深度学习学习路径丨一文带你零基础入行！建议收藏

深度学习到底有多热&＃xff0c;这里我就不再强调了&＃xff0c;也因此有很多人关心这样的几个问题&＃xff0c;“适不适合转行深度学习&＃xff08;机器学习&＃xff09;”&＃xff0c;“怎么样转行深度学习&＃xff08;机器学习&＃xff09;”&＃xff0c;“转行深度学习需要哪些入门材料&＃xff1f;”等等。

而网上相应问题的回答也比较杂乱&＃xff0c;存在不走心、不够基础等等问题。

考虑到太多的人没有一定的专业基础&＃xff0c;又恰恰对转行、学习的问题比较关心&＃xff0c;因此&＃xff0c;本文希望从一个小白的角度出来&＃xff0c;真正从零基础的角度来为大家提供一些专业的建议和指导。

避免大家看很多无用的信息&＃xff0c;少走弯路。接下来&＃xff0c;本文从以下几个方向出发&＃xff0c;来展开叙述&＃xff1a;

• 什么样的人适合入行深度学习&＃xff1f;

• 怎样学习深度学习&＃xff1f;

• 有哪些入门深度学习的材料推荐&＃xff1f;

哪些人适合入行深度学习

深度学习存在一定的门槛&＃xff0c;这是必然的&＃xff0c;并不是网上说的仅仅成为一个“调包侠”。你可能是结合一些实际的业务场景&＃xff0c;需要复现一些模型&＃xff0c;甚至自己设计一些模型&＃xff0c;所以需要具备一定的数学、英语、编程等等能力。

1. 文科生是否适合学习深度学习&＃xff1f;

对于文科生的话&＃xff0c;我觉得不能一概而论。有些文科生&＃xff0c;尤其学习语言学、文学专业的&＃xff0c;他们的思维方式可能更多的偏向于发散思维&＃xff0c;对于逻辑思维能力可能会有所欠缺。

对于这样的人&＃xff0c;不是很建议入行深度学习&＃xff0c;更多的是希望把本行业的事情做好&＃xff0c;或者可以选择一些深度学习产品经理等等这样的岗位&＃xff0c;避免一些编程、模型设计训练的任务。

2. 机械、电气等理工科的专业背景的人是否适合入行深度学习&＃xff1f;

对于诸如电气、电子、机械、化工、生物等等这样的理工科专业的学生&＃xff0c;如果选择入行深度学习&＃xff0c;个人觉得还是存在可能的。

以机械为例&＃xff0c;很多机械行业的朋友&＃xff0c;也会接触到底层编程的一些任务&＃xff1b;对于一些电子和电气相关的专业的学生&＃xff0c;往往也会接触到一些编程的任务。

同样&＃xff0c;还具备一些信号处理的知识&＃xff0c;对于这些人来讲&＃xff0c;深度学习和机器学习&＃xff0c;入门相对门槛会低一些。当然&＃xff0c;实际上还要结合自身的情况来看&＃xff0c;具体是否合适&＃xff0c;可以对照我后面的几个标准。

3. 期待学习两三个月成大神&＃xff0c;年薪20万&＃43;。

任何一门技术的学习&＃xff0c;都需要一定时间的积累&＃xff0c;尤其对于深度学习、机器学习这样的工作。短期内&＃xff0c;结合专业的指导&＃xff0c;你可能会初窥门径&＃xff0c;但精通一定不行。虚心学习&＃xff0c;经过几个月的时间积累&＃xff0c;年薪20万&＃43;希望还是很大的。

总结下&＃xff0c;有哪些人适合入行深度学习&＃xff1f;

• 过去 PC、iOS、安卓开发的码农&＃xff0c;有编程基础的人&＃xff1b;

• 具备较好的逻辑思维能力的学生。

如何入行深度学习

聊完了什么人适合入行深度学习&＃xff0c;我们再来看一看如何学习深度学习&＃xff1f;

具体你需要经历以下几个步骤&＃xff1a;

