学习计算机机器学习可以按照以下步骤进行：
了解基础知识
数学基础：包括线性代数（向量、矩阵、线性变换等）、微积分（导数、偏导数、梯度等）、概率论与统计学（随机变量、概率分布、期望、方差等）。
编程基础：掌握Python编程语言及其常用库（如NumPy、Pandas），并了解其他编程语言如R、Julia和Scala。
计算机科学基础：熟悉数据结构（如数组、链表、栈、队列、树、图等）和算法（如排序、搜索、动态规划等）。
学习机器学习基础
机器学习分类：了解监督学习（分类和回归）、无监督学习（聚类和降维）、半监督学习、强化学习等。
基本机器学习算法：学习常见的算法，如线性回归、逻辑回归、支持向量机、决策树、随机森林、神经网络、K-均值聚类等。
模型评估和调优：掌握模型评估指标（如准确率、召回率、F1分数等），并学习使用交叉验证和网格搜索等方法对模型进行调优。
学习数据处理和可视化
数据处理：熟悉Pandas和NumPy等数据处理库，掌握数据清洗、缺失值处理、异常值处理和数据标准化等技能。
数据可视化：学习Matplotlib和Seaborn等数据可视化库，帮助更好地理解和分析数据集。
学习机器学习和深度学习库和框架
常用库和框架：学习Scikit-learn、TensorFlow、PyTorch等流行的机器学习库和框架，提高算法实现和优化的效率。
实践项目和竞赛
实际项目：通过实际项目应用所学知识，可以选择参加Kaggle等数据科学竞赛或在GitHub上找到相关项目进行实践。
深入学习特定领域
选择领域：在熟悉基本概念和算法后，可以选择深入学习某个领域，如深度学习、自然语言处理、计算机视觉、推荐系统等。
持续学习和跟进最新研究
阅读文献：定期阅读最新的研究论文，了解最新的技术和发展趋势。
参加研讨会和课程：参加相关的研讨会、课程或在线学习平台，不断更新知识体系。
通过以上步骤，可以系统地学习计算机机器学习，并逐步提升自己的实践能力和专业水平。