本文希望從一個小白的角度出發(fā)，真正從零基礎(chǔ)的角度來為大家提供一些專業(yè)的建議和指導(dǎo)。

深度學(xué)習(xí)到底有多熱，這里我就不再強調(diào)了，也因此有很多人關(guān)心這樣的幾個問題，“適不適合轉(zhuǎn)行深度學(xué)習(xí)（機器學(xué)習(xí)）”，“怎么樣轉(zhuǎn)行深度學(xué)習(xí)（機器學(xué)習(xí)）”，“轉(zhuǎn)行深度學(xué)習(xí)需要哪些入門材料？”等等。

而網(wǎng)上相應(yīng)問題的回答也比較雜亂，存在不走心、不夠基礎(chǔ)等等問題。

考慮到太多的人沒有一定的專業(yè)基礎(chǔ)，又恰恰對轉(zhuǎn)行、學(xué)習(xí)的問題比較關(guān)心，因此，本文希望從一個小白的角度出來，真正從零基礎(chǔ)的角度來為大家提供一些專業(yè)的建議和指導(dǎo)。

避免大家看很多無用的信息，少走彎路。接下來，本文從以下幾個方向出發(fā)，來展開敘述：

• 什么樣的人適合入行深度學(xué)習(xí)？
• 怎樣學(xué)習(xí)深度學(xué)習(xí)？
• 有哪些入門深度學(xué)習(xí)的材料推薦？

哪些人適合入行深度學(xué)習(xí)

深度學(xué)習(xí)存在一定的門檻，這是必然的，并不是網(wǎng)上說的僅僅成為一個“調(diào)包狹”。你可能是結(jié)合一些實際的業(yè)務(wù)場景，需要復(fù)現(xiàn)一些模型，甚至自己設(shè)計一些模型，所以需要具備一定的數(shù)學(xué)、英語、編程等等能力。

1. 初中畢業(yè)、高中畢業(yè)是否適合學(xué)習(xí)深度學(xué)習(xí)？

這里，我不建議這樣的人轉(zhuǎn)行深度學(xué)習(xí)，因為你現(xiàn)在需要的不是深度學(xué)習(xí)，而是高中知識積累、大學(xué)的知識積累，思維模式的培養(yǎng)，如果你還年輕，那我建議你先去把這些該走的路走完，再考慮入行深度學(xué)習(xí)。

你們的人生還有很多種可能，沒有必要急著早早的作出選擇。當(dāng)然，如果你已經(jīng)到了一定年紀(jì)了，那我覺得真的沒必要在這個上面折騰了，賺錢的機會還有很多。

2. 文科生是否適合學(xué)習(xí)深度學(xué)習(xí)？

對于文科生的話，我覺得不能一概而論。有些文科生，尤其學(xué)習(xí)語言學(xué)、文學(xué)專業(yè)的，他們的思維方式可能更多的偏向于發(fā)散思維，對于邏輯思維能力可能會有所欠缺。

對于這樣的人，不是很建議入行深度學(xué)習(xí)，更多的是希望把本行業(yè)的事情做好，或者可以選擇一些深度學(xué)習(xí)產(chǎn)品經(jīng)理等等這樣的崗位，避免一些編程、模型設(shè)計訓(xùn)練的任務(wù)。

3. 機械、電氣等理工科的專業(yè)背景的人是否適合入行深度學(xué)習(xí)？

對于諸如電氣、電子、機械、化工、生物等等這樣的理工科專業(yè)的學(xué)生，如果選擇入行深度學(xué)習(xí)，個人覺得還是存在可能的。

以機械為例，很多機械行業(yè)的朋友，也會接觸到底層編程的一些任務(wù)；對于一些電子和電氣相關(guān)的專業(yè)的學(xué)生，往往也會接觸到一些編程的任務(wù)。

同樣，還具備一些信號處理的知識，對于這些人來講，深度學(xué)習(xí)和機器學(xué)習(xí)，入門相對門檻會低一些。當(dāng)然，實際上還要結(jié)合自身的情況來看，具體是否合適，可以對照我后面的幾個標(biāo)準(zhǔn)。

4. 年紀(jì)太大了是否適合轉(zhuǎn)行深度學(xué)習(xí)？

個人不建議，因為核心競爭力確實會和一些年輕人存在一些差距。如果有可能，更希望能夠在本領(lǐng)域深耕下去。

5. 期待學(xué)習(xí)兩三個月成大神，年薪20萬+。

任何一門技術(shù)的學(xué)習(xí)，都需要一定時間的積累，尤其對于深度學(xué)習(xí)、機器學(xué)習(xí)這樣的工作。短期內(nèi)，結(jié)合專業(yè)的指導(dǎo)，你可能會初窺門徑，但精通一定不行。虛心學(xué)習(xí)，經(jīng)過一定時間積累，年薪20萬+希望還是很大的。

