深度学习如何入门？人工智能、Python、机器学习、数学基础

有人说要学深度学习，机器学习是基础；有人说，要先学数学，数学基础很重要；也有人说，不学Python寸步难行；还有人说，不看论文怎么行？又有人说，这有两本秘籍，拿回去好好研究，将来必成大器！

从理论基础开始稳扎稳打地往上学，自然是老铁没毛病的，但是也得看时间要求，以及投产比。尤其是在一开始的时候，心气儿正足，却在西瓜书南瓜书花书等经典大部头、高数、概率、python甚至c++上耗尽心力，到头来极容易心气都快磨没了，还没有碰到皮毛！

深度学习这块的知识版图浩如烟海，路线和效率至关重要。所以，在这里我们将抛弃正确的路线，探讨一条能够快速落地的入门方式。

语言推荐python。一方面相对C++更简单易上手，另一方面相关的项目非常多。

书看不看都行，视频首推小甲鱼的《零基础入门学习Python》视频课程。不需要掌握太深的语言特性，从基础的语法，了解到对象相关的内容就够了。

深度这块主要就是分为NLP和CV。

 CV的四大任务：分类、检测、分割、生成。

NLP的四大任务：文本分类、文本匹配、序列标注和文本生成。 在基础学习阶段，都要进行了解。吴恩达的deeplearning系列其实够用了。其它内容可以边用边补。

其它经典课程还有：

斯坦福CS231n-深度学习计算机视觉、斯坦福CS224-深度学习自然语言处理、李宏毅教授讲的《机器学习》

Pytorch是基于python的科学计算包，为两类受众提供服务

1.作为Numpy的替换，让你可以使用GPU的算力

2.作为一个深度学习计算平台提供最大的计算灵活性与速度

TensorFlow是一个基于数据流编程(dataflow programming)的符号数学系统，被广泛应用于各类机器学习(machine learning)算法的编程实现，其前身是谷歌的神经网络算法库DistBelief 。

还有李沐老师的《动手学深度学习》，可以等真动起来手之后再回来进阶。

通过具体的项目来熟悉深度学习各种算法的优势和应用场景，会更有“抓手”一些。

要注意的是最近几年，深度学习领域的变化挺大的。尤其是NLP方向，在大模型的冲击下，传统的算法，像分词、词性标注，被替代得非常厉害，没必要花费太多精力在传统算法上面。可以直接从当下最热的大模型项目开始。

如果嫌自己摸索效率太低 ，可以关注威信公众号：AI技术星球  回复：211 领取人工智能深度学习入门进阶资料

要知道，无论是哪个方向的项目，在流程方面都是相通的，有老师带着，会比自己踩坑舒服很多。

深度学习并没有那么高深莫测。

在实际工作中，大部分的算法工程师都是业务导向，大多时候都是在和数据打交道，不是分析数据，就是清洗数据，要么就是和各部门撕需求。真正花在模型的精力，反而比较少，很多只是把现成的算法，在精度，性能上做个平衡而已。

因此，对于算法工程师来说，工程实践能力至关重要。所以要想拿到好的算法岗offer，就需要大量积累选定方向的论文学习经历以及项目经验

竞赛网站

国外的Kaggle和阿里云天池都是获取项目经验的好途径。

Papers with code

里面有基于深度学习各个方向的论文和代码，找到自己感兴趣的，去实现它。

注意一定要读有开源代码的论文，不要给自己找麻烦。

Hugging Face

如果要做NLP任务，你大概率可以在Hugging Face 找到你需要的模型。

GitHub +awesome

把你希望搜索的关键字加上awesome这个关键词，就能得到近年来好的数据集、论文、开源项目等。

需要老师带队打kaggle比赛的可以关注VX公众号：AI技术星球  回复：211了解

要注意的是，基础不是不重要，而是说不一定要从基础开始学习。

大部头的内容，正确的打开方式应该是这样：翻开目录，过一遍整本书的框架和脉络，把这本书主要讲哪些内容、如何进行的内容组织做个“索引”，谙熟于心。待到后面用到时，马上能想起到哪查，从哪开始补就足够了。

另外，自从有了gpt之类的大语言模型，你会发现又有了一个学习的好搭子。有不明白的问题狠狠问，毕竟它虽然做不了太复杂的内容，但是毕竟足够博学，无论是定制学习计划还是进行理论知识答疑、代码生成什么的，对它来说那都不是事儿。

悦木Ivy陪娃成长

---

 

需要人工智能学习资料的可以关注vx工粽号：AI技术星球 回复：211 获取

论文指导发刊【AI交叉学科、SCI、CCF-ABC、期刊、会议、本硕博论文、在职论文指导、Kaggle比赛指导、 润色发刊等 】

白嫖100G入门到进阶AI资源包+kaggle竞赛+就业指导+技术问题答疑

1、超详细的人工智能学习路

2、OpenCV、Pytorch、YOLO等教程

3、人工智能快速入门教程（Python基础、数学基础、NLP）附源码课件数据

4、机器学习算法+深度学习神经网络基础教程

5、人工智能必看书籍（花书、西瓜书、蜥蜴书等）

6、顶刊论文及行业报告

7、SCI论文攻略 及润色等