2020-08-06 09:03发布
最近几年深度学习越来越火热，取得了很多令人瞩目的成就，比如计算机视觉、自然语言处理以及各种预测等。对于零基础小白，想要自学深度学习，怎样快速建立起知识体系呢？
我们知道，建立知识体系需要在注重结构化的基础上，持续且深度的进行积累和梳理，通过结构化思维进行深度思考。自学深度学习，想快速建立知识体系，最好的方法就是读论文。
目前深度学习领域的论文比较多，既有注重理论的论文，也有注重应用的论文。如果是新手，建议从应用型论文开始读，因为这类文献的影响会更加具体，读起来也更容易。
在阅读论文的时候应该从绪论开始读，然后再是摘要。不要直接读摘要，这样可能会让你对论文里真正表述的内容见解偏颇。在读论文全文的时候要密切注意研究的方法和结论，想办法让结论和摘要与你对论文的思考联系起来，并且知道这篇论文是如何融入相关研究领域的。要辨别出研究背景的关键点，明确研究背后的问题，然后找出研究中所用的方案。
另外与对相关材料更有经验的人讨论文献内容，可以帮助你见微知著，并找到那些你更该专注学习的部分，有助于更好的建立深度学习系统体系。
Q转行深度学习，该怎么开始?
Q
转行深度学习，该怎么开始?
深度学习作为机器学习的典范，在各领域显示出了广阔的前景。深度学习最大的特点在于从大量无关数据中获取有用信息，已经在很多实际中得到应用：从Netflix著名的电影推荐系统到Google的无人驾驶，从创造艺术和文学写作到各种预测，都在使用深度学习模型。
很多转行人士在学习深度学习算法时，往往会对算法的数学推导感到吃力，无法理解具体核心参数表示的物理意义，学好算法原理后，面对实际问题，依然不知道如何利用算法解决。
造成这种普遍现象的原因，主要在于学习者数学基础不扎实、实践经验不足。
人工智能是一个将数学、算法理论和工程实践紧密结合的领域，是数学、概率论、统计学、各种数学理论的体现。机器学习作为实现人工智能的主流方法，最重要的基础就是数学和编程。对于普通程序员，C /C++、Python等编程能力比较强，但数学基础却相对薄弱。数学作为表达与刻画机器学习模型的工具，是深入理解机器学习算法原理的基石，也是算法创新的基础技能。
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)，他是人工神经网络的研究的概念。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
主要是人工智能方向这一块
选对培训机构比较重要，还有就是选择的时候看一下自己适合哪种风格的讲课方式，这个也很重要。因为现在5G时代来临，人工智能绝对是一个发展的大趋势，如果你自己空余时间又比较多的话，其实可以报一个辅导班，学习学习一些基本的东西，毕竟多学点总是没有坏处...
深度学习是近几年人工智能领域的主要研究方向。深度学习的主要任务是通过构建深度卷积神经网络（Deep Neural Network，DNN）和采用大量样本数据作为输入，人们最终会得到一个具有强大分析能力和识别能力的模型，该模型包含了DNN的构成参数以应用于实际工作。...
AI深度学习课程是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术，主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工...
算法，数据相关的适合做人工智能
人工智能取代的行业，一定有如下几个特征：1、大量重复型。2、逻辑性比较强。3、数据库依赖型。像司机，咨询，教育，医生，会计，律师助理，工程师，码农等，都是容易被取代的行业。当然，这都是强人工智能以后会发生的事，现在还是弱人工智能的时代，想进入...
如果你是自己学着玩，提升自己的话，高中毕业都可以。如果是冲着AI算法岗或者科研一席之地，至少211硕士。具体可以亲身体验一下今年算法岗秋招。
可以，未来的人工智能发展深度学习必然是现在大型机器生产科研必备的，证书的话某个培训好像有这个中科院的证书，具体你去百度吧
我觉得就是人工智能的课程，现在家具都是智能家居了。这一块发展一定很好
对于sgd算法而言，batch size太大太小都不好，太小的话训练不稳定，计算效率低；太大的话收敛速度慢，需要仔细调节一下。以2的倍数调节，例如32,64,128等
在terminal中输入$wolf@wolf:~/Downloads/gitclonehttps://github.com/Tencent/ncnn cd切换到NCNN目录***这步很重要，这时候需要修改ncnn的root目录下的CMakeLists.txt文件，需要将倒数几行的add_subdirectory(examples)，取消注释，这样就是默认编译example...
人工智能的话其实到现在来说已经慢慢趋于成熟，学的话首先是一线城市，学出来好就业，还有就是薪资也高
画个train and test error VS 训练数据量(training set size) 的learningcurve应该会更加直观了。可以找个简单的数据集，比如说handwritten digits或者什么的，分别用神经网络和决策树或者knn做出这个learningcurve。你会看到如果用一个决策树去解决这个问题...
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 一幅图象的灰度共生矩阵能反映出图象灰度关于...
最多设置5个标签!
