沒有必要，但是深度學習確實會用到一些傳統機器學習的一些知識，比如機率論、導數、微積分等，確切的說兩者都需要一定的數學知識。本人研究過一段時間的NLP（自然語言處理），發現目前生產領域應用最多的可能還是機器學習演算法，深度學習在nlp上的應用效果包括精準度等不如影象和影片，但是也不可否認NLP這幾年的發展也很迅猛，比如Google的Transformer模型以及基於它上面的BERT、GPT2模型都展現出了驚人的效果。想學習就從現在開始，可以先從深度學習入手，以後會碰到機器學習演算法，再觸類旁通也是可以的。

我們先來搞清楚機器學習和深度學習的概念。

機器學習是AI的一個子領域，它透過演算法將AI概念應用於計算系統。計算機識別資料模式並根據資料模式採取行動，隨著時間的推移學習提高其準確性而無需明確的程式設計。機器學習的背後是預測編碼，聚類和視覺熱圖等分析方法。我們開啟某寶、某東時的購物推薦就是機器學習的一個應用。

深度學習是機器學習的子領域，是人工神經網路的另一個名字。深度學習網路模仿人類大腦感知與組織的方式，根據資料輸入做出決策。AlphaGo就是我們最耳熟能詳的深度學習的應用。

簡而言之，機器學習是人工智慧的一部分，深度學習是機器學習的一部分，這就是三者的關係。

那麼學習深度學習前是否先要學習機器學習呢？

剛才說了，深度學習是機器學習的一部分，它們的關係就像「扳手」和「整套工具」 的關係。因此，如果你想搞個應用，你更應該先學機器學習，瞭解一下整套工具。而是否要學習深度學習（扳手）要仔細考慮考慮——畢竟，深度學習是一個在發展中的技術，並且用花掉你大把的錢！（買顯示卡、加速棒之類的東東……）

針對這個問題，我的總體建議就是：

不老在門口徘徊，一腳先進去，然後定位自己需要的知識點，進行聚焦學習。

機器學習與深度學習有什麼區別？

兩者的關係是：人工智慧AI包括機器學習，機器學習包括深度學習。

額外也提一下資料探勘，大資料的挖掘常用的方法有分類、迴歸分析、聚類、關聯規則、神經網路方法、Web 資料探勘等。所以我們看到機器學習跟深度學習都是資料探勘的方法。

什麼是機器學習？

機器學習(Machine Learning，ML)是人工智慧的子領域，也是人工智慧的核心。機器學習是一門交叉學科，綜合利用機率論知識，統計學知識，近似理論知識和複雜演算法知識，模擬人類的思考解決問題的方式，達到充分利用計算機超強運算能力協助人類解決問題的目的。

什麼是深度學習？

深度學習(DeepLearning，DL)屬於機器學習的子類。是利用深度神經網路來解決特徵表達的一種學習過程。深度學習(DL, Deep Learning)是機器學習一個新的研究方向，使用更加抽象的演算法來模擬人的大腦的決策學習過程。它的最終目標是讓機器能夠像人一樣具有分析學習能力。

深度學習在搜尋技術、機器翻譯、自然語言處理、多媒體學習、語音、推薦和個性化技術等待領域取得了很多成果。我們平常把深度學習跟機器學習混在一塊的，這也沒什麼不妥。

1、檢驗演算法的成熟度

機器學習，透過調整得到的演算法一般是準確，並完全可控的，可以比較快得到高成熟度的演算法。

一般來說，深度學習演算法需要大量時間進行訓練。這是因為該演算法包含有很多引數，因此訓練它們需要比平時更長的時間。所以深度學習的演算法成熟度，跟不確定性，需要更長時間。

2、解決問題的過程

機器學習演算法遵循標準程式以解決問題。計算過程是可以解釋的、按流程進行的。

深度學習的資料處理過程則是黑盒子方式，需要透過不停的調整訓練。

最終如果掌握了深度學習，肯定也掌握了機器學習。學習的過程不一定是要求把所有機器學習模型通通掌握，而是理解一些基本概念，比如監督學習(supervised learning)，無監督學習(unsupervised leaning)，訓練(training)，測試(testing)，泛化(generalization)等。這些概念都是通用的。

如果要學習深度學習，網上有很多深入淺出的文章跟公開課可以學習快速有個總體概念。

瞭解需要的預備知識。不能始終在門口徘徊。可以先一腳進去看看，裡面有什麼。

如果入門了，就要開始聚焦一個專業細分領域了。

因為涉及的概念太多，要迅速蒐集資訊，讓自己儘快定位到需要專注學習的細分方向上。

把不太懂的地方都展開學習，就可以順藤摸瓜。

概念上有些誤解，深度學習屬於機器學習的子類。它的靈感來源於人類大腦的工作方式，是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並非是一個全新的概念，可理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果，人們對神經元的連線方法以及啟用函式等方面做出了調整。其目的在於建立、模擬人腦進行分析學習的神經網路，模仿人腦的機制來解釋資料，如文字、影象、聲音。

如果要學習深度學習，推薦一本書《DEEP LEARNING》。這本書介紹很全面，由深度學習領域的專家撰寫。被稱為 AI 聖經，因為它將這個領域多年的研究彙集到一本書中。

如果你是一個有抱負的學生想要掌握深度學習並深入研究，或者你想教授深度學習課程，那麼這本書肯定會對你有幫助。這本書可能是目前關於深度學習最全面的圖書。

目前主流的深度學習主要涉及的的神經網路相關的模型和演算法，涉及的基礎知識主要是(簡單的)微分、線性代數和統計學。因此，如果目標是學會原理並應用深度學習模型的話，直接以神經網路為主線進行學習是可行的。

這種學習策略的主要問題是，深度學習涉及的模型和演算法太龐雜，大部分人無法消化吸收——學習曲線太過陡峭。一個更平和的策略是，首先從機器學習的思想、結構、方法學起，然後在這個基礎上進行深度學習部分的學習。

傳統機器學演算法，比如多元線性迴歸、決策樹、邏輯迴歸、softmax等，一般比較簡單，可以很快理解——這樣，我們就可以用較多的精力體會“損失函式”、“權重”、“梯度下降”、“查全率”等等概念背後的思想、實現細節。有了這些基礎，就可以順暢地理解人工神經網路，進而理解人工神經元、啟用函式、反向傳播等等概念。接下來，在學習卷積神經網路(CNN)、迴圈神經網路(RNN)、Transformer乃至BERT等模型的時候，就可以忽略很多細節，在一定的抽象程度上進行思考、節省很多精力。

總之，我建議先學習一點(不要求完整或系統)機器學習，然後學習深度學習。