1樓：
作為乙個在數學系學統計做過機器學習，工作後搞深度學習的人，我可以很負責任的告訴你，
不需要
理論上來說，深度學習確實是機器學習的一部分。十年前，深度學習其實還叫 ANN，是存活在機器學習裡的一小部分（別噴，我知道現在主流是 CNN，跟ANN不同）。但是實際上，深度學習是乙個用計算機算力暴力求解問題的函式逼近器，跟從傳統統計學習中脫胎而出的機器學習本質有很大區別，所以就算你從機器學習開始學起，然後再使用深度學習。
很快你就會發現，兩個東西完全不一樣。
打個不恰當的比喻，前者是有嚴格數理推導的，比較nerd；後者則是暴力求解的代表，過後才試圖用統計學知識和概念去解釋，比較geek。
所以如果只是使用深度學習完成一項工作的話，不要說掌握機器學習了，其實你只需要稍微了解一下深度學習就可以了，現在API呼叫十分無腦，配合pytorch這種pythonic的工具，可以說你只需要會點python，資料準備好，github找個專案拉下來一跑，齊活。
2樓：薄荷糖已存在
就題主的問題而言，只是單純為了做本科畢設的話，確實沒有必要先學機器學習。
一是戰線拉的太長了，要系統學習機器學習很花時間。
二是本科畢設確實，一般都很水。如果題主對自己的畢設沒有太高要求，確實噹噹調包俠就可以了。主要還是把要研究的問題設計好，實驗跑跑好就足夠了。
但是如果題主以後希望在深度學習這一塊兒發展，比如讀相關的研究生，或者去企業做演算法工程師，強烈建議學。
主要有三個方面吧。
第一，很多人覺得深度學習就是調調參改改框架，但碰到結果不好也不是閉著眼睛瞎調，還是要知道一些理論基礎才行。
第二，在投入時間做乙個專案之前，還是得先用簡單的模型做做研究，之後再看具體怎麼做。不然一兩個月做出來結果不好自己都不知道為啥。
第三，要是真一點都不懂機器學習，以後在實驗室都沒法混手動狗頭
3樓：batman
過去是春秋戰國時代，百家爭鳴，你會經常看到各種有趣又有效的演算法或者技巧；現在已經是統一六國，基本上已經是如何統一貨幣，統一度量衡的階段，幾乎是大佬挖坑（三巨頭），小佬填坑（ng，飛飛，goodfellow，凱叔等），一眾民工修修補補。所以春秋戰國時代留下的遺產，除非是少數經過歷史洗禮能存留下來，否則都被「焚書坑儒」。當然能夠看到春秋戰國的輝煌的少數人，也能激發未來的靈感。
4樓：樊欣徳
比較基礎的概念還是學一下的，但是可以用到什麼不懂再一一對應，比如損失函式、過擬合這種一定會遇到或者要去避免的問題。
我忘了是哪個大神講的了，就說他當時規規矩矩從頭開始學機器學習再學深度學習，結果自己就業實戰發現好多知識根本就沒有用。
看題主的描述，個人感覺完全可以跳過機器學習的部分，只是做乙個神經網路的課題，去鑽研決策樹肯定就是在浪費精力和時間…
但是深度學習畢竟算是機器學習的乙個分支領域，把課題做完不等於掌握了深度學習，系統學一遍有助於更好地掌握知識
5樓：
這玩意看你具體幹嘛吧
像現在很多任務已經比較成熟了，你做那個學機器學習毫無意義
但是一些涉及到推斷的比較新的任務現在還在和深度學習結合中，其實就我個人認為凸優化比機器學習要重要一些。機器學習一些思想值得借鑑，但是終歸和深度學習不能完全契合。
6樓：Lanking
如果要概括這兩者的關係的話，深度學習其實是機器學習的乙個子集。機器學習相對於深度學習來說應用範圍更廣，理論覆蓋更全面。所以毋庸置疑，應該先學習機器學習。
講講業內的幾個例子，很多時候我們嘗試使用深度學習解決使用者問題，但是使用者其實用的就是乙個傳統的機器學習模型，簡單而且高效。使用乙個機器學習框架反倒會把速度變慢。後來逐漸認識到，深度學習這個圈子相比於機器學習真的很小很小。
7樓：
最基礎的東西還是要了解，機器學習本身就涉及到統計和優化的知識，是一門交叉學科。
