Для начала, сообщу рекомендуемую тему: классические (статистические) методы машинного обучения. Не рекомендую сразу переходить к глубокому обучению, поскольку при его преподавании обычно практически полностью опускают ряд довольно важных задач, с которыми нередко сталкиваются практикующие аналитики данных.
Выбор конкретного материала для начала изучения науки о данных зависит не только от навыков программирования, но и от уровня Вашей математической подготовки.
"Введение в машинное обучение с помощью Python" (А.Мюллер, С.Гвидо) может стать отличным материалом для людей без профильного математического образования. Впрочем, таким людям стоит затем углубить свои познания в математическом анализе, линейной алгебре, теории вероятностей и статистике, чтобы затем переоткрыть те же алгоритмы, но уже учитывая различного рода математические тонкости.
Для изучения конкретно статистики в контексте машинного обучения могу порекомендовать "Practical Statistics for Data Scientists: 50 Essential Concepts" - хоть кодовые вставки и выполнены на языке R, это не мешает восприятию изложенной там математической теории. По развитию в направлениях иных математических дисциплин рекомендаций дать не могу.
В случае,
если у Вас довольно хорошая математическая база, рекомендую попробовать свои силы и начать ознакомление с "
A first course in machine learning" (
S.Rogers, M. Girolami).