深度學習到底有多熱，這里我就不再強調了，也因此有很多人關心這樣的幾個問題，“適不適合轉行深度學習（機器學習）”，“怎么樣轉行深度學習（機器學習）”，“轉行深度學習需要哪些入門材料？”等等。

而網上相應問題的回答也比較雜亂，存在不走心、不夠基礎等等問題。

考慮到太多的人沒有一定的專業基礎，又恰恰對轉行、學習的問題比較關心，因此，本文希望從一個小白的角度出來，真正從零基礎的角度來為大家提供一些專業的建議和指導。

避免大家看很多無用的信息，少走彎路。接下來，本文從以下幾個方向出發，來展開敘述：

什么樣的人適合入行深度學習？

怎樣學習深度學習？

有哪些入門深度學習的材料推薦？

哪些人適合入行深度學習

深度學習存在一定的門檻，這是必然的，并不是網上說的僅僅成為一個“調包狹”。你可能是結合一些實際的業務場景，需要復現一些模型，甚至自己設計一些模型，所以需要具備一定的數學、英語、編程等等能力。

1. 初中畢業、高中畢業是否適合學習深度學習？

這里，我不建議這樣的人轉行深度學習，因為你現在需要的不是深度學習，而是高中知識積累、大學的知識積累，思維模式的培養，如果你還年輕，那我建議你先去把這些該走的路走完，再考慮入行深度學習。

你們的人生還有很多種可能，沒有必要急著早早的作出選擇。當然，如果你已經到了一定年紀了，那我覺得真的沒必要在這個上面折騰了，賺錢的機會還有很多。

2. 文科生是否適合學習深度學習？

對于文科生的話，我覺得不能一概而論。有些文科生，尤其學習語言學、文學專業的，他們的思維方式可能更多的偏向于發散思維，對于邏輯思維能力可能會有所欠缺。

對于這樣的人，不是很建議入行深度學習，更多的是希望把本行業的事情做好，或者可以選擇一些深度學習產品經理等等這樣的崗位，避免一些編程、模型設計訓練的任務。

3. 機械、電氣等理工科的專業背景的人是否適合入行深度學習？

對于諸如電氣、電子、機械、化工、生物等等這樣的理工科專業的學生，如果選擇入行深度學習，個人覺得還是存在可能的。

以機械為例，很多機械行業的朋友，也會接觸到底層編程的一些任務；對于一些電子和電氣相關的專業的學生，往往也會接觸到一些編程的任務。

同樣，還具備一些信號處理的知識，對于這些人來講，深度學習和機器學習，入門相對門檻會低一些。當然，實際上還要結合自身的情況來看，具體是否合適，可以對照我后面的幾個標準。

4. 年紀太大了是否適合轉行深度學習？

個人不建議，因為核心競爭力確實會和一些年輕人存在一些差距。如果有可能，更希望能夠在本領域深耕下去。

5. 期待學習兩三個月成大神，年薪20萬+。

任何一門技術的學習，都需要一定時間的積累，尤其對于深度學習、機器學習這樣的工作。短期內，結合專業的指導，你可能會初窺門徑，但精通一定不行。虛心學習，經過一定時間積累，年薪20萬+希望還是很大的。

總結下，有哪些人適合入行深度學習？

大學里學習過高等數學的本科生，碩博士研究生；

有高等數學基礎的公司技術崗在職人員，需要 AI 賦能；

過去 PC、iOS、安卓開發的碼農，有編程基礎的人；

具備較好的邏輯思維能力的本科生。

如何入行深度學習

聊完了什么人適合入行深度學習，我們再來看一看如何學習深度學習？

具體你需要經歷以下幾個步驟：

深度學習整體概述：了解深度學習的前世今生、為什么會爆發深度學習熱潮？代表的技術有哪些，涉及到什么樣的領域、產品、公司，以及各行各業中的應用。盡可能的科普深度學習的相關知識；

