如果说数据科学中有任何一个领域在过去几年中推动了人工智能 (AI) 和机器学习 (ML) 的进步，那就是
深度学习。它已经存在了一段时间，但在过去的几年里，是什么让它如此热门的话题？
好吧，当谷歌的 AlphaGo 程序击败全球顶级围棋选手之一李世石时，深度学习成为 2016 年的头条新闻。在此之前，没有什么好的方法可以训练深度学习神经网络，但随着机器学习算法和深度学习芯片组的进步，现在可以更积极、更轻松地实现深度学习。
深度学习无处不在，无论是计算机视觉应用还是自然语言处理领域的突破——我们生活在一个以深度学习为动力的世界。多亏了这项技术的快速发展，越来越多的人能够利用深度学习的力量。同时，它被认为是一个复杂的领域，对于新手来说可能会让人望而生畏。
什么是深度学习以及如何了解它？
图片来源：关注
此学习路径专为任何想要学习深度学习的人而设计，无论您的水平如何。这种结构化的路径对于期待深入学习深度学习的人来说非常有用。无论您是新手还是过渡领域，或者希望提高自己的技能——这条学习路径都会引导您朝着正确的方向前进。
以下是您应该开始使用的基本概念的高度概述：
摘要：深度学习是一个由多个组件组成的广阔领域。因此，为了开始您的学习之旅，我们建议您从零开始，通过涵盖基本的描述性统计、概率概念和学习 Python 来开始学习。
机器学习基础：接下来是 ML 的作用，包括线性回归、逻辑回归和一些正则化方法。请记住，除非您了解线性代数和微积分的基础知识，否则无法掌握深度学习。
介绍 Keras 和神经网络：开始探索深度学习中的各种框架并开始编写代码，以获得对这些概念的实际理解。构建模型并对其进行测试后，了解如何通过处理或预处理图像数据和了解超参数调整来进行微调。
了解 CNN： 卷积神经网络正在成为现实场景中深度学习最常见的用例之一。必须知道 CNN 是什么以及它们如何调整内部超参数以从中提取最大输出。
序列模型：这包括循环
神经网络、长短期记忆和门控循环单元，它们真正让你深入学习。这就是您应该通过将这些概念应用于实际项目来开始区分自己的点。
自然语言处理：由于迁移学习的灵活性，深度学习以显着方式改变了 NLP 的范围；NLP 正在成为一种全新的野兽。如果这是您最感兴趣的领域，我们肯定会鼓励您通过学习如何在文本数据上使用深度学习的各种方法来保持领先地位。此外，理解词嵌入至少会有很大帮助。
无监督深度学习和 GAN：数据科学家一直在使用大量算法来提取可操作的见解，但这些问题中的大多数都具有监督学习的性质。就深度学习而言，无监督学习可能是一个具有挑战性的领域，因为它具有众多优势并且可能具有开创性。生成对抗网络是所有创造性人工智能发展背后最受欢迎的深度学习概念之一，包括论文写作、网络生成等等。
扫码加好友，拉您进群
全部版块
我的主页
收藏
