可能很多门外汉对于深度学习的复杂程度望而却步，但是其实并未像很多人想象的那样。它的基本原理就是建立在基础的数学之上，通过模型组合实现复杂的功能。

这个其实并不难，但是一旦领会了，你就能窥探一点脑神经科学和现代工程学。

具体你需要经历以下几个步骤：

1. 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；

2. 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；

3. 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；

4. 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，这里，我们重点介绍一些代表性的企业：

1. 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；

2. 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；

3. 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；

4. 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；

5. 淘宝网、字节的千人千面等。    

深度学习需要学习哪些概论知识？

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。

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。