知识分享 | 深度学习的学习路径

深度学习的学习路径

以下是您应该在深度学习领域中了解（和掌握）核心概念的一般概述：

1. 入门：深度学习是由几个专业组成的广阔领域。因此，为了开始您的学习之旅，建议您从头开始。第一个月将全面了解深度学习的含义，涵盖基本的数学、描述性统计和概率概念，以及学习Python！

   
   

2. 机器学习基础：  学习路径的下一步将带您进入机器学习的世界。这包括线性回归，逻辑回归和正则化方法等技术。在你了解线性代数和微积分的核心概念之前，不能真正掌握深度学习，因此通过对矩阵，向量，特别是张量和导数的介绍来补充你的基础技能。

   
   

3. 深度学习和Keras简介：  这就是你一直在等待的东西！在学习神经网络的时候。您应该开始探索深度学习中的不同框架并开始编写一个（我们在此学习路径中的建议是Keras，Tensorflow作为Backend）。提供了一个实践项目，帮助理解概念和对有实际的了解。

   
   

4. 参数调整的神经网络：  您已经构建了模型并对其进行了测试。下一步是什么？模型通常不会在第一次迭代中提供最佳结果，因此了解如何微调和改进它们是任何深度学习专家应该知道的关键技能。处理/预处理图像数据，理解超参数调整和转移学习等都是改进深度学习模型的一部分

   
   

5. 了解CNN：  卷积神经网络（CNN）已成为现实世界中最常见的深度学习用例之一。知道CNN是什么以及如何调整内部超参数以从中提取最大结果被认为是强制性的，特别是CNN如何处理图像和图像的分类技术

   
   

6. 调试您的深度学习模型：  询问任何程序员，他们会告诉您调试是他们工作中最不愉快的部分。但是如何能够可视化您的深度学习模型以了解它出错的地方？现在可以直观地分析错误 - 这是我们在学习路径中突出显示的非常酷且有用的技能

   
   

7. 序列模型：  这是我们深入学习深度学习的重要模型。序列模型包括诸如递归神经网络（RNN），长短期记忆（LSTM）和门控递归单位（GRU）之类的技术。通过在实际项目中应用这些概念，您也应该开始应用与股票时间序列的预测和分类

   
   

8. NLP的深度学习：深度学习已经将NLP的范围发生了显着的变化。凭借转学习的灵活性，NLP已成为一个完全不同的重要领域。如果这是您感兴趣的领域，我们建议您通过学习如何在文本数据上使用深度学习的各种方法来掌控文本。至少，对单词嵌入的理解将有很大帮助

   
   

9. 无监督深度学习：数据科学家使用各种算法来提取可操作的见解。但是大多数这些问题都是受监督的学习性质。无监督学习是一个具有挑战性的领域，在深度学习方面更是如此。但它的优点很多，而且可能是突破性的。一旦掌握了上述概念，就可以继续学习这部分学习路径

   
   

10. GAN：最喜欢的深度学习概念之一 - Generative Adversarial Networks（GAN）对抗生成网络。支持我们经常看到的所有创造性人工智能开发，包括创作论文，写诗，创作艺术品等。