總結(jié)下，有哪些人適合入行深度學(xué)習(xí)？

• 大學(xué)里學(xué)習(xí)過高等數(shù)學(xué)的本科生，碩博士研究生；
• 有高等數(shù)學(xué)基礎(chǔ)的公司技術(shù)崗在職人員，需要 AI 賦能；
• 過去 PC、iOS、安卓開發(fā)的碼農(nóng)，有編程基礎(chǔ)的人；
• 具備較好的邏輯思維能力的本科生。

如何入行深度學(xué)習(xí)

聊完了什么人適合入行深度學(xué)習(xí)，我們再來看一看如何學(xué)習(xí)深度學(xué)習(xí)？

具體你需要經(jīng)歷以下幾個步驟：

• 深度學(xué)習(xí)整體概述：了解深度學(xué)習(xí)的前世今生、為什么會爆發(fā)深度學(xué)習(xí)熱潮？代表的技術(shù)有哪些，涉及到什么樣的領(lǐng)域、產(chǎn)品、公司，以及各行各業(yè)中的應(yīng)用。盡可能的科普深度學(xué)習(xí)的相關(guān)知識；
• 深度學(xué)習(xí)概論知識：深度學(xué)習(xí)、機器學(xué)習(xí)、人工智能等區(qū)別和聯(lián)系；
• 深度學(xué)習(xí)預(yù)備知識：數(shù)學(xué)基礎(chǔ)（線性代數(shù)、矩陣、概率統(tǒng)計、優(yōu)化等等）、機器學(xué)習(xí)基礎(chǔ)、編程基礎(chǔ)；
• 深度學(xué)習(xí)核心知識：神經(jīng)網(wǎng)絡(luò)、深度網(wǎng)絡(luò)結(jié)構(gòu)、圖像任務(wù)、語音任務(wù)、自然語言任務(wù)；
• 深度學(xué)習(xí)進(jìn)階知識：如何使用深度學(xué)習(xí)框架，完成網(wǎng)絡(luò)的搭建、訓(xùn)練。

關(guān)于深度學(xué)習(xí)的公司，也就是人工智能公司，我們在之前也提到過，這里，我們再重點介紹一些代表性的企業(yè)：

• 語音識別技術(shù)，國內(nèi)公司訊飛、百度。國外公司 Google、亞馬遜，微軟等，行業(yè)應(yīng)用就是智能音箱等產(chǎn)品；
• 圖像識別技術(shù)，比如做安防的海康威視，圖森科技，依圖科技，曠視科技，代表性的就是面部識別，iPhone X 的人臉識別；
• 自動駕駛技術(shù)，比如特斯拉，Uber，百度等公司開發(fā)的自動駕駛技術(shù)；
• 金融領(lǐng)域的預(yù)測股價、醫(yī)療領(lǐng)域的疾病監(jiān)測，教育領(lǐng)域的技術(shù)賦能等；
• 阿里巴巴淘寶網(wǎng)的千人千面等。

接下來我們看一些關(guān)于深度學(xué)習(xí)的概論知識。

我們必須要清楚的就是深度學(xué)習(xí)屬于機器學(xué)習(xí)的一種方法，除了深度學(xué)習(xí)以外，還包括了線性回歸、邏輯回歸、SVM、隨機森林、圖模型、貝葉斯等等很多方法。

而深度學(xué)習(xí)，并不是對所有的任務(wù)都有效，有些時候，也需要用到一些傳統(tǒng)的機器學(xué)習(xí)方法。而機器學(xué)習(xí)則是實現(xiàn)人工智能必不可少一種技術(shù)手段。

深度學(xué)習(xí)和傳統(tǒng)機器學(xué)習(xí)有哪些區(qū)別和聯(lián)系呢？請看下面這幾點。

• 數(shù)據(jù)依賴性。深度學(xué)習(xí)與傳統(tǒng)的機器學(xué)習(xí)最主要的區(qū)別在于，隨著數(shù)據(jù)規(guī)模的增加其性能也不斷增長。當(dāng)數(shù)據(jù)很少時，深度學(xué)習(xí)算法很容易過擬合（可以簡單理解成性能不好）。
• 硬件依賴。深度學(xué)習(xí)算法需要進(jìn)行大量的矩陣運算，GPU 主要用來高效優(yōu)化矩陣運算，所以 GPU 是深度學(xué)習(xí)正常工作的必須硬件。與傳統(tǒng)機器學(xué)習(xí)算法相比，深度學(xué)習(xí)更依賴安裝 GPU 的高端機器。當(dāng)然，除了 GPU 以外，還有一些其他的深度學(xué)習(xí)芯片發(fā)展也十分重要。通常的做法是，GPU 訓(xùn)練，而在實際的項目中則使用其他的深度學(xué)習(xí)芯片代替。
• 特征表示。傳統(tǒng)機器學(xué)習(xí)更多的依賴手動設(shè)計特征，需要引入更多的領(lǐng)域知識，而深度學(xué)習(xí)，則能夠直接抽取不同粒度上的特征，因此，能夠具有更高的表示能力。
• 端到端。對于傳統(tǒng)的機器學(xué)習(xí)方法，更加注重邏輯規(guī)則的設(shè)計，在解決一個問題的時候，會將其拆分成幾個不同的子問題，而深度學(xué)習(xí)則更加強調(diào)從數(shù)據(jù)的角度出發(fā)，直接對問題進(jìn)行求解，也就是更加的端到端。
• 訓(xùn)練時間。深度學(xué)習(xí)模型的訓(xùn)練一般需要較長的時間，不過好在測試的時候，則需要較少的時間。
• 可解釋性。深度學(xué)習(xí)算法的可解釋性較差，更像一個黑盒運算。