深度學習概論知識：深度學習、機器學習、人工智能等區別和聯系；

深度學習預備知識：數學基礎（線性代數、矩陣、概率統計、優化等等）、機器學習基礎、編程基礎；

深度學習核心知識：神經網絡、深度網絡結構、圖像任務、語音任務、自然語言任務；

深度學習進階知識：如何使用深度學習框架，完成網絡的搭建、訓練。

關于深度學習的公司，也就是人工智能公司，我們在之前也提到過，這里，我們再重點介紹一些代表性的企業：

語音識別技術，國內公司訊飛、百度。國外公司 Google、亞馬遜，微軟等，行業應用就是智能音箱等產品；

圖像識別技術，比如做安防的海康威視，圖森科技，依圖科技，曠視科技，代表性的就是面部識別，iPhone X 的人臉識別；

自動駕駛技術，比如特斯拉，Uber，百度等公司開發的自動駕駛技術；

金融領域的預測股價、醫療領域的疾病監測，教育領域的技術賦能等；

阿里巴巴淘寶網的千人千面等。

接下來我們看一些關于深度學習的概論知識。

我們必須要清楚的就是深度學習屬于機器學習的一種方法，除了深度學習以外，還包括了線性回歸、邏輯回歸、SVM、隨機森林、圖模型、貝葉斯等等很多方法。

而深度學習，并不是對所有的任務都有效，有些時候，也需要用到一些傳統的機器學習方法。而機器學習則是實現人工智能必不可少一種技術手段。

深度學習和傳統機器學習有哪些區別和聯系呢？

請看下面這幾點。

數據依賴性。深度學習與傳統的機器學習最主要的區別在于，隨著數據規模的增加其性能也不斷增長。當數據很少時，深度學習算法很容易過擬合（可以簡單理解成性能不好）。

硬件依賴。深度學習算法需要進行大量的矩陣運算，GPU 主要用來高效優化矩陣運算，所以 GPU 是深度學習正常工作的必須硬件。與傳統機器學習算法相比，深度學習更依賴安裝 GPU 的高端機器。當然，除了 GPU 以外，還有一些其他的深度學習芯片發展也十分重要。通常的做法是，GPU 訓練，而在實際的項目中則使用其他的深度學習芯片代替。

特征表示。傳統機器學習更多的依賴手動設計特征，需要引入更多的領域知識，而深度學習，則能夠直接抽取不同粒度上的特征，因此，能夠具有更高的表示能力。

端到端。對于傳統的機器學習方法，更加注重邏輯規則的設計，在解決一個問題的時候，會將其拆分成幾個不同的子問題，而深度學習則更加強調從數據的角度出發，直接對問題進行求解，也就是更加的端到端。

訓練時間。深度學習模型的訓練一般需要較長的時間，不過好在測試的時候，則需要較少的時間。

可解釋性。深度學習算法的可解釋性較差，更像一個黑盒運算。

了解完深度學習的一個基本情況以后，我們再來看一些學習深度學習，你需要學習哪些預備知識？

數學（高數、線性代數、概率統計、矩陣分析，如果還有機會，可以了解下優化的相關知識）；

英語，需要閱讀大量的英語文獻，英語閱讀和理解的能力還是應該具備的；

編程，至少會 Python，如果有精力再學一下 C/C++；

機器學習，關于一些傳統的機器學習算法建議還是要了解一下的。

準備好了上述的一些基本能力以后，我們再看看關于深度學習的一些核心知識，你需要了解：

神經網絡；

CNN、RNN、LSTM 等不同的網絡結構；

深度學習的框架：Caffe、TensorFlow，以及這些框架如何使用；

深度學習+圖像處理模型；

深度學習+語音識別模型；

深度學習+自然語言處理模型。

注意：對于上述提到的（深度學習+圖像處理模型、深度學習+語音識別模型、深度學習+自然語言處理模型）三個任務，其實不需要你都精通，只要專注于其中一個領域就可以，這個要結合自己的興趣來看。

看看自己更喜歡哪個行業，初期就以這個行業研究為主，后續如果有機會，在考慮更高層面上的通用技術和框架。

最后，理論部分都強調完了以后，我們在重點強調一下進階的知識，也就是實戰部分。大家在學習深度學習的時候，一定要認識到，深度學習更多的還是需要編程！編程！編程！也就是說，不能僅僅停留在理論層面，更多的還是需要動手實戰的能力，利用 Caffe 或者 TensorFlow 針對一些實際的分類任務進行實驗。只有這樣才能更快地積累經驗，更早的入行深度學習。

最后，為大家推薦一些課程和教材：

首先是線性代數，推薦麻省理工推出的課程《麻省理工公開課：線性代數》，你會發現和我們本科學得線性代數好像不太一樣，這個講解的更加容易理解！！不再是停留在做計算題的層次，是真的有用！

斯坦福機器學習：斯坦福大學公開課 ：機器學習課程，這個就不強調了，NG 的課程，一般這個行業的的都會學習下！

張志華老師的《統計機器學習》，《機器學習導論》，這個課程涉及到更加深入的統計機器學習理論，看完以后你會對概率論有更深入的了解！

周志華老師的西瓜書，它對機器學習整體的介紹還是比較基礎的！記得在找工作時候，每次面試前都會看一遍這本書！

Caffe 和 TensorFlow 的學習則更多的是實現一些 Demo 和閱讀文章，后續我也會推出一些入門的課程，希望大家能夠持續學習下去。