自動駕駛技術，比如特斯拉，Uber，百度等公司開發(fā)的自動駕駛技術；

金融領域的預測股價、醫(yī)療領域的疾病監(jiān)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(tǒng)的機器學習方法。而機器學習則是實現(xiàn)人工智能必不可少一種技術手段。

深度學習和傳統(tǒng)機器學習有哪些區(qū)別和聯(lián)系呢？

請看下面這幾點。

數(shù)據依賴性。深度學習與傳統(tǒng)的機器學習最主要的區(qū)別在于，隨著數(shù)據規(guī)模的增加其性能也不斷增長。當數(shù)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(yōu)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(tǒng)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(fā)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(tǒng)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(tǒng)的機器學習方法，更加注重邏輯規(guī)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(shù)據的角度出發(fā)，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(shù)學（高數(shù)、線性代數(shù)、概率統(tǒng)計、矩陣分析，如果還有機會，可以了解下優(yōu)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(tǒng)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(yè)，初期就以這個行業(yè)研究為主，后續(xù)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(zhàn)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(zhàn)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(shù)，推薦麻省理工推出的課程《麻省理工公開課：線性代數(shù)》，你會發(fā)現(xiàn)和我們本科學得線性代數(shù)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(yè)的的都會學習下！

張志華老師的《統(tǒng)計機器學習》，《機器學習導論》，這個課程涉及到更加深入的統(tǒng)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(xiàn)一些 Demo 和閱讀文章，后續(xù)我也會推出一些入門的課程，希望大家能夠持續(xù)學習下去。