虽然我还没找到这方面的工作 😄 ，但毕竟系统的学习过一遍了，提供给你做参考吧。根据现有的机器学习算法，个人觉得分两个层面看。 首先是基础理论层面：数学分析，线性代数，凸优化理论，概率论与数理统计，随机过程，这几门应该是关联度最高的。 其次是数据科学层面的（因为现有的机器学习算法是基于数据的，数据科学是一个关于如何从数据中提取信息系统的学科），推荐看看 Data Mining 的书，里面有关于线性模型，基于规则的模型，概率模型，基于树结构的模型，深度学习，以及他们之间内在联系的比较系统的介绍。然后就是数据科学的本身的一些内容，包括数据挖掘的流程，数据的一些规范化的处理方法等等。再然后就是一些工具的掌握，比如Python 语言，一些基于Python 的开源库，还有一些商业的做数据挖掘的软件，比如RapidMiner. 如果时间充裕，可以继续深挖机器学习的理论，机器学习自身的一些理论，比如计算学习理论是一方面，另外一方面，个人感觉机器学习算法实际上还是对一些统计，优化的理论和方法，在数值计算机算法下的一种结合，所以大的创新可能会从最根本的数学方法，优化方法中来（这方面我是懵懵懂懂的，讲的好心虚😄）。 机器学习还是很有意思很值得研究的，祝你学有所成 👍 （仅供参考啊，别被我误导啦😄）