深度学习前必须机器学习吗？

有同学问：最近做毕设要做一个神经网络的课题，想请教一下各位我需不需要把机器学习也都学习一遍?深度学习前必须机器学习吗?看看过来人怎么回答?有同意也有反对的，都有一定道理。

回答一

写在最前面：强烈推荐邱锡鹏老师的神经网络与深度学习，阅读起来极其流畅，收获颇多。

若做一个调包侠，只需要调包就完了，只需要知道输入输出就完了，那么一切从简，顺利完成毕设。

那么学习流程就是这样

1. python
2. keras
3. 做图像 只会cnn就完了 from Keras.layers import Conv2D
4. 做自然语言处理 只会LSTM 全连接就完了 from Keras.layers import LSTM, Dense。当然别忘了加个bert。bert是啥也不用太关注，只需要会keras_bert的模型建立就完事了
5. 以上都不需要其他额外知识
6. 判断模型好不好纯靠莽

若是从原理级别进行调整，需要直接改模型源码的

那么，统计学习方法 西瓜书 深度学习圣经 各种paper %%¥#@&&%¥¥%&&**等等等等都这时候了，我看还是选择第一个吧..一点不妨碍做完毕设，只不过只能做些应用型的项目罢了

若选择第一种，你就是面试官眼中高赞回答的样子以上

回答二

近几年面试了不少校招和实习生，深感深度学习之火，以至于很多学生只会各种nn网络，对基础的机器学习算法不屑于了解。在我看来，如果你真的想深入了解深度学习，就不可能不了解机器学习的很多算法基础，就说说过拟合

1. 深度学习网络规模做大，免不了会遇到过拟合。说到过拟合欠拟合，都有什么手段解决?对于模型的方差和偏差分别怎么影响的?
2. 正则化可以缓解过拟合，那我们来说说， l1正则和l2正则有什么区别?哦?除了了解网上经典的那张坐标解释，是否了解它们在贝叶斯先验上属于不同的分布?说到贝叶斯分布免不了要了解共轭先验，为什么要服从这种分布?还有哪些经典的共轭分布?
3. dropout也能解决过拟合，请问为什么能work?本质上就是一种bagging的思想。说到bagging，免不了就要知道boosting，这两者在降低模型方差偏差影响怎样?
4. 说到dropout，免不了和batch normalization对比，后者是为了解决什么问题提出来的?对比数据白化，pca等其他方法有什么区别?还有哪些数据的normalization手段?

你看，一个过拟合的问题在深度学习的表现，看似都是深度的方法，背后涉及的原理全都是更加底层的机器学习基础。

回答三

作为一个在数学系学统计做过机器学习，工作后搞深度学习的人，我可以很负责任的告诉你，不需要

理论上来说，深度学习确实是机器学习的一部分。

十年前，深度学习其实还叫 ANN，是存活在机器学习里的一小部分(别喷，我知道现在主流是 CNN，跟ANN不同)。

但是实际上，深度学习是一个用计算机算力暴力求解问题的函数逼近器，跟从传统统计学习中脱胎而出的机器学习本质有很大区别，所以就算你从机器学习开始学起，然后再使用深度学习。很快你就会发现，两个东西完全不一样。

打个不恰当的比喻，前者是有严格数理推导的，比较nerd;后者则是暴力求解的代表，过后才试图用统计学知识和概念去解释，比较geek。所以如果只是使用深度学习完成一项工作的话，不要说掌握机器学习了，其实你只需要稍微了解一下深度学习就可以了，现在API调用十分无脑，配合pytorch这种pythonic的工具，可以说你只需要会点python，数据准备好，github找个项目拉下来一跑，齐活。

回答四

最基础的东西还是要了解，机器学习本身就涉及到统计和优化的知识，是一门交叉学科。

不了解这些你不会明白那些模型是做什么的，也无法理解数据是如何用的。最起码要了解最基础的最小二乘，逻辑回归，贝叶斯，PCA这些。深度学习在机器学习的基础模型上又有了很多扩展，需要更强的编程知识。

免费分享一些我整理的人工智能学习资料给大家，包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。

为了更好的系统学习AI，推荐大家收藏一份。

下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号 321 领取（一定要发暗号 321）

一、人工智能课程及项目

二、国内外知名精华资源

三、人工智能论文合集

四、人工智能行业报告

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码关注公众号【AI技术星球】发送暗号 321 免费领取文中资料