備注：此為本人實(shí)踐過(guò)的入門(mén)路徑（嚴(yán)格意義上勉強(qiáng)入門(mén)有梆，其實(shí)坑很大）著瓶，并不一定適合所有人书妻，僅供參考驯杜。

0.基本條件

熟悉編程語(yǔ)言（至少是python等OOP語(yǔ)言），習(xí)慣編程思維窿侈。了解算法理論炼幔。

1.了解入門(mén)

學(xué)習(xí)coursera上Andrew ng的machine learning課程，理解經(jīng)典機(jī)器學(xué)習(xí)是怎么樣的史简。

課程所有的quiz和編程作業(yè)完整做一遍乃秀。這個(gè)課程是最經(jīng)典的入門(mén)教程。

稍微遺憾的是里面編程用的是matlab（或者開(kāi)源免費(fèi)的octave圆兵，但問(wèn)題不少跺讯，編程作業(yè)完成過(guò)程會(huì)有不少磕磕絆絆），但是里面案例很有趣殉农，說(shuō)明比較詳盡刀脏，做下來(lái)還是值得的。

2. 實(shí)踐入門(mén)

學(xué)習(xí)udacity上的machine learning nanodegree課程超凳。與coursera不同愈污，udacity的課程有明顯的實(shí)踐側(cè)重，對(duì)理論講解的很少轮傍，但是重點(diǎn)是通過(guò)實(shí)踐解決各種問(wèn)題暂雹，所用的工具和技術(shù)也更加貼近實(shí)戰(zhàn)，而且還有通過(guò)真人對(duì)項(xiàng)目的review達(dá)到mentor機(jī)制创夜。

所以u(píng)dacity的學(xué)習(xí)重點(diǎn)是項(xiàng)目杭跪，所有的項(xiàng)目都要認(rèn)真做。

Machine learning nanodegree對(duì)算法的講解和ng的課程有一部分重疊挥下，但是很大一部分內(nèi)容是ng課程里沒(méi)有的揍魂，比如說(shuō)決策樹(shù)、boosting等棚瘟，以及強(qiáng)化學(xué)習(xí)。

3.深度學(xué)習(xí)入門(mén)

學(xué)習(xí)udacity上的deep learning foundation nanodegree課程喜最，了解深度學(xué)習(xí)的基本原理和應(yīng)用偎蘸。因?yàn)槭莊oundation，所以理論上并不會(huì)很深入，但是提供了大量的應(yīng)用案例和代碼迷雪，趣味性比較強(qiáng)限书，做過(guò)一遍之后至少對(duì)深度學(xué)習(xí)可以說(shuō)開(kāi)始了解了。

4.深度學(xué)習(xí)進(jìn)階

學(xué)習(xí)coursera上ng最新開(kāi)的deeplearning.ai專(zhuān)項(xiàng)課程5門(mén)章咧。Coursera（或者是ng）的特點(diǎn)是原理方面講解地非常深入淺出倦西。在udacity上了解但是不是很明白的地方，在這個(gè)課程里基本上都會(huì)一個(gè)個(gè)搞得恍然大悟赁严，比如說(shuō)優(yōu)化算法扰柠、CNN、RNN疼约、LSTM卤档、GRU的原理之類(lèi)的，原理的解釋秒殺其它材料程剥。Quiz和programming assignment都是精心設(shè)計(jì)過(guò)的劝枣，非常值得一做。

5.交叉鞏固

另外织鲸，還推薦學(xué)習(xí)mit的人工智能課其中機(jī)器學(xué)習(xí)部分舔腾。這個(gè)課程相對(duì)比較老了，那時(shí)候深度學(xué)習(xí)還沒(méi)火起來(lái)搂擦，而且講解的是人工智能整個(gè)課程稳诚，其中有幾節(jié)課講了機(jī)器學(xué)習(xí)。個(gè)人感覺(jué)老師講的雖然淺顯盾饮，但是注重intuition. 有一些比較重要的概念采桃，在前面coursera和udacity上都不是弄得很清楚的，在這里梳理地更淺顯明白了丘损，比如說(shuō)svm算法普办、boosting等等。

推薦學(xué)習(xí)周志華的《機(jī)器學(xué)習(xí)》徘钥，該領(lǐng)域中文著作第一推薦衔蹲。相對(duì)上述MOOC而言，此書(shū)有一定的深度呈础，而且數(shù)學(xué)理論性更強(qiáng)舆驶，但總體上可讀性還是不錯(cuò)的《可以挑選一些感興趣的內(nèi)容進(jìn)行閱讀研究沙廉。有助于鞏固理論認(rèn)識(shí)。當(dāng)然如果想要高要求自己達(dá)到一定的理解臼节，建議仔細(xì)閱讀幾遍撬陵，收獲會(huì)很多珊皿。

6.在項(xiàng)目中實(shí)踐，編碼巨税，編碼蟋定，編碼

做一些項(xiàng)目，找一些感覺(jué)草添。

7.繼續(xù)前行（依照個(gè)人興趣）

強(qiáng)化學(xué)習(xí)方面驶兜，David Silver的 Reinforcement Learning課程。

基礎(chǔ)算法理論方面远寸，普林斯頓Robert Sedgewick的Algorithms. （非機(jī)器學(xué)習(xí)）

有時(shí)間把Ian Goodfellow的“花書(shū)”Deep Learning也看一下抄淑，雖然寫(xiě)的并不是那么友好。

GPU優(yōu)化方面而晒，看看nVidian的CUDA系列教程蝇狼。

如果對(duì)網(wǎng)絡(luò)簡(jiǎn)化感興趣，研究一下Mobilenet, Shufflenet等方法倡怎。

一些主流框架（例如Tensorflow）的網(wǎng)站迅耘，因?yàn)榘姹镜潞芸欤ㄗh以官網(wǎng)說(shuō)明為準(zhǔn)监署。

跟蹤最新研究進(jìn)展颤专，找到可能的應(yīng)用點(diǎn)。

...