1樓：星辰大海
再補充乙個例子，殘差收縮網路。
殘差收縮網路把訊號降噪中常見的軟閾值函式，和Squeeze-and-excitation network結合起來，以處理雜訊較多的訊號。
2樓：周亦博
傳統機器學習是肯定需要的。
因為首先要明白的就是深度學習不是萬能的，所有機器學習模型的準則就是模型的複雜度必須要和資料的複雜度相匹配，你不能用線性回歸模型去期待處理複雜的影象分類問題，也不能嘗試用深度學習去解決畫素根據RGB的值來進行顏色的分類（segmentation），只要在這行，遲早會碰到深度學習不適用的情況。
再而，深度學習就本質只是機器學習的一種，機器學習模型的本質是一樣的，所有機器學習模型無外乎generative model或者discriminative model(深度學習)，不外乎都是在模擬一種概率分布函式，他們的共性在很多時候是一樣的，不外乎能力和解決問題的方式不太一樣而已。只有了解其他機器學習模型才能更好的理解深度學習的優勢和劣勢，特長與不足。
而且如其他答案中說的那樣，要是做研究的話，利用很多機器學習模型中的結構可以幫助你獲得靈感從而設計出能力更強的深度學習模型。
至於CV，這是深度學習應用最成功的乙個領域或許沒有之一吧，如果想要做深度學習的研究和應用或許很難避開，是很有必要了解的。
程度的話…要是做研究只能說越多越好，其實再簡單的機器學習模型背後的原理都未必像你想的那麼簡單，比如kmeans演算法簡單吧？但是它只是背後EM演算法的簡化簡化版，為什麼kmeans能收斂，為什麼每一步都會走向更好的結果？以研究的標準來衡量，很多東西不能是會用那麼簡單，從簡單機器學習背後的統計和概率原理出發，由簡入繁或許才是深入理解深度學習從而進行相關研究的捷徑。
3樓：ChewBigApple
目前來看深度學習在計算機視覺方面的應用還是比較成功的。 既然入坑了還是有必要把機器學習的來龍去脈了解一下的。機器學習的常規方法不同演算法的主要應用場景需要了解下。
要明白的一件重要的事就是要解決的問題真的需要用機器學習嗎？有些人不管做什麼都強行往機器學習上靠攏。如：
有個人做空氣質素評估，其實已經得到了一些硬性指標直接可以規則判斷，但還是要機器學習分個類，多此一舉。 把基本的東西掌握了再去深層次的研究深度學習可能會更好一些。
4樓：Peter
要進行深度學習方面的研究，機器學習知識應該說是必須的，因為深度學習可以說是機器學習的一部分，把機器學習的基礎理論先掌握一遍，對於深度學習的研究很有幫助。
對於計算機視覺的基礎，要看你進行的深度學習研究方向是不是研究CV，如果是的話，我建議還是要把數字影象處理，計算機視覺這些基礎的知識掌握，至於掌握到什麼程度，我們老師跟我說的是，至少要弄懂裡面的公式怎麼推導出來的。
5樓：火燒捲餅
我個人是先接觸的深度學習，對這方面有了點興趣然後再去接觸更多的機器學習的知識。我覺得要明白的是深度學習只是機器學習的乙個子集。深度學習現在基本就是圍繞神經網路為模型基礎的一系列理論，所以就這個模型本身而言，是可以單獨學習的。
但是機器學習是乙個更廣義通用的概念，很多概念都是可以同時用在深度學習和其他機器學習中的，像正則化就是乙個概念，在不同的模型中有不同具體的方法。所以個人覺得的學習機器學習這些廣義的通用的感念對學習任何種類的機器學習方法都是有啟發的。至於計算機視覺，是深度學習或者說機器學習相對具體的乙個應用，如果是打算做視覺影象方面的機器學習課題，是要了解的。
6樓：別拽我的紅領巾
肯定是需要的。第一，機器學習和深度學習之間本身就有太多思想是一樣的，就比如dropout 層，就可以理解成機器學習裡面的bagging 思想。第二，並不是所有場景都可以用深度學習解決的啊，就比如在實際中只有1000 張mnist 資料，那就有可能傳統方法更有用。
第三，機器學習入門難，但實際應用更簡單，深度學習入門簡單但實際運用門檻更高，從找工作的角度講這叫留一手唄，並且通常兩者都是需要會的！
想學習codesys方面的知識，入門需要怎樣乙個過程，需要從哪些地方入手，可否推薦一些實用的資料？
twincat 有錢就去買培訓沒錢就自學。最能依靠的就是軟體裡自帶的幫助了，最新的中文版翻譯去年10月份提交給德國了，不是我翻的。最後給我1天時間審校，根本不能力挽狂瀾，只能說這次依然不太好，不知道會在哪一版本的軟體發布，忍忍將就看吧，實在看不下去看英文版的。話說回來，倍福根本沒中文版，還不是照樣用...
深度學習在語音增強方面的最新進展是什麼？
智障 本來是想看看各位大佬對於語音增強這一塊的交談，然後就搜到這裡了，說實在的，感覺語音增強這一塊效果都不咋樣 牽涉到語音檢測 像維納濾波，卡爾曼濾波，還有傳說中很不錯的WEBRTC，結果我拿來試了下我的資料 進行語音檢測 效果極差，比我自己基於譜圖算基音頻率，諧波來判斷 當然也是綜合了耳蝸圖，貝葉...
怎麼學習電腦方面的硬體知識
Candidate 高數線代。隨機。c語言模電數電電磁場與電磁波。51微控制器計算機體系架構訊號系統數字訊號處理通訊原理 dsp應用 arm fpga應用 EDA 高頻。訊號完整性分析可選 大致我說的順序，某些可並行 可以看看這個問題 混跡論壇 DIY 是了解學習硬體的好方法 李遙 可惜DIY的大時...