• 深度学习整体概述&＃xff1a;了解深度学习的前世今生、为什么会爆发深度学习热潮&＃xff1f;代表的技术有哪些&＃xff0c;涉及到什么样的领域、产品、公司&＃xff0c;以及各行各业中的应用。尽可能的科普深度学习的相关知识&＃xff1b;

• 深度学习预备知识&＃xff1a;数学基础&＃xff08;线性代数、矩阵、概率统计、优化等等&＃xff09;、机器学习基础、编程基础&＃xff1b;

• 深度学习核心知识&＃xff1a;神经网络、深度网络结构、图像任务、语音任务、自然语言任务&＃xff1b;

• 深度学习进阶知识&＃xff1a;如何使用深度学习框架&＃xff0c;完成网络的搭建、训练。

关于深度学习的公司&＃xff0c;也就是人工智能公司&＃xff0c;这里&＃xff0c;我们重点介绍一些代表性的企业&＃xff1a;

• 语音识别技术&＃xff0c;国内公司讯飞、百度。国外公司 Google、亚马逊&＃xff0c;微软等&＃xff0c;行业应用就是智能音箱等产品&＃xff1b;

• 图像识别技术&＃xff0c;比如做安防的海康威视&＃xff0c;图森科技&＃xff0c;依图科技&＃xff0c;旷视科技&＃xff0c;代表性的就是面部识别&＃xff0c;iPhone X 的人脸识别&＃xff1b;

• 自动驾驶技术&＃xff0c;比如特斯拉&＃xff0c;Uber&＃xff0c;百度等公司开发的自动驾驶技术&＃xff1b;

• 金融领域的预测股价、医疗领域的疾病监测&＃xff0c;教育领域的技术赋能等。

接下来我们看一些关于深度学习的概论知识。

我们必须要清楚的就是深度学习属于机器学习的一种方法&＃xff0c;除了深度学习以外&＃xff0c;还包括了线性回归、逻辑回归、SVM、随机森林、图模型、贝叶斯等等很多方法。

而深度学习&＃xff0c;并不是对所有的任务都有效&＃xff0c;有些时候&＃xff0c;也需要用到一些传统的机器学习方法。而机器学习则是实现人工智能必不可少一种技术手段。

深度学习和传统机器学习有哪些区别和联系呢&＃xff1f;

请看下面这几点。

• 数据依赖性。深度学习与传统的机器学习最主要的区别在于&＃xff0c;随着数据规模的增加其性能也不断增长。当数据很少时&＃xff0c;深度学习算法很容易过拟合&＃xff08;可以简单理解成性能不好&＃xff09;。

• 硬件依赖。深度学习算法需要进行大量的矩阵运算&＃xff0c;GPU 主要用来高效优化矩阵运算&＃xff0c;所以 GPU 是深度学习正常工作的必须硬件。与传统机器学习算法相比&＃xff0c;深度学习更依赖安装 GPU 的高端机器。当然&＃xff0c;除了 GPU 以外&＃xff0c;还有一些其他的深度学习芯片发展也十分重要。通常的做法是&＃xff0c;GPU 训练&＃xff0c;而在实际的项目中则使用其他的深度学习芯片代替。

• 特征表示。传统机器学习更多的依赖手动设计特征&＃xff0c;需要引入更多的领域知识&＃xff0c;而深度学习&＃xff0c;则能够直接抽取不同粒度上的特征&＃xff0c;因此&＃xff0c;能够具有更高的表示能力。

• 端到端。对于传统的机器学习方法&＃xff0c;更加注重逻辑规则的设计&＃xff0c;在解决一个问题的时候&＃xff0c;会将其拆分成几个不同的子问题&＃xff0c;而深度学习则更加强调从数据的角度出发&＃xff0c;直接对问题进行求解&＃xff0c;也就是更加的端到端。

• 训练时间。深度学习模型的训练一般需要较长的时间&＃xff0c;不过好在测试的时候&＃xff0c;则需要较少的时间。

• 可解释性。深度学习算法的可解释性较差&＃xff0c;更像一个黑盒运算。

了解完深度学习的一个基本情况以后&＃xff0c;我们再来看一些学习深度学习&＃xff0c;你需要学习哪些预备知识&＃xff1f;

