1樓：陳麒宇
個人以為，Andrew的DL課前置要求不高，機器學習幾個名詞知道意思就行了，沒必要特地回去看老版的機器學習課，線性代數和微積分的要求也就和高數水平差不多，甚至低乙個級別，中國的高中生都能上手，程式設計大概要懂一些，至少用過NumPy，不然作業比較累
2樓：嗷嗚來了
首先需要了解線性代數，神經網路操作大多數是在多維矩陣上的，線性代數一定要了解一些，推薦MIT 的線代公開課。
之後是python的基本知識，語法句法需要了解。在課上會講如何使用framework，不過自己還是需要補一些相關知識的，不推薦上手就學tensorflow，建議keras起步，比較好入門。
最後是一些非常基礎的機器學習類背景知識，比如特徵提取，分類回歸問題解決思路等等。
3樓：
深度學習是機器學習的分支，而機器學習是一門交叉學科，包含了很多門數學學科，下面簡單列舉下所需的基礎知識
數學基礎：矩陣理論，概率論，最優化方法（包括線性規劃和凸優化），離散數學，微積分等
機器學習基礎：可以看吳恩達的機器學習課程，包括怎麼建模，模型怎麼優化，怎麼防止模型過擬合，資料怎麼歸一化等等。
吳恩達的機器學習課程中，用矩陣實現的梯度下降是批梯度下降演算法還是隨機梯度下降演算法還是與這兩個都不同？
已登出 剛好前幾天我研究了批量梯度下降 隨機梯度下降和小批量梯度下降的不同，關鍵是要看你用什麼值來更新你的引數。就隨機梯度下降而言，你用矩陣求出每乙個樣本所對應的各個偏導值之後，用每個樣本對應的偏導值依次對引數進行更新，就是說每次更新引數都只用到乙個樣本所對應的全部偏導值，這就是隨機梯度下降。他的優...
為什麼要學習吳恩達的機器學習？
入門的時候也看過Ng大神的課，感覺講課風格不是很討喜，總覺得很木訥，就是讀講義抄講義。後來下了講義來一看，我擦，講義寫得這麼美哪用人講啊 其實沒必要看他的課，學過點兒微積分和線性代數的話看李航博士的小藍書是最好最快的入門方式。個人覺得，沒有之一！另外，並不推薦從深度學習入門，因為，見慣了深度學習的簡...
如何評價吳恩達開設的 Deep Learning Specialization 課程？
CKLSniper 1.繼承了ML課程的風格，對新手非常的友好，即使不是科班出身學習也不會有大問題。2.講了很多任務程上面的細節，比如第三門課的東西在教科書裡面似乎不會怎麼提到，但對自己訓練大型神經網路會很有幫助。3.基本沒有很數學的東西，想繼續提高的話可以自學Goodfellow那本書。 Andr...