深度學習，其實現在不比以前了，以前學習大都透過書籍等去學習，現在網路這麼發達，只要你真的有心要學習，就不愁學不好，其實最好的老師還是百度，沒有什麼度娘沒有的，線上課程學習，各大技術論壇，部落格，知乎等都是你學習的好地方，其實現在悟空問答還不錯，你發的一些問題還是有些大牛等給你很好的一個回答，也是個學習的地方，

人工智慧全面爆發

歷史性機遇如何把握？

AI深度學習直播課火熱來襲

計算機視覺、語音識別、NLP

熱門技術盡在掌握

限時鉅惠 搶先學習

瞭解課程詳情：

http://19.offcn.com/class-143707/?scode=jZiXMZ

對於剛接觸人工智慧的小白來講，如何學習深度學習、機器學習，才能快速入門？是不是要先學好演算法才能學其他的呢？

深度學習看似難度大，按照正確的學習路徑學習，可以大大降低學習門檻，同時激發學習的樂趣。

簡單的說，學習路線大概如下：先學程式設計、數學和深度學習知識，然後動手實踐擼程式碼，有機會的話多參加資料科學比賽，多做專案練習實操能力。

眾所周知，深度學習是一個將理論演算法與計算機工程技術緊密結合的領域。因此對於小白來說，往深度學習發展前，需要掌握一些數學知識。

首先是線性代數。在神經網路中大量的計算都是矩陣乘法，這就需要用到線性代數的知識了。計算向量的餘弦相似度也要用到內積運算，矩陣的各種分解辦法也出現在主成分分析和奇異值分解中。

其次是機率論與統計學。廣義的說，機器學習的核心是統計推斷，機器學習的巨頭不少都是統計學大師，如邁克爾喬丹，楊樂坤，辛頓等，另外機器學習中大量用到貝葉斯公式，隱馬爾科夫模型等等。

再次就是微積分。這是機器學習中的核心知識之一，無論是梯度下降法中的求梯度還是反向傳播中的誤差傳遞的推導都需要用到微積分。

程式設計方面，必須提到一點是Python，深度學習本質上是深層的Python人工神經網路。

除了掌握python自身語法外，還應該著重掌握下面這些庫：

pandas：超級excel，表格式操作資料，資料清洗和預處理的強大工具。

numpy：數值計算庫，快的不要不要的。

matplotlib：模仿MATLAB的資料視覺化工具。

scikit-learn：封裝超級好的機器學習庫，一些簡便的演算法用起來不要太順手。

ipythonnotebook：資料科學家和演算法工程師的筆記本。

至於深度學習知識方面，這裡推薦5本精選書籍：

1.《深度學習》（DeepLearning）

出自Goodfellow、Bengio和Courville三位大牛之手的《深度學習》（Deep Learning）不可不提。本書旨在成為一本教科書，用於在大學課堂上教授關於深度學習的基本原理和理論。Goodfellow等人的《深度學習》完全是理論性的書籍，而且沒有程式碼，是深度學習人員必看書籍。

2.《深度學習圖解》

探索深度學習教會你從頭開始建立深度學習神經網路。經驗豐富的深度學習專家AndrewW.Trask將向你展示了深度學習背後的科學，所以你可以自己摸索並訓練神經網路的每一個細節。只使用Python及其數學支援庫Numpy，就可以訓練自己的神經網路，將文字翻譯成不同的語言，甚至像莎士比亞一樣寫作。

3.《Python深度學習》

本書介紹了使用Python語言和強大的Keras庫進行深入學習。這本書由Keras的建立者、谷歌人工智慧研究員FrancoisChollet撰寫，透過直觀的解釋和實際的例子來鞏固你的理解。你將在計算機視覺、自然語言處理和生成模型中探索具有挑戰性的概念和實踐。當你完成的時候，你將擁有知識和實際操作技能來將深度學習應用到你自己的專案中。

4.《神經網路和深度學習》

這本書的目的是幫助你掌握神經網路的核心概念，包括現代技術的深入學習。在看完這本書之後，你將寫下使用神經網路和深度學習來解決複雜模式識別問題的程式碼。你將有一個基礎使用神經網路和深度學習來攻擊你自己設計的問題。

5.《機器學習-原理，演算法與應用》

在這本書中對有監督學習，聚類，降維，半監督學習，強化學習的主要演算法進行了細緻、深入淺出的推導和證明。對於所需的數學知識，單獨用一章做了簡潔地介紹，可以幫助小白更快入門。

