编译团队|姚佳灵 裴迅
简介
深度学习，是人工智能领域的一个突出的话题，被众人关注已经有相称长的一段韶光了。它备受关注是由于在打算机视觉（Computer Vision）和游戏（Alpha GO）等领域有超越人类能力的打破 。自上一次调查（查看调查：https://www.analyticsvidhya.com/blog/2014/06/deep-learning-attention/）以来，对付深度学习的关注又涌现了大幅增加的趋势。
下图是谷歌趋势向我们所展示的：
如果你对这个话题感兴趣的话，本文是一个很好的非技能性的先容。如果你有兴趣理解关于深度学习的最新趋势，本文是一个很全面的汇总。
在这里，我们的目标是为新手和想进一步探索深度学习的人们供应一个学习路径。那么，你准备好踏上征服深度学习的征程了吗？我们上路吧。
步骤0：出征准备
建议在进入深入学习领域之前，该当理解机器学习的基本知识。“机器学习的学习路径”（https://www.analyticsvidhya.com/learning-path-learn-machine-learning/）是一个完全的资源，让你开始理解该领域。
如果你想要一个较短的版本，请看下面：
根本数学，资源1：“数学|可汗学院（Khan academy，https://www.khanacademy.org/math）”（尤其是微积分、概率论和线性代数）
Python根本，资源：“打算机科学入门”（https://www.datacamp.com/community/open-courses/introduction-to-python-machine-learning-with-analytics-vidhya-hackathons#gs.），EDX课程
统计学根本，资源：“统计入门”（https://www.udacity.com/course/intro-to-statistics--st101），Udacity的课程
机器学习根本，资源：“机器学习入门”（https://www.udacity.com/course/intro-to-machine-learning--ud120），Udacity的课程
韶光：建议2-6个月
步骤1：设置好你的机器
在连续下一步之前，请确保有支撑硬件。一样平常建议该当至少有：
一个足够好的GPU（4+ GB），最好是Nvidia的
一个够用的CPU（如英特尔酷睿i3可以，而英特尔Pentium 弗成）
4GB 内存或取决于数据集。
PS：如果你是一个铁杆游戏玩家（当然不但是糖果粉碎机玩家！
），你可能已经有了所需硬件。
如果没有所需硬件，可以购买或租用一个亚马逊网页做事（AWS，https://aws.amazon.com）。这里有个利用AWS进行深度学习的好指南：http://cs231n.github.io/aws-tutorial/。
把稳：在这个阶段不用安装任何深度学习的学习库，这些在步骤3中做。
步骤2：考试测验一下
现在有了足够的预备知识，可以进一步理解深度学习了。
按照个人喜好，可以关注：
博客：（资源1：“深度学习的根本”https://www.analyticsvidhya.com/blog/2016/03/introduction-deep-learning-fundamentals-neural-networks/，资源2：“黑客的神经网络指南” http://karpathy.github.io/neuralnets/）
视频：“简化的深度学习”https://www.youtube.com/watch?v=b99UVkWzYTQ&list=PLjJh1vlSEYgvGod9wWiydumYl8hOXixNu
教科书：《神经网络和深度学习》http://neuralnetworksanddeeplearning.com
除了这些先决条件，还该当知道盛行的深度学习程序库和运行它们的措辞。这是一个（非全面）列表（更全面的列表请查看维基页面）：
Caffe ：http://caffe.berkeleyvision.org
DeepLearning4j：http://deeplearning4j.org
Tensorflow：https://www.tensorflow.org
Theano：http://www.deeplearning.net/software/theano/
Torch：http://torch.ch
其他一些著名的库包括：
这里有一个根据措辞分类的深度学习库列表：http://www.teglor.com/b/deep-learning-libraries-language-cm569/
韶光：建议1-3周
步骤3：选择你自己的探险之路
现在有趣的部分来了！
深度学习已被运用在各个领域并带来了最前辈成果。为了进入到这个领域，你，读者，须要选择一条得当自己的路走。这该当是个实践履历，那样你就可以在目前所理解的之上得到一个得当的根本。
把稳：每条路径包含一个入门简介的博客，一个实践项目，项目所需的深度学习的程序库和赞助课程。首先理解简介，然后安装所需的程序库，开始项目事情。如果你在这个中碰着任何困难，利用干系的课程以得到支持。
深度学习之打算机视觉
入门简介：“DL forComputer Vision”电脑视觉博客https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/
所需程序库：Nolearn，https://github.com/dnouri/nolearn#installation
干系课程：“cs231n： 卷积神经网络视觉识别”http://cs231n.stanford.edu
深度学习之自然措辞处理
入门简介：“DeepLearning, NLP, and Representations”（“深度学习，自然措辞处理与呈现”博客，http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/）
所需程序库：tensorflow
https://github.com/dennybritz/chatbot-retrieval/#setup
干系课程：“cs224d：深度学习在自然措辞处理方面的运用” http://cs224d.stanford.edu
深度学习之语音/音频识别
入门简介：“深度演讲：深度学习的履历教训”新闻和相应的视频。http://usa.baidu.com/deep-speech-lessons-from-deep-learning/
项目：“用Magenta天生音乐（tensorflow）”https://magenta.tensorflow.org/2016/06/10/recurrent-neural-network-generation-tutorial/
所需程序库：Magenta，https://github.com/tensorflow/magenta#installation
干系课程：“深度学习（2016春季），cilvr实验室@纽约http://cilvr.cs.nyu.edu/doku.php?id=courses:deeplearning2016:start
深度学习之强化学习
入门先容与项目：“深度强化学习：来自Pixels的乒乓球游戏” http://karpathy.github.io/2016/05/31/rl/
所需程序库：没有哀求。但是须要openAI gym （https://github.com/openai/gym#installation）来测试你的模型。
干系课程：“cs294：深度强化学习”http://rll.berkeley.edu/deeprlcourse/
韶光：建议1-2个月
步骤4：深入深度学习
现在（险些）能够在深度学习名人堂上占一个坑！
前面的道路是漫长的和深刻的（双关语），实在紧张是还未探索过的。现在是靠你自己熟习和利用这个新技能的时候。这里有一些技巧，可以提升你的技能。
选择一个不同的路径重复上述步骤。
深度学习之以上没提到的！
（例如：交易的深度学习，为优化能源效率的深度学习https://deepmind.com/blog/?t=1）
利用你新学到的技能来创建一个东西（请记得，力量越大，任务越大，https://xkcd.com/1613/）
测试你的深度学习技能（如Kaggle， https://www.kaggle.com/competitions）
参与深度学习社区（如谷歌群 https://plus.google.com/u/0/communities/112866381580457264725，DL subreddithttps://www.reddit.com/r/deeplearning/）
关注最新的研究成果及研究职员。（如“RE.WORK DL Summit ”，https://www.re-work.co/events/deep-learning-sanfran-2016”）
韶光：建议——无上限！
结语
希望本文对各位读者有帮助！
关于转载
如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 |bigdatadigest），并在文章结尾放置大数据文摘能干二维码。无原创标识文章请按照转载哀求编辑，可直接转载，转载后请将转载链接发送给我们；有原创标识文章，请发送【文章名称-待授权"大众年夜众号名称及ID】给我们申请白名单授权。未经容许的转载以及改编者，我们将依法深究其法律任务。联系邮箱：zz@bigdatadigest.cn。
志愿者先容
回答“志愿者”理解如何加入我们
往期精彩文章
将Python和R整合进一个数据剖析流程
