我是如何通过5个月入门深度学习的

问题导读

1.本文作者是如何入门机器学习的？
2.入门过程中，都学习了哪些内容？
3.对于想短时间内入门深度学习，该如何学习？


怎么入门机器/深度学习？回答这个问题，最先要考虑的问题是：你有多少时间？准备用三个月入门，和想要一个月速成，肯定是截然不同的路径。当然我建议大家稳扎稳打，至少可以拿出五个月的时间来学好机器学习的基础知识。基础很重要，知其所以然很重要。毕竟工具总在进步，每个月都会出现更好的深度学习技术，但基础知识是不变的。如何用五个月时间入门？下面分三个部分，详细指南。（以及，如果你确实时间有限，最后还有一个速成指南）


五个月入门
Part 1：从机器学习开始（两个月）
最好的入门教程，就是吴恩达讲授的机器学习。吴恩达这套课程发布很久了，虽然有些地方稍微过时，但相信我，现在没有任何公开的课程，能比吴恩达讲得更好。真的，课程结束时我几乎哭了出来。
这个课程可以说适合任何水平的学生，当然，你最好还是得知道两个矩阵如何相乘，以及对编程有一些基本的了解。


网易公开课收看，传送门：
http://open.163.com/special/opencourse/machinelearning.html
如果你有时间，一定要听完全部的课程。如果时间紧张，至少要听完前五节课程，后面的可以暂时跳过。吴恩达的机器学习课程深入讲解了经典的机器学习模型，如线性回归、逻辑回归、神经网络、支持向量机、PCA、无监督学习等等。大部分重要概念，都以简单易懂的方式进行了介绍。

课程延伸
当你学习到第五节课，也就是开始讲述神经网络时，建议开始查看与课程平行的外部资料。比方3bule1brown推出的神经网络讲解视频。推荐必看。
YouTube传送门：
https://youtu.be/aircAruvnKk?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi
或者可以前往B站查看：
http://space.bilibili.com/88461692/#/上面二选一即可
以及，我觉得吴恩达在讲神经网络时有点快，所以建议补充阅读一些资料。比如有关神经网络和深度学习的在线书籍，免费的就很好了。
传送门：
http://neuralnetworksanddeeplearning.com/


作者Michael A. Nielsen以一种简单直观的方式，深入探究了神经网络的每个细节。建议阅读这本书的前两章，与吴恩达的课程并行。当你熟悉更多概念后，开始搞深度学习时，可以再看书中的其余部分。如果你英文不好，这本《神经网络与深度学习》也有中文翻译版本，可以免费在线查看。传送门在此：
https://tigerneil.gitbooks.io/neural-networks-and-deep-learning-zh/content/

这个部分的学习结束之后，你就能明白机器/深度学习的许多概念。最后推荐阅读Christopher Olah的博客，很有意思。传送门：http://colah.github.io/

Part 2：涉足深度学习（1个月）
开始研究深度学习之前，最好重温一下大学数学。Ian Goodfellow传奇般的“花书”《深度学习》，简明扼要的概括了大部分重要主题。建议大家尽可能深入地阅读线性代数、概率、信息理论的章节。每当读论文遇到深度学习概念时，都可以在书中找到参考。



以及，这本书有在线的版本。例如英文版在此：
https://github.com/janishar/mit-deep-learning-book-pdf/blob/master/complete-book-bookmarked-pdf/deeplearningbook.pdf 。
而中文翻译版本在此：
https://github.com/exacity/deeplearningbook-chinese



关于深度学习的在线资料有很多，你可能会挑花了眼。
再一次，我觉得最好的选择，还是听吴恩达的《深度学习专项系列课程（Deep Learning Specialization）》。Coursera传送门：
https://www.coursera.org/specializations/deep-learning
网易云课堂的传送门：
https://mooc.study.163.com/smartSpec/detail/1001319001.htm/

这门课程包括五大章节。其实不是免费的，你可以按照50美元/月购买。当然，如果你负担不起，还能申请“助学金”。申请时请详细阐明理由，处理的时间大概需要15天左右。
当然不付费，大部分内容都是可以看的。以及视频的部分，在很多地方也能免费收看。
这五门课程主要讲的是：
1、神经网络和深度学习（4周）
2、改善深度神经网络（3周）
3、结构化机器学习项目（2周）
4、卷积神经网络（4周）
5、序列模型（3周）





前三门课程涉及一般的神经网络和深度学习，第四、第五门课程涉及特定主题。如果你打算搞视觉，第四课必听；如果你搞NLP、音频等，第五课必听。但如果你需要听第五课，那么建议也把第四课好好听一下。