深度學習目前的應用領域很多，主要是計算機視覺和自然語言處理，以及各種預測等。對於計算機視覺，可以做影象分類、目標檢測、影片中的目標檢測等，對於自然語言處理，可以做語音識別、語音合成、對話系統、機器翻譯、文章摘要、情感分析等。

對於剛入行深度學習，想從事人工智慧工業應用和研發的小白來說，選擇一個適合自己的深度學習框架顯得尤為重要。那麼在選擇深度學習框架的時候，要注意哪些內容呢？

通常我們在選擇框架時要考慮易用性、效能、社群、平臺支援等問題。初學者應該考慮容易上手的框架，偏工業應用的開發者可以考慮使用穩定性高、效能好的框架，偏研究性的開發者，一般選擇易用而且有領先的模型基線的框架。

目前這個階段，TensorFlow因為背靠谷歌公司這座靠山，再加上擁有龐大的開發者群體，而且採用了稱為“可執行的虛擬碼”的Python語言，成為最受歡迎的主流框架之一。一些外圍的第三方庫（如Keras、TFLearn）也基於它實現了很多成果，Keras還得到TensorFlow官方的支援。TensorFlow支援的上層語言也在逐漸擴大，對於不同工程背景的人轉入的門檻正在降低。

因此，對於剛入行深度學習的小白，TensorFlow是一個非常好的選擇，掌握TensorFlow對以後的求職發展很有幫助。

想要入門深度學習，因為它實在涉及了太多方面，所以其中所需要學習的東西也不少，雖然我學習深度學習的時間不算久，但是在學習中還是有自己的一些方法和歷程，主要有三個：

看影片

影片教學現在變成大多數人會想到的首要自學方式了，在網易雲課堂等平臺上你會發現有很多的影片都是在講深度學習或者機器學習知識的。但是有一些影片都是要付費的，而且會順便教你 Python，但是我個人是沒有去看這些課程，我推薦可以去看 Andrew Ng 的 DeepLearning.ai 的影片，在網易雲課堂上也能搜到免費的課程，課後的程式設計作業可以上網搜尋。這個課程好在每個影片都很淺顯直觀地說明一個知識點，平均每個影片有 7 分鐘，很短。全部看完結合作業的理解，也算是對深度學習有了個基本的認識。如果想要看原版的影片及作業，可以去 Coursera 上付費觀看，會提供課後作業並且幫你批改，還有社群交流，當你全部學完後還會給你頒發畢業證。

會實現

學習深度學習一定要會的一個語言就是 Python 了，你會發現基本上所有教深度學習的公開課上都會或多或少講到 Python 的知識。所以如果你對於程式設計感興趣，那麼一個很好的方法就是試著使用程式碼去實現。我試過完全自己用 Python 寫一個簡單神經網路的程式碼，寫完之後發現自己更加的知道其中的原理了。還有一個比較有趣的就是去 GitHub 上找一些專案，去跑。例如有 TensorFlow 風格轉換專案，目標跟蹤類的，沒準跑著跑著突然就有個想法，想要試著應用到某個小東西上去。

多看書

有很多的書大篇幅地在講理論，我個人覺得比較好的學習方法就是不一定要完全懂得其中的原理，先大概理解地去看，把整個知識面都過一遍，在之後實際應用或者操作時再深入的去理解，會更加印象深刻。看書學習不一定說要你硬啃理論，但是當你入門以後可以再回過頭來仔細去看。推薦兩本書：周志華的《機器學習》和 Ian GoodFellow 的《Deep Learning》，江湖分別稱「西瓜書」和「花書」。

第一、需要會使用python語言和Linux環境。因為深度學習很多框架都提供Python介面，並且資料預處理用Python處理會簡單方便快捷。在Linux環境下操作會比Windows下方便多。

第二、需要了解CNN或RNN等神經網路原理。卷積神經網路CNN適合做單張影象類的任務，包括影象分類、定位、檢測和分割等。迴圈神經網路RNN(比如LSTM、GRU等)適合處理序列任務，例如影片理解、機器翻譯、語音識別、文字摘要生成等。

第三、需要會使用一個深度學習框架。深度學習框架目前流行的有Caffe、Tensorflow、Pytorch、Mxnet、Darknet、Theano等。

第四、找一個實際的project練手。選擇一個深度學習框架後，可以找一個簡單的專案練習。就好比學習c語言的HelloWorld程式一樣。比如影象分類任務可以在官網下載手寫數字資料集mnist，用caffe訓練測試，體會一下CNN的魅力。