自動(dòng)駕駛技術(shù)，比如特斯拉，Uber，百度等公司開(kāi)發(fā)的自動(dòng)駕駛技術(shù)；

金融領(lǐng)域的預(yù)測(cè)股價(jià)、醫(yī)療領(lǐng)域的疾病監(jiān)測(cè)，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(lái)我們看一些關(guān)于深度學(xué)習(xí)的概論知識(shí)。

我們必須要清楚的就是深度學(xué)習(xí)屬于機(jī)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(jī)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(duì)所有的任務(wù)都有效，有些時(shí)候，也需要用到一些傳統(tǒng)的機(jī)器學(xué)習(xí)方法。而機(jī)器學(xué)習(xí)則是實(shí)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(jī)器學(xué)習(xí)有哪些區(qū)別和聯(lián)系呢？

請(qǐng)看下面這幾點(diǎn)。

數(shù)據(jù)依賴性。深度學(xué)習(xí)與傳統(tǒng)的機(jī)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(zhǎng)。當(dāng)數(shù)據(jù)很少時(shí)，深度學(xué)習(xí)算法很容易過(guò)擬合（可以簡(jiǎn)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(yùn)算，GPU 主要用來(lái)高效優(yōu)化矩陣運(yùn)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(jī)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(jī)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(shí)際的項(xiàng)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(jī)器學(xué)習(xí)更多的依賴手動(dòng)設(shè)計(jì)特征，需要引入更多的領(lǐng)域知識(shí)，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(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，更加注重邏輯規(guī)則的設(shè)計(jì)，在解決一個(gè)問(wèn)題的時(shí)候，會(huì)將其拆分成幾個(gè)不同的子問(wèn)題，而深度學(xué)習(xí)則更加強(qiáng)調(diào)從數(shù)據(jù)的角度出發(fā)，直接對(duì)問(wèn)題進(jìn)行求解，也就是更加的端到端。

訓(xùn)練時(shí)間。深度學(xué)習(xí)模型的訓(xùn)練一般需要較長(zhǎng)的時(shí)間，不過(guò)好在測(cè)試的時(shí)候，則需要較少的時(shí)間。

可解釋性。深度學(xué)習(xí)算法的可解釋性較差，更像一個(gè)黑盒運(yùn)算。

了解完深度學(xué)習(xí)的一個(gè)基本情況以后，我們?cè)賮?lái)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(shí)？

數(shù)學(xué)（高數(shù)、線性代數(shù)、概率統(tǒng)計(jì)、矩陣分析，如果還有機(jī)會(huì)，可以了解下優(yōu)化的相關(guān)知識(shí)）；

英語(yǔ)，需要閱讀大量的英語(yǔ)文獻(xiàn)，英語(yǔ)閱讀和理解的能力還是應(yīng)該具備的；

編程，至少會(huì) Python，如果有精力再學(xué)一下 C/C++；

機(jī)器學(xué)習(xí)，關(guān)于一些傳統(tǒng)的機(jī)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?cè)倏纯搓P(guān)于深度學(xué)習(xí)的一些核心知識(shí)，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(yǔ)音識(shí)別模型；

深度學(xué)習(xí)+自然語(yǔ)言處理模型。

注意：對(duì)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(yǔ)音識(shí)別模型、深度學(xué)習(xí)+自然語(yǔ)言處理模型）三個(gè)任務(wù)，其實(shí)不需要你都精通，只要專注于其中一個(gè)領(lǐng)域就可以，這個(gè)要結(jié)合自己的興趣來(lái)看。

看看自己更喜歡哪個(gè)行業(yè)，初期就以這個(gè)行業(yè)研究為主，后續(xù)如果有機(jī)會(huì)，在考慮更高層面上的通用技術(shù)和框架。

最后，理論部分都強(qiáng)調(diào)完了以后，我們?cè)谥攸c(diǎn)強(qiáng)調(diào)一下進(jìn)階的知識(shí)，也就是實(shí)戰(zhàn)部分。大家在學(xué)習(xí)深度學(xué)習(xí)的時(shí)候，一定要認(rèn)識(shí)到，深度學(xué)習(xí)更多的還是需要編程！編程！編程！也就是說(shuō)，不能僅僅停留在理論層面，更多的還是需要?jiǎng)邮謱?shí)戰(zhàn)的能力，利用 Caffe 或者 TensorFlow 針對(duì)一些實(shí)際的分類任務(wù)進(jìn)行實(shí)驗(yàn)。只有這樣才能更快地積累經(jīng)驗(yàn)，更早的入行深度學(xué)習(xí)。

最后，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(kāi)課：線性代數(shù)》，你會(huì)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(gè)講解的更加容易理解！！不再是停留在做計(jì)算題的層次，是真的有用！

斯坦福機(jī)器學(xué)習(xí)：斯坦福大學(xué)公開(kāi)課 ：機(jī)器學(xué)習(xí)課程，這個(gè)就不強(qiáng)調(diào)了，NG 的課程，一般這個(gè)行業(yè)的的都會(huì)學(xué)習(xí)下！

張志華老師的《統(tǒng)計(jì)機(jī)器學(xué)習(xí)》，《機(jī)器學(xué)習(xí)導(dǎo)論》，這個(gè)課程涉及到更加深入的統(tǒng)計(jì)機(jī)器學(xué)習(xí)理論，看完以后你會(huì)對(duì)概率論有更深入的了解！

周志華老師的西瓜書，它對(duì)機(jī)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(shí)候，每次面試前都會(huì)看一遍這本書！

Caffe 和 TensorFlow 的學(xué)習(xí)則更多的是實(shí)現(xiàn)一些 Demo 和閱讀文章，后續(xù)我也會(huì)推出一些入門的課程，希望大家能夠持續(xù)學(xué)習(xí)下去。