不了解這些你不會明白那些模型是做什麼的，也無法理解資料是如何用的。
最起碼要了解最基礎的最小二乘，邏輯回歸，貝葉斯，PCA這些。
深度學習在機器學習的基礎模型上又有了很多擴充套件，需要更強的程式設計知識。
8樓：努力上進的碼農
首先假定題目的深度學習是狹義的深度學習，指基於頻率派的層次化的神經網路CNN/RNN。
機器學習是乙個很大的範疇，深度學習只是其中一部分。
如果把概率圖模型套用進來的話，你所指的神經網路就是就是有向圖。但是基於貝葉斯生成模型衍生出來的深度學習模型還有VAE，GAN，或者無向圖DeepBoltzmannNetwork
那麼題目想問的是哪個神經網路呢？
如果是貝葉斯生成模型的概率圖的話，感覺還是挺困難的，要把基礎打紮實。
但是如果想當調包俠的話，上述的話就當我沒說吧，愛用哪個直接調就行了。
9樓：時間旅客
不用都學習一遍，但基礎的原理需要懂。
使用深度學習或機器學習解決具體任務需要三個步驟：資料處理 -> 設計模型 -> 優化
資料處理即將資料處理成模型需要的格式，這個具體的處理方法是和具體使用的模型相關的。例如文字分類，如果用機器學習中的LR、SVM模型，通常需要先使用tfidf、onehot等特徵提取器把文字轉化成特徵，再使用具體的機器學習模型進行分類。如果用深度學習，則需要將文字轉化成一串數字序列，無需提取特徵。
設計模型即設計解決任務的模型，機器學習/深度學習的區別通常在這裡。
優化即梯度下降法，具體優化器可以用sgd，adam等。這一部分知識是深度學習模型和大部分機器學習模型都要用到的，需要學習。
因此我建議你不用把機器學習「都」學習一遍，但需要簡單學習一下和你想做的任務相關的幾個機器學習模型，並且找乙個專案弄明白流程，這對熟悉任務也有很大幫助。例如想要做文字分類任務，就學習一下LR和SVM，找個專案跑一下，貝葉斯、CRF等用不到的機器學習模型就可以先不學了。
如果是用seq2seq/transformer做機器翻譯、文字摘要等更高階的任務，就更需要先明白乙個分類任務的具體流程了。我大四的畢設就是對機器學習/深度學習都毫無了解，直接去網上扒了乙個seq2seq做文字摘要的專案胡亂改一改，最終做是做出來了，但具體怎麼做的一竅不通。這樣的方法毫無意義，形成不了任何有效的成果，對自身成長也幫助甚少。
10樓：jie luo
最近在看機器學習，發現resnet跟前向分步演算法有點像，focal loss 跟adaboost有點像，inception好像也可以看成是加性模型。
11樓：辛俊波
近幾年面試了不少校招和實習生，深感深度學習之火，以至於很多學生只會各種nn網路，對基礎的機器學習演算法不屑於了解。在我看來，如果你真的想深入了解深度學習，就不可能不了解機器學習的很多演算法基礎，就說說過擬合
深度學習網路規模做大，免不了會遇到過擬合。說到過擬合欠擬合，都有什麼手段解決？對於模型的方差和偏差分別怎麼影響的？
正則化可以緩解過擬合，那我們來說說， l1正則和l2正則有什麼區別？哦？除了了解網上經典的那張座標解釋，是否了解它們在貝葉斯先驗上屬於不同的分布？
說到貝葉斯分布免不了要了解共軛先驗，為什麼要服從這種分布？還有哪些經典的共軛分布？
dropout也能解決過擬合，請問為什麼能work？本質上就是一種bagging的思想。說到bagging，免不了就要知道boosting，這兩者在降低模型方差偏差影響怎樣？
說到dropout，免不了和batch normalization對比，後者是為了解決什麼問題提出來的？對比資料白化，pca等其他方法有什麼區別？還有哪些資料的normalization手段？
