機械学習全般に慣れていないので、遊んでみて、その可能性を確認したいと思います。
インストールから意味のある結果を生成するまでの時間を最短にするアプリケーションをお勧めします。
また、一般的な機械学習のテーマに関する適切な入門資料についての推奨事項を歓迎します。
回答:
機械学習に関するMOOCから始めることをお勧めします。たとえば、コースラでのAndrew Ngのコース。
また、Orangeアプリケーションもご覧ください。グラフィカルなインターフェースを備えており、おそらくそれを使用したいくつかのMLテクニックを理解するのが簡単です。
正直に言うと、いくつかのプロジェクトを行うことは、フルコースを行うことよりもはるかに多くを教えてくれると思います。理由の1つは、プロジェクトを行うことは、割り当てを行うことよりもやる気と自由度が高いことです。
時間と動機（本当の動機）があれば、コースはプロジェクトを行うよりも優れています。他のコメンテーターは、技術に関する優れたプラットフォームの推奨事項を作成しました。
楽しいプロジェクトの観点からは、質問をして、コンピューターに答えを学ばせる必要があると思います。
良い例を持っているいくつかの良い古典的な質問は次のとおりです。
これらのプロジェクトでは、数学とコードが完了しており、Googleで簡単に見つけることができます。
他のクールなテーマはあなたが行うことができます！
最後に、私はロボット工学を研究しているので、私にとって最も楽しいアプリケーションは行動的です。例には以下が含まれます（arduinoでプレイできる場合）
おそらくロジスティック回帰を使用するアプリケーションを作成します。このアプリケーションは、内部温度と部屋の照明の状態に応じて、ファンをいつオン/オフするかを学習します。
Gaussian Mixture Models（デモから学習）を使用して、センサー入力（おそらくボタンを押す）に基づいて、ロボットにアクチュエータ（おそらくホイール）を動かすことを教えるアプリケーションを作成します。
とにかく、それらはかなり高度です。私が言いたいのは、あなたが（本当に）好きなプロジェクトを選び、それに数週間を費やすと、あなたは膨大な量を学び、あなたがいくつかの課題をするよりもずっと多くを理解するだろうということです。
あなたがプログラミングに精通していると仮定すると、scikit-learnを見ることをお勧めします。特に素晴らしいチュートリアルページがあり、ミニチュートリアル/機械学習のクイックツアーとして使用できます。おもしろいと思うエリアを選び、例を使って作業してください。
複数サイトのコース機械学習入門は素晴らしいリソースであることがわかったので、まず始めに。Encogライブラリを使用して、さまざまなmlテクニックをすばやく探索します。
R Studioを既に知っている場合は、キャレットパッケージを開始するのに適した場所です。いくつかのチュートリアルがあります：
Rとキャレットを使用すると、さまざまなアルゴリズムを使用して、データセットのロードとスプライス、フィーチャの削減、主成分分析、およびトレーニングと予測を簡単に行うことができます。
http://scikit-learn.org/ページのバナーからグラフの6x3グリッドを再現できる場合は、MLとPythonを学習しているでしょう。あなたは言語に言及しませんでした。Pythonは非常に簡単に習得でき、scikit-learnにはさまざまなアルゴリズムが実装されています。
その後、独自のデータを試してください！
上記で説明したように、Andrew Ng 教授によるMOOCとYaser Abu-Mostafa教授による「Learning From Data」に従って、回答がMLの基本を把握します。
Rは、Kaggleコンペティションで最も使用されるツールとして明確な勝者です。（Kaggle wikiおよびフォーラムでリソースを確認することを忘れないでください）
基本的なRとPythonを学びます。Coursera 'Data Science'トラックには、入門Rコースがあります。ほとんどすべてのアルゴリズムはPythonおよびRライブラリにあります。いくつかのkaggleコンテストで学んだアルゴリズムを自由に使用してください。開始点として、Titanicデータセットのいくつかのアルゴリズムとkaggleの Digit認識機能データセットのパフォーマンスを比較します。
そして、さまざまなデータセットで練習を続けてください！