1樓：Fain
推薦你看一本書，《神經網路與深度學習》，這本書有中文版本。
本書會教會你：
1. 神經絡，種美妙的受物學啟發的程式設計正規化，可以讓計算機從觀測資料中進學習 ；
2. 深度學習，個強有的於神經絡學習的眾多技術的集合。
神經絡和深度學習前給出了在影象識別、語識別和然語處理領域中很多問題的最好解決案。本書將會教你在神經絡和深度學習背後的眾多核概念。
書的目錄：感興趣的可以看看學習。
目錄1目錄2
書中部分內容
掌握一些必備知識：
人工智慧是乙個涉及多學科、多領域的的方向，數學、計算機、工程學等方面。
需要掌握微積分、線性代數、概率論與數理統計這些數學知識。
不可缺少的實戰：
通過一些國內外競賽平台kaggle/天池，在實戰中學習。比如現存很多影象分類檢測等CV競賽，也存在文字分類，情感分析等NLP競賽。
2樓：灼思
強推斯坦福針對tensorflow新開的課程，框架方面: 從安裝框架開始，講解tensorflow的各種抽象的使用，DL方面: 從邏輯回歸，mnist識別到chatbot，最後還有增強學習。
3樓：遠山
神經網路的靈感來自大腦皮層的結構。最基本的層次是感知器（perceptron），用數學表示的神經元。與大腦皮層中的結構一樣，神經網路可以有幾層相互連線的感知器。
人們認為，深層學習是通過學習神經網路，並利用多層抽象來解決模式識別問題的技術。在 20 世紀 80 年代，由於計算成本和資料量的限制，大多數神經網路只有一層。
4樓：涼涼C
要理解深度學習是什麼，我們首先需要了解深度學習與機器學習、神經網路和人工智慧之間的關係。
在最外面的環是人工智慧（使用計算機推理）。裡面的一層是機器學習。人工神經網路和深度學習在最中心。
廣義地說，深度學習是人工神經網路的乙個更平易近人的名稱。深度學習的「深」是指網路的深度。而乙個人工神經網路也可以非常淺。
5樓：情味香檸檬
當然對於初學者來說，很難找到乙個具備商業價值的業務場景，但不妨參加一些演算法類的大賽，例如阿里的天池演算法大賽，以及KDD之類的。可以充分利用大賽提供的資料以及場景，使用機器學習來實現。更重要的，通過參加大賽的機會，可以獲得更多和高手交流的機會，取長補短，豐富自己的知識。
6樓：帶走陽光
多動手程式設計，可以去網上找一些資料集，自己做訓練和識別，也可以使用別人的訓練模型實現識別、抽取特徵、比對。掌握一些加速和優化的方法。
7樓：夢在深巷
從邏輯回開始，將所有梯度求導部分都向量話，然後試著推導並向量話實現feed forward neuralnetwork，如果非常熟悉了bp演算法，可以試著完成stanford的兩門公開課的作業，將主流dl演算法，比如cnn，rnn，lstm等全部向量化實現，當你覺得你能推導並實現任何神經網路的結構時，應該就入門了，個人基本是這麼過來的。
8樓：夕子
python肯定是要有一定基礎的.
我個人覺得pytorch的拓展性強，官方文件寫得很棒，而且比較好理解，所以也比較推崇pytorch, 至於tensorflow，最好也了解一點，因為很多開源庫，特別是google發布的各大網路原始碼，都是用tensorflow實現的，所以懂一點會比較適合做遷移學習，不過tensorflow比較難懂也是
9樓：風陵渡
掌握一些機器學習的演算法，如線性回歸，邏輯回歸，softmax，SVM，整合學習，EM、決策類樹等演算法。有了理論基礎，需要學習深度學習框架，建議tensorflow和caffe，首選是tensorflow
10樓：白衣未央
要入門乙個領域，哪有什麼捷徑，什麼一天搞定深度學習，看別人的結論容易，但是要自己figure out，從最基本的東西進行推導，不參考別人的現成結論，雖然費腦，但是有意思呀。
11樓：淺淺
主動尋找專案。比如參加kaggle等資料競賽，或者解決一兩個實際問題。如果能進實驗室和導師做一些大專案，是再好不過了。
也可以看 coursera上面吳恩達的課程，掌握機器學習相關的思維和術語。
12樓：西亭
先學習語言：C++，python。建議先學python找一本薄薄的python書，大體看一遍python，理解Python物件導向程式設計思路。
在LeetCode上每天用python刷題，理解基本的資料結構，加強演算法。
面試前在網上直接刷C++面試題，然後不斷弄懂各個概念，有時間看看《劍指offer》
13樓：寂靜的夜
除了一些基礎的機器學習知識，在學習和理解Deep Learning之前，需要先對於Neural Network和AutoEncoder這兩個模型有所了解，特別是後者，AutoEncoder的隱藏層與輸入層的關係、使用AutoEncoder來pre-training乙個多層網路，以及AE的現狀：用來做pre-training的人已經少了
14樓：不懼歲月長
第一，要有大資料，樣本量小了神經網路還不如隨即森林。第二，要有大量的適合應用深度網路的資料，比如自然語言，序列或者影象。第三，要有好機器，gpu多了，調超引數才能快。
剛開始可以用公開的資料集練一練，或者kaggle上找適合的資料練一練，比如最近那個quora的insincere question，一百三十萬個自然語言，都標記好了，word embedding也做好了。作為學生，你拿過來跑跑包 keras什麼的，再看看論壇
15樓：為你奔跑
Machine Learning
