本文希望从新手的角度出发，真正从零基础的角度为你提供一些专业的建议和指导。深度学习有多火，这里就不强调了，所以很多人关心这样的问题，“转深度学习（机器学习）合适吗”，“如何转深度学习（机器学习）”,"转深度学习需要哪些入门资料？"等等。网上相应问题的答案也比较乱，存在粗心、不够基础等问题。考虑到太多人没有一定的专业基础，更关心转行和学习的问题。因此，本文希望能从一个新手的角度走出来，真正从零基础的角度为大家提供一些专业的意见和建议。指导。避免阅读大量无用信息，少走弯路。接下来，本文从以下几个方向展开叙述：什么样的人适合做深度学习？如何学习深度学习？推荐的深度学习入门资料有哪些？谁适合深度学习？深度学习有一定的门槛。这是不可避免的。你可能会结合一些实际的业务场景，需要复现一些模型，甚至自己设计一些模型，所以需要具备一定的数学、英语、编程等能力。1.初中或高中毕业适合学深度学习吗？在这里，我不建议这样的人转向深度学习，因为你现在需要的不是深度学习，而是高中知识、大学知识的积累，思维模式的培养。如果你还年轻，那我建议你把这些路走完之后，再考虑进入深度学习。人生还有很多可能，没必要早早做出选择。当然，如果你到了一定的年龄，那我觉得真的没必要折腾这个，赚钱的机会还是很多的。2、文科生适合做深度学习吗？对于文科生，我觉得不能一概而论。一些文科生，尤其是语言学、文学专业的学生，??思维方式可能比较发散，缺乏逻辑思维能力。对于这样的人，不太建议进入深度学习。他们希望把行业做好，也可以选择一些深度学习产品经理等岗位，避开一些编程和模型设计的训练任务。3、机械、电气等理工科专业背景是否适合深度学习？对于电气、电子、机械、化学、生物等理工科专业的学生来说，如果选择进入深度学习，我个人认为还是可以的。以机械为例，很多从事机械行业的朋友也会接触到一些底层的编程任务；对于一些电子电气类专业的同学来说，经常会接触到一些编程任务。同样，他们也有一些信号处理方面的知识。对于这些人来说，深度学习和机器学习的入门门槛相对较低。当然，其实你要看你自己的情况，看看合适不合适。你可以和我比较以下标准。4、年纪大了适合转深度学习吗？个人不推荐，因为核心竞争力确实和一些年轻人有些差距。如果可以的话，我希望能够在这方面进一步深耕。5、期望学习两三个月成为master，年薪20万+。任何技术的学习都需要一定的时间积累，尤其是像深度学习、机器学习这样的工作。短期内，结合专业指导，可能会略知一二，但一定不能精通。虚心学习，再过一定时间，年薪20万+还是很有希望的。总结一下，哪些人适合做深度学习？在大学攻读高等数学专业的本科生、硕士、博士生；具有高等数学基础的企业技术岗位在职人员，需要AI赋能；曾经开发过PC、iOS、Android的码农，有编程基础的人；具有逻辑思维能力的本科生。如何进入深度学习说完了谁适合深度学习，我们来看看如何学习深度学习？具体需要经历以下几个步骤：深度学习总体概览：了解深度学习的前世今生，为什么会出现深度学习大爆发？代表什么技术，涉及到什么领域、产品、公司、各行??业的应用。尽可能普及深度学习的相关知识；深度学习常识：深度学习、机器学习、人工智能等的区别与联系；深度学习入门知识：数学基础（线性代数、矩阵、概率统计、优化等）、机器学习基础学习和编程；深度学习核心知识：神经网络、深度网络结构、图像任务、语音任务、自然语言任务；深度学习进阶知识：如何使用深度学习框架完成网络的构建和训练。关于深度学习公司，也就是人工智能公司，我们之前也提到过。在这里，我们将重点介绍一些具有代表性的公司：语音识别技术、国内公司讯飞、百度。国外公司如谷歌、亚马逊、微软等，行业应用为智能音箱等产品；图像识别技术，如安防海康威视、途胜科技、依图科技、旷视科技、人脸识别、iPhoneX的人脸识别；自动驾驶技术，例如特斯拉、优步和百度等公司开发的技术；金融领域的股价预测、医疗领域的疾病监测、教育领域的科技赋能等；阿里巴巴淘宝千人千面等。