摘要：同時推薦閱讀由，和提供的深度學(xué)習(xí)教程，其中介紹略少一些。自然語言處理的深度學(xué)習(xí)，另一個斯坦福大學(xué)的學(xué)者的創(chuàng)始人也是一個很好的課程，可以解決與相關(guān)的所有最新的深入學(xué)習(xí)研究。

如果您具有數(shù)學(xué)和計算機科學(xué)方面的工程背景或相關(guān)知識的編碼經(jīng)驗，只需兩個月即可熟練掌握深度學(xué)習(xí)。 難以置信？ 四步使它成為可能。

欲了解更多，請往下看

(可選，但強烈推薦)

開始于Andrew Ng的機器學(xué)習(xí) 機器學(xué)習(xí) - 斯坦福大學(xué)。他的課程介紹了目前各種機器學(xué)習(xí)算法，更重要的是機器學(xué)習(xí)的一般程序和方法，包括數(shù)據(jù)預(yù)處理，超參數(shù)調(diào)優(yōu)等。

同時推薦閱讀由Geoff Hinton，Yoshua Bengio和Yann LeCun提供的NIPS 2015深度學(xué)習(xí)教程，其中介紹略少一些。

個人的學(xué)習(xí)偏好是觀看演講視頻，并有幾個優(yōu)秀的課程在線。 這里有幾個特別喜歡的課程，可以推薦：

Deep learning at Oxford 2015 由Nando de Freitas教授解釋基礎(chǔ)知識，不會過于簡單。
如果您已經(jīng)熟悉神經(jīng)網(wǎng)絡(luò)并希望深入，請從第9講開始。 他在他的例子中使用Torch framework。 (Videos on Youtube)

Neural Networks for Machine Learning Geoffrey Hinton在Coursera上的課程。Hinton是一位優(yōu)秀的研究人員，他們展示了廣義反向傳播算法的使用，對深度學(xué)習(xí)的發(fā)展至關(guān)重要。

Neural Networks Class by Hugo Larochelle: 另一個優(yōu)秀的課程

如果你更喜歡的是書籍，這里有一些優(yōu)秀的資源。 去查看一下，我不做判斷。

Neural Networks and Deep Learning Book by Michael Nielsen’s：在線學(xué)習(xí)書，并有幾個交互式JavaScript元素可以玩。

Deep Learning Book by Ian Goodfellow, Yoshua Bengio和Aaron Courville：比較密集，但莫非不是一個很好的資源

確定自己繼續(xù)深入學(xué)習(xí)的熱情。 這個領(lǐng)域是巨大的，所以這個列表絕對不是一個全面的列表。

計算機視覺 : 深入學(xué)習(xí)已經(jīng)改變了這一領(lǐng)域。 斯坦福大學(xué)的CS231N課程由Andrej Karpathy的課程是我遇到的最好的課程; CS231n卷積神經(jīng)網(wǎng)絡(luò)視覺識別。 它向您介紹了基礎(chǔ)知識以及covnets，以及幫助您在AWS中設(shè)置GPU實例。 另請參閱Mostafa S. Ibrahim的“計算機視覺入門”

自然語言處理 (NLP)：用于機器翻譯，問答，情緒分析。 要掌握這一領(lǐng)域，需要深入了解這兩種算法和自然語言的基礎(chǔ)計算屬性。CS 224N / Ling 284 by Christopher Manning 是一個很棒的課程。CS224d：自然語言處理的深度學(xué)習(xí)，另一個斯坦福大學(xué)的學(xué)者David Socher（MetaMind的創(chuàng)始人）也是一個很好的課程，可以解決與NLP相關(guān)的所有最新的深入學(xué)習(xí)研究。 有關(guān)詳細信息，請參閱如何學(xué)習(xí)自然語言處理？

記憶網(wǎng)絡(luò) (RNN-LSTM) : 在LSTM中將注意力機制結(jié)合在一起的循環(huán)神經(jīng)網(wǎng)絡(luò)與外部可寫內(nèi)存意味著一些有趣的工作，可以構(gòu)建能夠以問題和回答方式理解，存儲和檢索信息的系統(tǒng)。 這個研究領(lǐng)域從紐約大學(xué)Yann Lecun博士的Facebook AI實驗室開始。 原始文章是在arxiv：記憶網(wǎng)絡(luò)。 有許多研究變體，數(shù)據(jù)集，基準(zhǔn)等來源于這項工作，例如，Metamind的自然語言處理動態(tài)內(nèi)存網(wǎng)絡(luò)