Nando de Freitas /University of British Columbia
這門課重點介紹了神經網路，反向傳播，玻爾茲曼機器，自動編碼器，卷積神經網路和遞迴神經網路的基本背景。它說明了深度學習如何影響我們對智慧型的理解並有助於智慧型機器的實際設計。
16樓：彌曼男神
首推Geoffrey Hinton（不用多介紹了吧）在coursera上開的一門課，Neural Networks for Machine Learning，入門級課程，不需要太多的數學背景，但乾貨滿滿，對諸多演算法有著深刻的解讀。
課程雖然並不是那麼的激情四溢，但是同學們可以靜靜領略這位深度學習鼻祖的風采呀，處處閃耀著智慧型的光芒。整個課程聽下來，會讓你有種寶刀即出，誰與爭鋒的感覺（當然啦，路漫漫。。）。
17樓：清歌留歡
嘗試實現乙個自己的深度學些框架。目前深度學習離不開 c/c++ 和 cuda，所以你可以從頭寫乙個 c/c++ 版本的，把坑自己踩一遍，這樣工程能力肯定大為提高。
或者，你也可以利用現有框架的後端實現乙個前端，這樣你對於這些框架後端的理解也能夠大為提高。且你的所有的想法都可以寫進這個前端裡面。比如 pytorch 就是用 torch 的後端實現了乙個 python 的前端，而且相比於原版的 torch 有了很多改進。
18樓：罷春水
做一些真的專案，學到這裡你已經對深度學習有了乙個基本的概念，並且知道了一些常見的應用。你可以在不同領域中嘗試使用經典的資料集，參照一些github來執行會讓你更快地上手深度學習哦
19樓：楚鶯
找乙個專門的問題開始鑽研，不斷地試驗自己的想法，前人沒有的想法。同時閱讀這個領域最新的文章，嘗試實現。比如你可以挑物體檢測這個問題，既然你對於理論和實踐都已經比較熟練了，你完全可以開始修改別人的網路架構，改變訓練的模式，嘗試把先驗資訊加進來。
總之，有很多的玩法都可以實驗。說不定玩著玩著就能寫一篇文章出來發表。
20樓：藍色指甲油
你知道內積空間嗎？你知道希爾伯特空間嗎？你知道什麼叫tm完備空間嗎？
你知道什麼叫representation learning，什麼叫machine learning，什麼叫AI嗎？你知道什麼叫modeling嗎？你知道model只佔modeling乙個極小的部分嗎？
21樓：感激的一瞥
我覺得自學這麼多的知識，乙個人難免會很枯燥，堅持不下去。大家可以找同學一起學啊，如果在大學，志同道合的同學是最寶貴的財富，大家互相勉勵，堅持下去的概率高很多。我最開始乙個人學，斷斷續續的，現在有了一起奮鬥的同學，效率就上來了。
如果您具有數學和電腦科學方面的工程背景或相關知識的編碼經驗，只需兩個月即可熟練掌握深度學習。
22樓：李小瘋
這個時候你該做個課程專案了。在這個過程中，你將深入到深度學習庫（如tensorflow，PyTorch, MXNet）,你可以根據自己的愛好來選擇，從0開始，做個專案試試。
23樓：擱淺的溫柔
切實按照以下路線動手實踐：實現乙個感知器
實現乙個LR
實現乙個全連線神經網路
讓網路支援回歸及多分類
支援不同的非線性層
支援多種優化方法，正則化方式可配
支援梯度檢查，驗證網路正確性
支援卷積和pooling，在mnist資料集上做分類支援embedding，學習詞向量玩
實現乙個類似caffe的計算圖框架
實現bptt，支援lstm
24樓：瑜看世界
選擇乙個細分方向，成為某個領域內比較懂行的人：深度學習在NLP、影象、語音等很多方向，都有很多應用，很多模型：CNN、RNN、DRL 、GAN等，可以選擇自己感興趣的方向或模型深入，鑽研一下。
25樓：上世為你清歡
《1天搞懂深度學習》，300多頁的ppt，台灣李巨集毅教授寫的，非常棒。 不誇張地說，是我看過最系統，也最通俗易懂的，關於深度學習的文章。
其實不必有畏難的情緒，個人很推崇李書福的精神，在一次電視採訪中，李書福說：誰說中中國人不能造汽車？造汽車有啥難的，不就是四個輪子加兩排沙發嘛。
當然，他這個結論有失偏頗，不過精神可嘉。
從應用的角度上來看，數學上為什麼要研究無窮維空間？
eaudenoixdecoco 舉乙個物理上的例子。如果我沒記錯，可能這是物理學家開始關注無窮維線性空間的原因。在量子力學裡，觀測量所有可能的結果由厄公尺 復自伴 算符 運算元 矩陣 的本徵值 特徵值 描述。如果這個算符只作用在有窮維空間上，那麼這個算符最多只有有限個本徵值。這是無法描述氫原子電離態...
從現在的角度來看，頭文字d中的車速快嗎 現在的車不是可以輕鬆達到150km每小時嗎？
安巴拉胡克 關鍵是現實中，飛車族在山路飄逸過彎道其實只有50 70公里 h，然後漂移完，速度達到最慢，再踩油門上去，接下去又要過彎道。其實平均已經誇張了，髮夾彎高手開90 100撐死 阿魯巴公爵 上次我們公司去嶽西山區旅遊，領導看我的車是兩廂FOCUS就很開心的讓我給他開。然後在山路上各種80直線6...
從專業的角度來看，周深的美聲是怎樣的水平？
陳曉柏 周深的嗓音唱假聲男高好些，男高音的話，他的嗓音委實太特殊了一些，想唱出美聲的厚度，確實有點困難。所以聽上去遠沒有平時唱其他風格那麼自然。不過我覺得他完全沒必要唱美聲。美聲又不是唱歌的唯一標準，只是一種科學方法，不是結果。 芷文 以南 你這問題問的邏輯有問題啊，從專業角度看，是怎樣的水平。首先...