深度学习如何从菜鸟入门？

想要入门深度学习，因为它实在涉及了太多方面，所以其中所需要学习的东西也不少，虽然我学习深度学习的时间不算久，但是在学习中还是有自己的一些方法和历程，主要有三个：

看视频

视频教学现在变成大多数人会想到的首要自学方式了，在网易云课堂等平台上你会发现有很多的视频都是在讲深度学习或者机器学习知识的。但是有一些视频都是要付费的，而且会顺便教你 Python，但是我个人是没有去看这些课程，我推荐可以去看 Andrew Ng 的 DeepLearning.ai 的视频，在网易云课堂上也能搜到免费的课程，课后的编程作业可以上网搜索。这个课程好在每个视频都很浅显直观地说明一个知识点，平均每个视频有 7 分钟，很短。全部看完结合作业的理解，也算是对深度学习有了个基本的认识。如果想要看原版的视频及作业，可以去 Coursera 上付费观看，会提供课后作业并且帮你批改，还有社区交流，当你全部学完后还会给你颁发毕业证。

会实现

学习深度学习一定要会的一个语言就是 Python 了，你会发现基本上所有教深度学习的公开课上都会或多或少讲到 Python 的知识。所以如果你对于编程感兴趣，那么一个很好的方法就是试着使用代码去实现。我试过完全自己用 Python 写一个简单神经网络的代码，写完之后发现自己更加的知道其中的原理了。还有一个比较有趣的就是去 GitHub 上找一些项目，去跑。例如有 TensorFlow 风格转换项目，目标跟踪类的，没准跑着跑着突然就有个想法，想要试着应用到某个小东西上去。

多看书

有很多的书大篇幅地在讲理论，我个人觉得比较好的学习方法就是不一定要完全懂得其中的原理，先大概理解地去看，把整个知识面都过一遍，在之后实际应用或者操作时再深入的去理解，会更加印象深刻。看书学习不一定说要你硬啃理论，但是当你入门以后可以再回过头来仔细去看。推荐两本书：周志华的《机器学习》和 Ian GoodFellow 的《Deep Learning》，江湖分别称「西瓜书」和「花书」。

#####

对于刚接触人工智能的小白来讲，如何学习深度学习、机器学习，才能快速入门？是不是要先学好算法才能学其他的呢？

其实对于初学者来说，不建议刚开始就学算法，因为脱离业务和数据的算法讨论是毫无意义的，刚开始应该先打好编程和数学基础。

深度学习看似难度大，按照正确的学习路径学习，可以大大降低学习门槛，同时激发学习的乐趣。

简单的说，学习路线大概如下：先学编程、数学和深度学习知识，然后动手实践撸代码，有机会的话多参加数据科学比赛，多做项目练习实操能力。

众所周知，深度学习是一个将理论算法与计算机工程技术紧密结合的领域。因此对于小白来说，往深度学习发展前，需要掌握一些数学知识。

首先是线性代数。在神经网络中大量的计算都是矩阵乘法，这就需要用到线性代数的知识了。计算向量的余弦相似度也要用到内积运算，矩阵的各种分解办法也出现在主成分分析和奇异值分解中。

其次是概率论与统计学。广义的说，机器学习的核心是统计推断，机器学习的巨头不少都是统计学大师，如迈克尔乔丹，杨乐坤，辛顿等，另外机器学习中大量用到贝叶斯公式，隐马尔科夫模型等等。

再次就是微积分。这是机器学习中的核心知识之一，无论是梯度下降法中的求梯度还是反向传播中的误差传递的推导都需要用到微积分。

编程方面，必须提到一点是Python，深度学习本质上是深层的Python人工神经网络。

除了掌握python自身语法外，还应该着重掌握下面这些库：

pandas：超级excel，表格式操作数据，数据清洗和预处理的强大工具。

numpy：数值计算库，快的不要不要的。

matplotlib：模仿MATLAB的数据可视化工具。

scikit-learn：封装超级好的机器学习库，一些简便的算法用起来不要太顺手。

ipythonnotebook：数据科学家和算法工程师的笔记本。

至于深度学习知识方面，这里推荐5本精选书籍：

1.《深度学习》（DeepLearning）

出自Goodfellow、Bengio和Courville三位大牛之手的《深度学习》（Deep Learning）不可不提。本书旨在成为一本教科书，用于在大学课堂上教授关于深度学习的基本原理和理论。Goodfellow等人的《深度学习》完全是理论性的书籍，而且没有代码，是深度学习人员必看书籍。

2.《深度学习图解》

探索深度学习教会你从头开始建立深度学习神经网络。经验丰富的深度学习专家AndrewW.Trask将向你展示了深度学习背后的科学，所以你可以自己摸索并训练神经网络的每一个细节。只使用Python及其数学支持库Numpy，就可以训练自己的神经网络，将文本翻译成不同的语言，甚至像莎士比亚一样写作。

3.《Python深度学习》

本书介绍了使用Python语言和强大的Keras库进行深入学习。这本书由Keras的创建者、谷歌人工智能研究员FrancoisChollet撰写，通过直观的解释和实际的例子来巩固你的理解。你将在计算机视觉、自然语言处理和生成模型中探索具有挑战性的概念和实践。当你完成的时候，你将拥有知识和实际操作技能来将深度学习应用到你自己的项目中。

4.《神经网络和深度学习》

这本书的目的是帮助你掌握神经网络的核心概念，包括现代技术的深入学习。在看完这本书之后，你将写下使用神经网络和深度学习来解决复杂模式识别问题的代码。你将有一个基础使用神经网络和深度学习来攻击你自己设计的问题。

5.《机器学习-原理，算法与应用》

在这本书中对有监督学习，聚类，降维，半监督学习，强化学习的主要算法进行了细致、深入浅出的推导和证明。对于所需的数学知识，单独用一章做了简洁地介绍，可以帮助小白更快入门。

#####

人工智能全面爆发

历史性机遇如何把握？

AI深度学习直播课火热来袭

计算机视觉、语音识别、NLP

热门技术尽在掌握

限时钜惠 抢先学习

了解课程详情：

http://19.offcn.com/class-143707/?scode=jZiXMZ

#####

深度学习目前的应用领域很多，主要是计算机视觉和自然语言处理，以及各种预测等。对于计算机视觉，可以做图像分类、目标检测、视频中的目标检测等，对于自然语言处理，可以做语音识别、语音合成、对话系统、机器翻译、文章摘要、情感分析等。

对于刚入行深度学习，想从事人工智能工业应用和研发的小白来说，选择一个适合自己的深度学习框架显得尤为重要。那么在选择深度学习框架的时候，要注意哪些内容呢？

通常我们在选择框架时要考虑易用性、性能、社区、平台支持等问题。初学者应该考虑容易上手的框架，偏工业应用的开发者可以考虑使用稳定性高、性能好的框架，偏研究性的开发者，一般选择易用而且有领先的模型基线的框架。

目前这个阶段，TensorFlow因为背靠谷歌公司这座靠山，再加上拥有庞大的开发者群体，而且采用了称为“可执行的伪代码”的Python语言，成为最受欢迎的主流框架之一。一些外围的第三方库（如Keras、TFLearn）也基于它实现了很多成果，Keras还得到TensorFlow官方的支持。TensorFlow支持的上层语言也在逐渐扩大，对于不同工程背景的人转入的门槛正在降低。

因此，对于刚入行深度学习的小白，TensorFlow是一个非常好的选择，掌握TensorFlow对以后的求职发展很有帮助。