡單，偏重思想，對於數學公式的數量要比《統計學習方法》少，所以我個人認為可以用周志華的書作為入門，好好理解一下算法的主體思想，邏輯，然後再去看李航的書，會簡單一些，至於神經網絡與機器學習我個人認為可以第二本閱讀或者放在最後，它的數學公式我覺得比李航老師的更詳細移動，如果你想先仔細學習數理內容那就先神經網絡與機器學習，也可以把它當做最後總複習的時候使用。

如果為了應付面試，李航老師的書應當作為主要的，面試機器學習工程師的話基本就是推算法，寫代碼。

如果是為了學習，我個人經驗是去技術博客裡多搜索一些細節，比如關於L1 ，L2正則，梯度下降，隨機梯度下降，批量梯度下降，再比如深度神經網絡中梯度彌散和梯度爆炸問題，以及gbdt，xgboost這些內容，其實書上講的很有限，書上的一章三四十頁最多了，然而仔細展開的話遠遠不止，如果真想做這個方向，算法的原理，細節應當爐火純青，這樣才能在實務中針對實用的模型的優勢劣勢，出現的問題進行考察。

共勉！

建議直接從 scikit learn 官網，keras 官網開始學習，有代碼例子，裡邊都附帶訓練數據集。

不要以英語不好為藉口，搞機器學習，流行的庫都是英文的，真正做相關研發，讀懂api 是必須的。

至於學習順序，入門網上有許多 tutorial, 和 introduction.