深度加強學(xué)習(xí) : 由AlphaGo著名，Go-playing系統(tǒng)擊敗了歷史上最強的Go玩家。 David Silver"s（Google Deepmind）的RL視頻講座和Rich Stutton教授的書是一個很好的開始。 對于LSTM的溫柔介紹，請參閱Christopher關(guān)于了解LSTM網(wǎng)絡(luò)和Andrej Karpathy的“經(jīng)典神經(jīng)網(wǎng)絡(luò)的不合理有效性”

生成模型: 雖然歧視性模型試圖檢測，識別和分離事物，但是他們最終會尋找在基礎(chǔ)層面上區(qū)分和不理解數(shù)據(jù)的功能。 除了短期應(yīng)用之外，生成模型還提供了自動學(xué)習(xí)自然特征的潛力; 類別或尺寸或其他完全。 在三種常用的生成模型中，生成對抗網(wǎng)絡(luò)（GANs），變體自動編碼器（VAEs）和自回歸模型（如PixelRNN），GAN最受歡迎。深入閱讀：

Original GAN paper by Ian Goodfellow 等等.

The Laplacian Adversarial Networks (LAPGAN) Paper (LAPGAN) 這固定了穩(wěn)定性問題

The Deep Convolutional Generative Adversarial Networks (DCGAN) paper 和 DCGAN Code 它可以用于在沒有任何監(jiān)督的情況下學(xué)習(xí)功能的層次結(jié)構(gòu)。 另外，查看 DCGAN used for Image Superresolution

做是成為專家的關(guān)鍵。 嘗試建立一些你感興趣的、并符合你的技能水平的東西。 以下是一些建議，讓您思考：

按照傳統(tǒng)，首先對MNIST數(shù)據(jù)集進行分類

在ImageNet上嘗試面部檢測和分類。 如果你這樣做，做ImageNet挑戰(zhàn)2017。

使用RNN或CNN進行Twitter情感分析

教授神經(jīng)網(wǎng)絡(luò)來重現(xiàn)著名畫家的藝術(shù)風(fēng)格（藝術(shù)風(fēng)格的神經(jīng)算法）

用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)成音樂

使用深加強學(xué)習(xí)玩乒乓球

神經(jīng)網(wǎng)絡(luò)評估自拍

彩色黑白圖片使用深度學(xué)習(xí)

欲了解更多，請查看CS231n Winter 2017、 Winter 2016＆Winter 2015項目。 還要關(guān)注Kaggle和HackerRank的比賽，以獲得有趣的東西以及競爭和學(xué)習(xí)的機會。

以下是一些指導(dǎo)，幫助你持續(xù)學(xué)習(xí)

閱讀一些優(yōu)秀的博客。 克里斯托弗·奧拉（Christopher Olah）的博客和安德魯·卡皮斯（Andrew Karpathy）的博客都很好地解釋了基本概念和最近的突破

在Twitter上關(guān)注影響力。 以下是幾個開始@drfeifei，@ylecun，@karpathy，@AndrewYNg，@Kdnuggets，@OpenAI，@googleresearch。 （見：誰在Twitter上關(guān)注機器學(xué)習(xí)信息？）

Google+深度學(xué)習(xí)社區(qū)，Yann Lecunn，是與深度學(xué)習(xí)創(chuàng)新保持聯(lián)系以及與其他深入學(xué)習(xí)專業(yè)人士和愛好者溝通的好方法。

請參閱ChristosChristofidis / awesome-deep-learning，這是一個精心設(shè)計的Deep Learning教程，項目和社區(qū)，讓學(xué)習(xí)更輕松。

翻譯很辛苦，還有一些沒有寫出來，放在專欄里。深度學(xué)習(xí)入門資源

[只是介紹一種學(xué)習(xí)方法，里面的內(nèi)容你不可能全看
在每一步下，選擇一個或兩個就足夠了
方向很重要][52]