这里鼓励大家一下，课程里每周的内容，实际上一两天就能学完，所以不要被课程表吓倒。劳逸集合、提升效率。
学到这个地步，其实就可以再去http://neuralnetworksanddeeplearning.com/ ，查看第三到第六章的内容，来强化你的概念。如果你有什么还没搞懂的，请前往Olah的博客。
以及，这时候你要开始看深度学习的论文了，从中学习知识。深度学习有个强烈的特点，那就是内容都非常新，阅读论文是跟上时代唯一的方法。不想被抛下，那么还是养成阅读论文的好习惯吧。



Part 3：深度学习上手练（两个月）学到这里，你应该对机器学习和深度学习中的大多数概念有了正确的理解，现在是时候投入沸腾的实际生活中了。

练手深度学习，最好的资源在fast.ai。



传送门在此：http://course.fast.ai/
他们在流行的深度学习工具PyTorch上构建了一个库，只需要几行代码，就能实现世界级的性能。fast.ai的理念有点不同。吴恩达等老师的教授方法是自上而下，先讲再做。而fast.ai倡导自下而上，先做再讲。所以在他们的课程中，第一节就带你建立一个强大的图像分类器。自己训练模型的快感，刺激着你去完成其余的课程。




除此以外，还要推荐两门课。
斯坦福大学的CS231n和CS224n。CS231n专注于计算机视觉的深度学习，而CS224n专注于序列建模。
CS231n，李飞飞等主讲。
官网传送门：http://cs231n.stanford.edu/
CS224n，目前是Richard Socher主讲。
官网传送门：http://web.stanford.edu/class/cs224n/
此前的课程，网上也有中文字幕版本，大家可自行搜索。
到这里，为期五个月的机器/深度学习入门就结束了。
希望大家都能稳扎稳打，夯实基础。
以及最后，兑现一个开头的承诺。如果你确实时间很紧张，必须尽快入门机器/深度学习，那么请看——

速成指南

我最多只有俩月
1、完成吴恩达机器学习课程的前五周，要做编程练习。
2、看完3Blue1Brown的视频。
3、完成吴恩达的深度学习专项系列课程，做练习。
4、如果你想搞图像，看专项课程第四讲，搞NLP或序列数据，看第五讲。
5、搜索你感兴趣的开源实现。如果你还没想好用什么语言，推荐Keras。然后根据需要，再迁到TensorFlow或者PyTorch框架。
我，只有一个月

想要在30天完成入门超级困难。除非，你只是想了解机器学习的工作原理，然后应用到自己的项目中。

如果是这样的话，速成建议如下：
1、略读吴恩达机器学习课程第1-5周的课程，只看视频，掌握概念即可。第三周可以跳过MATLAB/Octave课程。
2、看完3Blue1Brow的视频。
3、略读吴恩达深度学习专项系列课程的第一课，也就是神经网络和深度学习。
4、如果你想做图像处理项目，看一下Nielsen书中的第六章：http://neuralnetworksanddeeplearning.com/chap6.html
如果你需要序列建模的一些想法，可以看看Olah的博客：http://colah.github.io/posts/2015-08-Understanding-LSTMs/
5、Siraj Raval拍了很多有趣的视频，涉及大多数机器/深度学习的主题。传送门在此：https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A
6、搜索跟你感兴趣的开源实现，随时调整以满足你的需求。如前所述，我推荐你先用带有TensorFlow后端的Keras语言。

其他资源

YouTube上有一个两分钟读论文的系列视频，可以帮你快速了解全球深度学习的最热门进展。
如果你关注进机器学习领域的进展，Twitter是个绝佳的工具。
遇到困境的时候，记得reddit和Facebook上有很多志同道合的人，不要犹豫，在社区里寻求帮助，大家会伸出援手。

结论
机器学习和深度学习是当今世界最具魅力的技术之一。而且这个领域的深度学习专家总是处于稀缺的状态。从职业前景来看，深度学习非常吸引人。
需要提醒的是，与计算机学科的其他领域不同，深度学习的资源还不够丰富。很多时候你会遇到失败挫折，千万不要灰心丧气，你可以向更多人寻求帮助，很多人都愿意伸出援手，大家都在学习。
关于机器/深度学习，有一个误解是需要计算机科学的背景才能学习。这不是真的，你确实需要一些编程的思维才好入手，但也仅限于此。现在机器学习领域的很多专家，都来自其他研究领域。
如果你有计算机科学的背景，这是一个非常好的开始。但如果你出身其他学科，想要迎头赶上并不难。

最新经典文章，欢迎关注公众号

作者：量子位
链接：https://www.zhihu.com/question/26006703/answer/536169538
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

感谢分享

感谢分享