本文希望从一个小白的角度出发，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。

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

　　而网上相应问题的回答也比较杂乱，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，又恰恰对转行、学习的问题比较关心，因此，本文希望从一个小白的角度出来，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，少走弯路。接下来，本文从以下几个方向出发，来展开叙述：

　　什么样的人适合入行深度学习？

　　怎样学习深度学习？

　　有哪些入门深度学习的材料推荐？


　　哪些人适合入行深度学习

　　深度学习存在一定的门槛，这是必然的，并不是网上说的仅仅成为一个“调包狭”。你可能是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、编程等等能力。

　　1. 初中毕业、高中毕业是否适合学习深度学习？

　　这里，我不建议这样的人转行深度学习，因为你现在需要的不是深度学习，而是高中知识积累、大学的知识积累，思维模式的培养，如果你还年轻，那我建议你先去把这些该走的路走完，再考虑入行深度学习。

　　你们的人生还有很多种可能，没有必要急着早早的作出选择。当然，如果你已经到了一定年纪了，那我觉得真的没必要在这个上面折腾了，赚钱的机会还有很多。

　　2. 文科生是否适合学习深度学习？

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

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

　　3. 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？

　　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，如果选择入行深度学习，个人觉得还是存在可能的。

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

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

　　4. 年纪太大了是否适合转行深度学习？

　　个人不建议，因为核心竞争力确实会和一些年轻人存在一些差距。如果有可能，更希望能够在本领域深耕下去。

　　5. 期待学习两三个月成大神，年薪20万+。

　　任何一门技术的学习，都需要一定时间的积累，尤其对于深度学习、机器学习这样的工作。短期内，结合专业的指导，你可能会初窥门径，但精通一定不行。虚心学习，经过一定时间积累，年薪20万+希望还是很大的。

　　总结下，有哪些人适合入行深度学习？

　　大学里学习过高等数学的本科生，硕博士研究生；

　　有高等数学基础的公司技术岗在职人员，需要 AI 赋能；

　　过去 PC、iOS、安卓开发的码农，有编程基础的人；

　　具备较好的逻辑思维能力的本科生。

　　如何入行深度学习

　　聊完了什么人适合入行深度学习，我们再来看一看如何学习深度学习？

　　具体你需要经历以下几个步骤：

　　深度学习整体概述：了解深度学习的前世今生、为什么会爆发深度学习热潮？代表的技术有哪些，涉及到什么样的领域、产品、公司，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；

　　深度学习概论知识：深度学习、机器学习、人工智能等区别和联系；

　　深度学习预备知识：数学基础（线性代数、矩阵、概率统计、优化等等）、机器学习基础、编程基础；

　　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，完成网络的搭建、训练。


　　关于深度学习的公司，也就是人工智能公司，我们在之前也提到过，这里，我们再重点介绍一些代表性的企业：

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

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

　　自动驾驶技术，比如特斯拉，Uber，百度等公司开发的自动驾驶技术；

　　金融领域的预测股价、医疗领域的疾病监测，教育领域的技术赋能等；

　　阿里巴巴淘宝网的千人千面等。


　　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，除了深度学习以外，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，并不是对所有的任务都有效，有些时候，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？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，随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法很容易过拟合（可以简单理解成性能不好）。

　　硬件依赖。深度学习算法需要进行大量的矩阵运算，GPU 主要用来高效优化矩阵运算，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，深度学习更依赖安装 GPU 的高端机器。当然，除了 GPU 以外，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，GPU 训练，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，需要引入更多的领域知识，而深度学习，则能够直接抽取不同粒度上的特征，因此，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，更加注重逻辑规则的设计，在解决一个问题的时候，会将其拆分成几个不同的子问题，而深度学习则更加强调从数据的角度出发，直接对问题进行求解，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，不过好在测试的时候，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，更像一个黑盒运算。

　　实用｜一文带你零基础入行深度学习

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

　　数学（高数、线性代数、概率统计、矩阵分析，如果还有机会，可以了解下优化的相关知识）；

　　英语，需要阅读大量的英语文献，英语阅读和理解的能力还是应该具备的；

　　编程，至少会 Python，如果有精力再学一下 C/C++；

　　机器学习，关于一些传统的机器学习算法建议还是要了解一下的。

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

　　神经网络；

　　CNN、RNN、LSTM 等不同的网络结构；

　　深度学习的框架：Caffe、TensorFlow，以及这些框架如何使用；

　　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。

　　注意： 对于上述提到的（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）三个任务，其实不需要你都精通，只要专注于其中一个领域就可以，这个要结合自己的兴趣来看。

　　具体可以看一下之前的几篇文章“深度学习在计算机视觉行业中的应用、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中的应用”，看看自己更喜欢哪个行业，初期就以这个行业研究为主，后续如果有机会，在考虑更高层面上的通用技术和框架。

　　最后，理论部分都强调完了以后，我们在重点强调一下进阶的知识，也就是实战部分。大家在学习深度学习的时候，一定要认识到，深度学习更多的还是需要编程！编程！编程！也就是说，不能仅仅停留在理论层面，更多的还是需要动手实战的能力，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，更早的入行深度学习。

　　最后，为大家推荐一些课程和教材：

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

　　斯坦福机器学习：斯坦福大学公开课 ：机器学习课程，这个就不强调了，NG 的课程，一般这个行业的的都会学习下！

　　张志华老师的《统计机器学习》，《机器学习导论》，这个课程涉及到更加深入的统计机器学习理论，看完以后你会对概率论有更深入的了解！

　　周志华老师的西瓜书，它对机器学习整体的介绍还是比较基础的！记得在找工作时候，每次面试前都会看一遍这本书！

　　Caffe 和 TensorFlow 的学习则更多的是实现一些 Demo 和阅读文章，后续我也会推出一些入门的课程，希望大家能够持续学习下去。
第三十五届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。