有數學基礎，確切地說是離散數學，就可以試試，演算法離不開數學原理，沒有的話很難深入，小白和專家只有一週的距離你也不信吧，任何技能要達到精尖都離不開一萬小時的刻意練習。

看做到什麼程度。

如果只是使用的話，使用現有框架，還是比較簡單容易上手的，特別是如果有程式設計師背景的話還是比較容易的。特別是調調參之類的，以後可能也會越來越自動化了。

如果想要研究的比較深，有大的研究突破的話，就比較難了，需要有比較好的數學功底，這裡面涉及的知識點有微積分、線性代數、凸最佳化、機率論、統計學等等，每一樣都沒那麼好學的。

這個問題太大了，人工智慧細分方向非常多。

找一個適合自己的方向學習。可以先找一個人工智慧框架例如 tf，然後下載樣本和模型，自己去學習怎麼訓練和調整模型，然後試著改進模型，最後脫離框架

對於初學者來說確實很難！很多大學現在都還沒開設這門課程，作為個人如果有決心認認真真學個幾年還是很牛的，這個待遇還是前景是一般的產品經理 程式設計師不能比的

深度學習目前已經變得十分熱門，許多學校都開設了這個專業。但是，深度學習也是有其門檻的，下面我就結合自己的經驗說說它的難度。

1. 良好的數學基礎: 深度學習是一門綜合性學科，首先就是要有一定的數學基礎。其實也不復雜，主要就是高等數學，線性代數，機率統計以及一些最佳化理論等知識，大部分我們是學過的，只是當時不知道如何運用而已。例如，神經網路的反向傳播就用到了微積分的知識，我想只要我們多回顧回顧高等數學，推導不是問題。所以，只要我們多複習，問題應該不大。

2. 優秀的程式設計能力: 要想將你的思想付諸於實踐，必然繞不開程式設計。無論你看github上的開原始碼，還是修改最佳化程式碼，都需要較強的程式設計能力。這裡也包括程式設計思想和程式語言兩部分。要想使海量樣本在你的網路裡快速收斂，程式碼的設計與最佳化是必須的。對於有過專案經驗的同學，一定不難。

3. 一定的創造性思維: 這個可能就是高階的要求了，深度學習的發現就是不斷改進前人的思想，使其更適合某種場景，這就是一種創造性思維。當你論文看得多了，框架用的多了，你的想法也就多了，所以，要想達到這個階段，還是得多沉澱、多積累的。

總之，想要進入這個領域，滿足前兩點就可以了，但是要想做的深入，必須做到第三點。

希望想在深度學習的道路上前行的我們，都能走的越來越好。

看你學習的目的。如果你只是想深入瞭解下深度學習，這個是很簡單的；如果你想做這方面的研究，還是比較難的，需要有很深的數學功底，很強的專業知識，以及一定強度的工程實現能力；如果想做這方面應用，依然是比較難，首先是競爭激烈，現在開源的程式碼，效果都不錯，也就是說門檻很低，但是你要做的和別人效果差不多甚至更好，而成本比別人有明顯優勢，這個就太難了，比方說你要做一個在嵌入式系統上執行的深度學習模型，你肯定做不過華為海思，因為你做的受限晶片給你的能力，而海思可以自己定製，除非你是在海思裡做。

特別是如果有程式設計師背景的話還是比較容易的。特別是調調參之類的，以後可能也會越來越自動化了。

如果想要研究的比較深，有大的研究突破的話，就比較難了，需要有比較好的數學功底，這裡面涉及的知識點有微積分、線性代數、凸最佳化、機率論、統計學等等，每一樣都沒那麼好學的感謝悟空問答給我這個回答的機會，我認為深度學習是一門綜合性學科，首先就是要有一定的數學基礎。其實也不復雜，主要就是高等數學，線性代數，機率統計以及一些最佳化理論等知識，大部分我們是學過的，只是當時不知道如何運用而已。例如，神經網路的反向傳播就用到了微積分的知識，我想只要我們多回顧回顧高等數學，推導不是問題。所以，只要我們多複習，問題應該不大。

感謝聆聽