• 数学&＃xff08;高数、线性代数、概率统计、矩阵分析&＃xff0c;如果还有机会&＃xff0c;可以了解下优化的相关知识&＃xff09;&＃xff1b;

• 编程&＃xff0c;至少会 Python基础&＃xff0c;学完python后就能入门深度学习的海洋了&＃xff1b;

准备好了上述的一些基本能力以后&＃xff0c;我们再看看关于深度学习的一些核心知识&＃xff0c;你需要了解&＃xff1a;

• 神经网络&＃xff1b;

• CNN、RNN、LSTM 等不同的网络结构&＃xff1b;

• 深度学习的框架&＃xff1a;Caffe、TensorFlow&＃xff0c;以及这些框架如何使用&＃xff1b;

• 深度学习&＃43;图像处理模型&＃xff1b;

• 深度学习&＃43;语音识别模型&＃xff1b;

• 深度学习&＃43;自然语言处理模型。

注意&＃xff1a; 对于上述提到的&＃xff08;深度学习&＃43;图像处理模型、深度学习&＃43;语音识别模型、深度学习&＃43;自然语言处理模型&＃xff09;三个任务&＃xff0c;其实不需要你都精通&＃xff0c;只要专注于其中一个领域就可以&＃xff0c;这个要结合自己的兴趣来看。

看看自己更喜欢哪个行业&＃xff0c;初期就以这个行业研究为主&＃xff0c;后续如果有机会&＃xff0c;在考虑更高层面上的通用技术和框架。

最后&＃xff0c;理论部分都强调完了以后&＃xff0c;我们在重点强调一下进阶的知识&＃xff0c;也就是实战部分。大家在学习深度学习的时候&＃xff0c;一定要认识到&＃xff0c;深度学习更多的还是需要编程&＃xff01;编程&＃xff01;编程&＃xff01;也就是说&＃xff0c;不能仅仅停留在理论层面&＃xff0c;更多的还是需要动手实战的能力&＃xff0c;利用 Caffe 或者 TensorFlow 针对一些实际的分类任务进行实验。只有这样才能更快地积累经验&＃xff0c;更早的入行深度学习。

• 首先是线性代数&＃xff0c;推荐麻省理工推出的课程《麻省理工公开课&＃xff1a;线性代数》&＃xff0c;你会发现和我们本科学的线性代数好像不太一样&＃xff0c;这个讲解的更加容易理解&＃xff01;&＃xff01;不再是停留在做计算题的层次&＃xff0c;是真的有用&＃xff01;

• 还有就是偏实操的《智能问答深度学习》&＃xff0c;本书介绍了近年来自然语言处理和机器阅读的成果并带有翔实的示例&＃xff0c;对实际应用有很好的借鉴意义。

目前CSDN学院与《智能问答深度学习》的作者之一王海良老师也有着深度的合作&＃xff0c;包括王海良老师在内的5位微软、阿里、今日头条、优酷等技术专家&＃xff0c;特别针对零基础想入行深度学习的同学联合出品了《从零开始深度学习》这门课程。

王海良&＃xff1a;Chatopera联合创始人&CEO&＃xff0c;微软人工智能最有价值专家&＃xff0c;先后工作于IBM软件开发实验室和创新中心。

李卓桓&＃xff1a;PreAngel合伙人&＃xff0c;Plug and Play 投资合伙人&＃xff0c;曾任优酷网首席科学家、叽歪网创始人&＃xff0c;水木清华BBS站长&＃xff0c;紫霞BBS站长。

林旭鸣&＃xff1a;北京邮电大学模式识别实验室研究生&＃xff0c;任职阿里巴巴的阿里小蜜团队。

陈可心&＃xff1a;微软中国、今日头条研发中心&＃xff0c;联想香港人工智能中心以及联合国亚太分部。

李思珍&＃xff1a;现任职今日头条&＃xff0c;主要工作实现人机交互系统的意图识别和关键词优化。

市面上现有的深度学习课程&＃xff0c;你很难找到如此豪华的课程策划团队。