接下来，我们来看一些关于深度学习的常识。我们必须清楚，深度学习是机器学习的一种方法。除了深度学习，它还包括线性回归、逻辑回归、SVM、随机森林、图模型、贝叶斯等多种方法。然而，深度学习并不是对所有任务都有效。有时，还需要一些传统的机器学习方法。机器学习是实现人工智能必不可少的技术手段。深度学习和传统机器学习有什么区别和联系？请看以下几点。数据依赖。深度学习与传统机器学习的主要区别在于，它的性能会随着数据量的增加而持续增长。当数据很少时，深度学习算法容易出现过拟合（可以简单理解为性能不佳）。硬件相关。深度学习算法需要大量的矩阵运算，而GPU主要用于高效优化矩阵运算，因此GPU是深度学习正常工作的必备硬件。与传统的机器学习算法相比，深度学习更多地依赖于配备GPU的高端机器。当然，除了GPU，其他深度学习芯片的发展也很重要。通常的做法是在GPU上训练，实际项目中使用其他深度学习芯片代替。特征表示。传统机器学习更多依赖人工设计特征，需要引入更多领域知识，而深度学习可以直接提取不同粒度的特征，因此可以有更高的表示能力。端到端。对于传统的机器学习方法，更注重逻辑规则的设计。在解决一个问题的时候，会拆分成几个不同的子问题，而深度学习更强调从数据的角度直接分析问题。解决，也就是更端到端。训练时间。深度学习模型的训练一般都需要很长时间，好在测试的时候用的时间比较少。可解释性。深度学习算法的可解释性较差，更像是黑盒操作。了解了深度学习的一个基本情况之后，我们再来看看深度学习的一些学习。需要学习哪些预备知识？数学（高等数学、线性代数、概率统计、矩阵分析，如果还有机会可以学习优化）；英语，需要阅读大量的英语文献，要有阅读和理解英语的能力；编程，至少会Python，如果有精力学C/C++；machinelearning，一些传统的机器学习算法推荐理解。准备好上面的一些基础能力之后，我们再来看看深度学习的一些核心知识。你需要知道：神经网络；CNN、RNN、LSTM等不同的网络结构；深度学习框架：Caffe、TensorFlow，以及如何使用这些框架；深度学习+图像处理模型；深度学习+语音识别模型；深度学习+自然语言处理模型。注：上面提到的三个任务（深度学习+图像处理模型、深度学习+语音识别模型、深度学习+自然语言处理模型），不需要全部精通，只需要专注其中一项即可他们。这取决于你的兴趣。详细可以看之前的文章《深度学习在计算机视觉行业的应用》、《深度学习在语音技术领域的应用》、《深度学习在自然语言处理行业的应用》，看看您更喜欢哪个行业。专注于这个行业研究，如果以后有机会，我们会在更高层次上考虑通用技术和框架。***，强调了理论部分之后，我们将重点介绍高级知识，即实战部分。大家在学习深度学习的时候，一定要意识到，更多的深度学习还是需要编程的！编程！编程！也就是说，我们不能仅仅停留在理论层面，更需要动手实战的能力，利用Caffe或者TensorFlow对一些实际的分类任务进行实验。只有这样才能更快的积累经验，更早的进入深度学习。***，给大家推荐一些课程和教材：首先是线性代数，推荐麻省理工开办的课程《麻省理工公开课：线性代数》，你会发现和我们本科线性代数好像不太一样，这样解释比较容易理解！！不再停留在做计算题层面，真的好用！StanfordMachineLearning：斯坦福大学公开课：机器学习课程，这个不强调，NG课程，一般这个行业的人都会学！张志华老师的《统计机器学习》、《机器学习导论》，本课程涉及到更深入的统计机器学习理论，看完之后，你会对概率论有更深的理解！周志华老师的西瓜书，它对机器学习的整体介绍还是比较基础的！找工作时记得在每次面试前阅读本书！Caffe和TensorFlow的学习更多的是实现一些demo和阅读文章。以后我也会推出一些入门课程。我希望你能继续学习。