了解完深度學(xué)習(xí)的一個基本情況以后，我們再來看一些學(xué)習(xí)深度學(xué)習(xí)，你需要學(xué)習(xí)哪些預(yù)備知識？

• 數(shù)學(xué)（高數(shù)、線性代數(shù)、概率統(tǒng)計、矩陣分析，如果還有機會，可以了解下優(yōu)化的相關(guān)知識）；
• 英語，需要閱讀大量的英語文獻(xiàn)，英語閱讀和理解的能力還是應(yīng)該具備的；
• 編程，至少會 Python，如果有精力再學(xué)一下 C/C++；
• 機器學(xué)習(xí)，關(guān)于一些傳統(tǒng)的機器學(xué)習(xí)算法建議還是要了解一下的。

準(zhǔn)備好了上述的一些基本能力以后，我們再看看關(guān)于深度學(xué)習(xí)的一些核心知識，你需要了解：

• 神經(jīng)網(wǎng)絡(luò)；
• CNN、RNN、LSTM 等不同的網(wǎng)絡(luò)結(jié)構(gòu)；
• 深度學(xué)習(xí)的框架：Caffe、TensorFlow，以及這些框架如何使用；
• 深度學(xué)習(xí)+圖像處理模型；
• 深度學(xué)習(xí)+語音識別模型；
• 深度學(xué)習(xí)+自然語言處理模型。

注意： 對于上述提到的（深度學(xué)習(xí)+圖像處理模型、深度學(xué)習(xí)+語音識別模型、深度學(xué)習(xí)+自然語言處理模型）三個任務(wù)，其實不需要你都精通，只要專注于其中一個領(lǐng)域就可以，這個要結(jié)合自己的興趣來看。

具體可以看一下之前的幾篇文章“深度學(xué)習(xí)在計算機視覺行業(yè)中的應(yīng)用、深度學(xué)習(xí)在語音技術(shù)領(lǐng)域的應(yīng)用、深度學(xué)習(xí)在自然語言處理行業(yè)中的應(yīng)用”，看看自己更喜歡哪個行業(yè)，初期就以這個行業(yè)研究為主，后續(xù)如果有機會，在考慮更高層面上的通用技術(shù)和框架。

***，理論部分都強調(diào)完了以后，我們在重點強調(diào)一下進(jìn)階的知識，也就是實戰(zhàn)部分。大家在學(xué)習(xí)深度學(xué)習(xí)的時候，一定要認(rèn)識到，深度學(xué)習(xí)更多的還是需要編程！編程！編程！也就是說，不能僅僅停留在理論層面，更多的還是需要動手實戰(zhàn)的能力，利用 Caffe 或者 TensorFlow 針對一些實際的分類任務(wù)進(jìn)行實驗。只有這樣才能更快地積累經(jīng)驗，更早的入行深度學(xué)習(xí)。

***，為大家推薦一些課程和教材：

• 首先是線性代數(shù)，推薦麻省理工推出的課程《麻省理工公開課：線性代數(shù)》，你會發(fā)現(xiàn)和我們本科學(xué)得線性代數(shù)好像不太一樣，這個講解的更加容易理解！！不再是停留在做計算題的層次，是真的有用！
• 斯坦福機器學(xué)習(xí)：斯坦福大學(xué)公開課 ：機器學(xué)習(xí)課程，這個就不強調(diào)了，NG 的課程，一般這個行業(yè)的的都會學(xué)習(xí)下！
• 張志華老師的《統(tǒng)計機器學(xué)習(xí)》，《機器學(xué)習(xí)導(dǎo)論》，這個課程涉及到更加深入的統(tǒng)計機器學(xué)習(xí)理論，看完以后你會對概率論有更深入的了解！
• 周志華老師的西瓜書，它對機器學(xué)習(xí)整體的介紹還是比較基礎(chǔ)的！記得在找工作時候，每次面試前都會看一遍這本書！
• Caffe 和 TensorFlow 的學(xué)習(xí)則更多的是實現(xiàn)一些 Demo 和閱讀文章，后續(xù)我也會推出一些入門的課程，希望大家能夠持續(xù)學(xué)習(xí)下去。