機器學習和深度學習的領域實在太大太廣，需要找準一個自己感興趣的領域，比如影象、NLP（自然語言處理），然後做幾個課題，這樣興趣和成就感就來了。再者傳統的機器學習和深度學習雖說有相交叉地方，但是國外有大神早就說過，一點不會機器學習的人也可以涉足深度學習領域，沒有問題，只要你有強烈的好奇心和求知慾。

本人研究NLP多年，每當實現一個小功能就會有成就感，這也是促進我在此領域不斷前進的動力。再者NLP本身的範圍也很大，你也可以先找個小目標先去坐起來，比如文字分類、情感分析，到最近比較火的GPT2模型的文字生成。給機器吃（訓練）一篇長小說，它能給你寫一點類似的文字出來，想想就很激動人心，不是嗎。國內的NLP人才還相對比較匱乏，加油哦

我也在學習機器學習及深度學習，同道中人。不過我是工作需要，也有類似的感覺。

這種越來越不會的感覺我覺得有三個層次：

底層原理：更多的是數學內容和基本的學習邏輯，這部分多看些資料基本可以從整體理解。解決具體問題的網路結構和方法：這部分就是不同方法差別也不較大，主要感覺要多看，多試驗，比較。看到的論文，也大多是想到了某種結構，試驗有效果，具體是為什麼，也不是說的非常清楚，雖不是黑盒但是也感覺是灰盒子。但是多試驗積累的經驗在實際中還是很有用的。實際應用：在實際應用中，優勢結果往往和預期差別很大。這裡很多原因是資料的問題，另外是調參的問題。個人建議：找一個基礎的網路結構或者問題，捋清楚。然後觸類旁通會要理解一些；另外就是理解要解決的問題的關鍵和資料。