機器學習領域是巨大的，為了學習不迷路，可以從以下列表幫助學習。它概述深度學習的一些學習細節(jié)。

階段1：入門級入門級能夠掌握以下技能：

能夠處理小型數(shù)據集

理解經典機器學習技術的關鍵概念

理解經典網絡DNN、CNN和RNN

數(shù)據處理

在入門級使用的數(shù)據集很小，可以放入主內存中。只需幾行代碼即可應用此類操作。在此階段數(shù)據包括Audio、Image、Time-series和Text等類型。

經典機器學習

在深入研究深度學習之前，學習基本機器學習技術是一個不錯的選擇，其包括回歸、聚類、SVM和樹模型。

網絡

掌握常見的網絡層，以及相應的神經網絡；GAN、AE、VAE、DNN、CNN、RNN 等等。在入門階段，可以優(yōu)先掌握DNN、CNN和RNN。

理論

沒有神經網絡就沒有深度學習，沒有（數(shù)學）理論就沒有神經網絡。可以通過了解數(shù)學符號來開始學習，可以從矩陣、線性代數(shù)和概率論開始你的學習。

階段2：進階水平進階和入門級之間沒有真正的分界，進階水平能夠處理更大的數(shù)據集，能夠使用高級網絡處理自定義項模型：

處理更大的數(shù)據集

能夠自定義模型完成任務

網絡模型精度變得更好

數(shù)據處理

能夠處理幾GB的數(shù)據集，需要自定義數(shù)據擴增方法和數(shù)據處理函數(shù)。

自己完成任務

能夠根據具體任務完成代碼的開發(fā)，而不是參考MNIST的教程完成編碼。

自定義網絡

處理自定義項目時，如何處理數(shù)據數(shù)據？如何定義自己的網絡層？

模型訓練

掌握遷移學習的思路，學會使用預訓練權重完成新任務。并掌握凍結部分網絡層的方法。

深度學習理論

掌握深度學習模型的正向傳播和反向傳播，特別是鏈式求導法則。掌握激活函數(shù)和目標函數(shù)的作用，能夠選擇合適的激活函數(shù)和目標函數(shù)。

階段3：熟練水平與進階相比你需要掌握更加的數(shù)據集處理方法，并掌握加速模型訓練的方法：

大規(guī)模數(shù)據的處理和存儲

網絡模型的調參

無監(jiān)督學習和強化學習

數(shù)據處理

需要掌握幾百GB數(shù)據集的處理，學會Linux的操作。此階段可能接觸到多模態(tài)任務。

無監(jiān)督項目

開始嘗試無監(jiān)督網絡模型的搭建，如自編碼器和GAN模型，能夠掌握模型原理。

模型訓練

掌握模型調參的方法和常見的日志和可視化工具，如TensorBoard的使用。掌握學習率的調節(jié)方法，如余弦退火。掌握多機和混合精度訓練。

階段4：專家級掌握前沿的學術模型的發(fā)展，知道自己的興趣是什么，并能提出新的模型：

學會使用JAX或DALI處理數(shù)據

熟悉圖神經網絡和Transformer模型

本文在原文基礎上進行了精簡，原文鏈接：https://towardsdatascience.com/a-guide-to-the-field-of-deep-learning-9bb9b21dae2

編輯：jq