你看，乙個過擬合的問題在深度學習的表現，看似都是深度的方法，背後涉及的原理全都是更加底層的機器學習基礎。
12樓：追夢人
需要核心子集就行。具體如下：
1.必備的是：模型擬合程度與正則，模型評估，引數調優，凸優化，一些特徵工程的知識。
2.了解下機器學習圖譜，每一類掌握下掌握具體一種演算法即可。這或多或少對你了解深度學習有幫助。
3.不管學啥，多實踐，建議新手用pytorch。
13樓：阿木實驗室
不扯那麼多，直接簡明概要解決題主困惑。
以完成畢業設計為目的，沒有必要將機器學習從頭學一遍。不過建議需要做以下幾件事情：
大致了解以下機器學習基礎內容，不用深究，大概知道就行了。
了解深度神經網路的原理、機制和用法，明確畢業設計主要需要解決的問題，可能涉及到的具體技術內容。
然後根據畢業設計具體操作進度，針對性的進行知識補充。
解決畢業設計來說，問題應該不大。不過這個學習過程會導致學的內容比較散亂，不夠體系化。如果後續題主需要在深度學習領域繼續深入，那麼還是建議從零開始重新學習下機器學習。
機器學習該怎麼入門？
14樓：數學的花火
看你的追求了。
你要是想隨便玩玩，雖然迷迷糊糊的也無所謂，那就不用，看個吳恩達的掃盲課就足矣。
要是想明白其中機理，就務必需要機器學習的知識。就那花書來說，如果一點機器學習的知識沒有的話，是看不下去的。
而且機器學習的很多方法，比神經網路有趣的多！學了機器學習，就是開啟了一扇新的大門。
15樓：圖靈的貓
看描述，題主是為了做畢設，所以可以簡單分為兩種情況：
如果你做完畢設不從事相關工作，那麼你甚至不需要深入深度學習領域，只需要簡單了解深度神經網路的原理、機制和用法即可，最主要的是解決畢設裡的問題
如果你做完畢設還要繼續深造或者找相關工作，那麼需要學的東西會非常非常多了，不是調包調參就完事的。如果是這種情況，你可以看看我之前的乙個回答
機器學習該怎麼入門？
16樓：精神抖擻王大鵬
不需要，既然目的是畢設要用到，就直接開始吧，然後把相關的機器學習用到的補充下。
建議可以按照深度學習的順序開始：線性回歸神經網路->softmax回歸神經網路->多層感知器->卷積->迴圈神經網路....
否則很容易陷入知識的迴圈：學深度學習需要提前把機器學習先學完，那麼機器學習其中涉及到很多數學知識點，還需要把數學知識學一遍，而且機器學習中的svm中涉及到凸優化的內容，又去把凸優化再學一遍...等到這些都學完，你會發現畢設還沒起手做。
建議直接上手《動手學深度》
原書鏈結
筆記參考
想學量化交易，是先學機器學習還是深度學習？
南遙 先學統計及量化基本知識，這些是基礎。AI 是乙個可選工具，不是必須。如果一定要學，先了解 ML 基本演算法，SVM,LR,決策樹這些概念你也知道，不用特別深，之後根據需要再學習 DL 框架及方法。 The Fool 深度學習是機器學習的一種。機器學習有分聯結主義跟符號主義，深度學習屬於聯結主義...
除了深度學習，機器學習領域近年來還有什麼熱點嗎？
BugCreater 機器學習在NLP中的每個應用都會很火，包括但不限於句法依存，指代消解，關鍵字，摘要提取，篇章關係，資訊抽取以及智慧型推理等 謝澎濤 Bayesian methods,諸如probabilistic graphical models，Bayesian nonparametrics...
學習大資料需要學習機器學習嗎
Hong 個人經驗 如果你的職業規劃明確 想做big data engineer,那大概率你用不上機器學習的知識，就是遇上了扔給Data Scientist就好 而相反的如果你想做大資料分析 Data Scientist big data analysts 機器學習就是必須的了 而且你首先應該是個及...