作为机器学习的新手，我想开始尝试一下，看看有什么可能。
我很好奇您可能建议使用哪些应用程序，这些应用程序将提供从安装到产生有意义结果的最快时间。
同样，任何有关机器学习的入门材料的建议都将受到赞赏。
Answers:
老实说，我认为做一些项目比做一门完整的课程能教给你更多的东西。原因之一是，与分配任务相比，进行项目更具激励性和开放性。
如果您有时间和动力（真正的动力），那么一门课程比做一个项目要好。其他评论员在技术方面提出了很好的平台建议。
我认为，从有趣的项目角度来看，您应该提出一个问题，并让计算机学习如何回答。
一些很好的经典问题，有很好的例子：
这些项目完成了数学运算，完成了代码，可以在Google上找到。
您可以完成其他很酷的主题！
最后，我研究机器人技术，因此对我来说，大多数FUN应用都是行为的。示例可以包括（如果您可以玩arduino）
创建一个可能使用逻辑回归的应用程序，该应用程序将在给定内部温度以及房间内照明状态的情况下，学习何时关闭和打开风扇。
创建一个应用程序，该应用程序使用高斯混合模型（根据演示学习），根据传感器的输入（可能是按一下按钮），教机器人移动致动器（也许是车轮）。
无论如何，那些都是相当先进的。我要说的是，如果您选择一个（真的）喜欢的项目，并花几个星期在上面，那么您将学到很多东西，并且理解的远比完成一些任务要多。
假设您熟悉编程，我建议您看一下scikit-learn。它具有特别出色的帮助页面，可以作为微型教程/机器学习快速指南。选择一个您认为有趣的领域并通过示例进行研究。
我发现多元视野课程《机器学习入门》包含了大量资源，因此请从这里开始。它使用Encog库快速探索不同的ml技术。
如果您已经了解R Studio，那么插入符号包是一个不错的起点。以下是一些教程：
使用R和插入符号，您可以轻松加载和拼接数据集，特征约简，主成分分析以及使用各种算法进行训练和预测。
如果您可以从http://scikit-learn.org/页面的横幅中复制6x3的图形网格，那么您将学到一些ML和一些Python。你没有提到语言。Python非常容易学习，可以非常快速地学习，并且scikit-learn具有广泛的算法实现。
然后尝试您自己的数据！