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1515056452',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','/static/images/logo.png', '推荐 Sirius016 的问题《 深度学习的方向是什么》','http://www.shouhuola.com/q-26451.html','页面编码gb2312|utf-8默认gb2312'));){kind=link}
最近几年深度学习越来越火热，取得了很多令人瞩目的成就，比如计算机视觉、自然语言处理以及各种预测等。对于零基础小白，想要自学深度学习，怎样快速建立起知识体系呢？
我们知道，建立知识体系需要在注重结构化的基础上，持续且深度的进行积累和梳理，通过结构化思维进行深度思考。自学深度学习，想快速建立知识体系，最好的方法就是读论文。
目前深度学习领域的论文比较多，既有注重理论的论文，也有注重应用的论文。如果是新手，建议从应用型论文开始读，因为这类文献的影响会更加具体，读起来也更容易。
在阅读论文的时候应该从绪论开始读，然后再是摘要。不要直接读摘要，这样可能会让你对论文里真正表述的内容见解偏颇。在读论文全文的时候要密切注意研究的方法和结论，想办法让结论和摘要与你对论文的思考联系起来，并且知道这篇论文是如何融入相关研究领域的。要辨别出研究背景的关键点，明确研究背后的问题，然后找出研究中所用的方案。
另外与对相关材料更有经验的人讨论文献内容，可以帮助你见微知著，并找到那些你更该专注学习的部分，有助于更好的建立深度学习系统体系。
Q
转行深度学习，该怎么开始?
深度学习作为机器学习的典范，在各领域显示出了广阔的前景。深度学习最大的特点在于从大量无关数据中获取有用信息，已经在很多实际中得到应用：从Netflix著名的电影推荐系统到Google的无人驾驶，从创造艺术和文学写作到各种预测，都在使用深度学习模型。
很多转行人士在学习深度学习算法时，往往会对算法的数学推导感到吃力，无法理解具体核心参数表示的物理意义，学好算法原理后，面对实际问题，依然不知道如何利用算法解决。
造成这种普遍现象的原因，主要在于学习者数学基础不扎实、实践经验不足。
人工智能是一个将数学、算法理论和工程实践紧密结合的领域，是数学、概率论、统计学、各种数学理论的体现。机器学习作为实现人工智能的主流方法，最重要的基础就是数学和编程。对于普通程序员，C /C++、Python等编程能力比较强，但数学基础却相对薄弱。数学作为表达与刻画机器学习模型的工具，是深入理解机器学习算法原理的基石，也是算法创新的基础技能。
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)，他是人工神经网络的研究的概念。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
主要是人工智能方向这一块
相关问题推荐
选对培训机构比较重要，还有就是选择的时候看一下自己适合哪种风格的讲课方式，这个也很重要。因为现在5G时代来临，人工智能绝对是一个发展的大趋势，如果你自己空余时间又比较多的话，其实可以报一个辅导班，学习学习一些基本的东西，毕竟多学点总是没有坏处...
深度学习是近几年人工智能领域的主要研究方向。深度学习的主要任务是通过构建深度卷积神经网络（Deep Neural Network，DNN）和采用大量样本数据作为输入，人们最终会得到一个具有强大分析能力和识别能力的模型，该模型包含了DNN的构成参数以应用于实际工作。...
AI深度学习课程是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术，主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工...
算法，数据相关的适合做人工智能
人工智能取代的行业，一定有如下几个特征：1、大量重复型。2、逻辑性比较强。3、数据库依赖型。像司机，咨询，教育，医生，会计，律师助理，工程师，码农等，都是容易被取代的行业。当然，这都是强人工智能以后会发生的事，现在还是弱人工智能的时代，想进入...
如果你是自己学着玩，提升自己的话，高中毕业都可以。如果是冲着AI算法岗或者科研一席之地，至少211硕士。具体可以亲身体验一下今年算法岗秋招。
可以，未来的人工智能发展深度学习必然是现在大型机器生产科研必备的，证书的话某个培训好像有这个中科院的证书，具体你去百度吧
我觉得就是人工智能的课程，现在家具都是智能家居了。这一块发展一定很好
对于sgd算法而言，batch size太大太小都不好，太小的话训练不稳定，计算效率低；太大的话收敛速度慢，需要仔细调节一下。以2的倍数调节，例如32,64,128等
在terminal中输入$wolf@wolf:~/Downloads/gitclonehttps://github.com/Tencent/ncnn cd切换到NCNN目录***这步很重要，这时候需要修改ncnn的root目录下的CMakeLists.txt文件，需要将倒数几行的add_subdirectory(examples)，取消注释，这样就是默认编译example...
人工智能的话其实到现在来说已经慢慢趋于成熟，学的话首先是一线城市，学出来好就业，还有就是薪资也高
画个train and test error VS 训练数据量(training set size) 的learningcurve应该会更加直观了。可以找个简单的数据集，比如说handwritten digits或者什么的，分别用神经网络和决策树或者knn做出这个learningcurve。你会看到如果用一个决策树去解决这个问题...
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 一幅图象的灰度共生矩阵能反映出图象灰度关于...