酷应用

实用：一文带你零基础入行深度学习

百家作者：数据分析 2018-08-31 11:40:44

来源：人工智能头条

本文共3369字，建议阅读5分钟。

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。

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。

转自：人工智能头条公众号；