学习深度学习是否要先学习机器学习？

关于问题学习深度学习是否要先学习机器学习？一共有 5 位热心网友为你解答:

【1】、来自网友【Inspiration】的最佳回答：

在学习深度学习之前，通常建议先学习机器学习的基础知识，因为深度学习是机器学习的一个分支，建立在机器学习的基础之上。机器学习的基础包括线性代数、概率论、统计学、优化理论等数学知识，以及分类、回归、聚类等常见机器学习算法的理论和实践。

如果你已经熟悉了机器学习的基础知识，那么可以直接学习深度学习，深入了解神经网络、卷积神经网络、循环神经网络等深度学习的基本概念和算法，并通过实践掌握深度学习框架的使用。

【2】、来自网友【智能情感里奥】的最佳回答：

针对这个问题，我的总体建议就是：

本着大处着眼小处着手的学习原则，顺藤摸瓜，展开学习。

不老在门口徘徊，一脚先进去，然后定位自己需要的知识点，进行聚焦学习。

首先比较下两者的区别

机器学习与深度学习有什么区别？

两者的关系是：人工智能 AI 包括机器学习，机器学习包括深度学习。

额外也提一下数据挖掘，大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。所以我们看到机器学习跟深度学习都是数据挖掘的方法。

什么是机器学习？

机器学习(Machine Learning，ML)是人工智能的子领域，也是人工智能的核心。机器学习是一门交叉学科，综合利用概率论知识，统计学知识，近似理论知识和复杂算法知识，模拟人类的思考解决问题的方式，达到充分利用计算机超强运算能力协助人类解决问题的目的。

什么是深度学习？

深度学习(DeepLearning，DL)属于机器学习的子类。是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向，使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。

机器学习与深度学习的比较

深度学习在搜索技术、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等待领域取得了很多成果。我们平常把深度学习跟机器学习混在一块的，这也没什么不妥。

1、检验算法的成熟度

机器学习，通过调整得到的算法一般是准确，并完全可控的，可以比较快得到高成熟度的算法。

一般来说，深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数，因此训练它们需要比平时更长的时间。所以深度学习的算法成熟度，跟不确定性，需要更长时间。

2、解决问题的过程

机器学习算法遵循标准程序以解决问题。计算过程是可以解释的、按流程进行的。

深度学习的数据处理过程则是黑盒子方式，需要通过不停的调整训练。

两者的基础概念相通的地方很多

最终如果掌握了深度学习，肯定也掌握了机器学习。学习的过程不一定是要求把所有机器学习模型通通掌握，而是理解一些基本概念，比如监督学习(supervised learning)，无监督学习(unsupervised leaning)，训练(training)，测试(testing)，泛化(generalization)等。这些概念都是通用的。

大处着眼小处着手的学习原则

如果要学习深度学习，网上有很多深入浅出的文章跟公开课可以学习快速有个总体概念。

了解需要的预备知识。不能始终在门口徘徊。可以先一脚进去看看，里面有什么。

如果入门了，就要开始聚焦一个专业细分领域了。

因为涉及的概念太多，要迅速搜集信息，让自己尽快定位到需要专注学习的细分方向上。

把不太懂的地方都展开学习，就可以顺藤摸瓜。

总之，要聚焦问题，让自己的学习更加高效，有针对性。

【3】、来自网友【IT 人刘俊明】的最佳回答：

这是一个很多同学都比较关心的问题，我从学习和科研两个方面来说说个人建议。

首先，从学习的角度来说，深度学习目前的学习门槛并不算高，是完全可以直接学习的，而且很多平台也都提供了深度学习的实验场景支持，所以深度学习对于初学者也越来越友好了。

学习计划一定要与发展规划相契合，对于计算机专业的同学来说，如果未来想在深度学习领域取得一定的成果，还是建议从经典的机器学习算法开始学习，构建起一个更完整的知识体系，同时还应该重点学习一下统计学相关知识。

机器学习当前已经形成了一个非常庞大的知识体系，在学习经典机器学习算法的过程中不仅能够掌握机器学习的步骤，同时也会了解更多基础概念，了解什么是有监督、无监督、半监督、自监督、强化学习等基本范式，这对于后续的学习和科研都会产生比较重要的影响。

我目前就在给研一的同学上机器学习这门课，虽然计算机专业的同学往往都具有一定的机器学习基础，但是很多同学在学习这门课的过程中依然会遇到很多问题，很多同学并不能顺利完成自己的课程 paper。

从科研的角度来说，如果想系统学习深度学习，同时想在深度学习领域做出一些成果，可以分成三个学习阶段，第一个阶段是奠定机器学习基础，第二个阶段是确定自己的主攻方向，第三个阶段是搭建创新场景。

对于基础薄弱的同学来说，建议从经典的机器学习算法入手，同步学习一下统计学基础知识，接下来学习深度学习框架，至少要具备复现能力，再接下来就可以读经典文献了，可以从综述开始读，理清深度学习的发展脉络。

学习初期看视频会更容易一些，但是看视频的学习效率是相对比较低的，而且需要耗费大量的时间，所以在具备了一定的基础之后，还是建议开始读文献，争取完成一篇自己的综述。

深度学习到中后期对于交流和实践场景的要求是比较高的，所以并不建议在脱离科研场景的情况下来长时间自学，一方面大概率会走很多弯路，另一方面也很难找到自己的着力点持续深入。

目前我联合多所国内外知名大学的导师和互联网大厂的企业导师，共同搭建了一个技术论坛，在持续开展科研实践和成果分享等活动，其中就包括深度学习相关的内容，感兴趣的同学可以联系我申请参与。

最后，如果有人工智能领域相关的问题，或者需要我的帮助，都欢迎与我交流。

【4】、来自网友【宁教授网络空间元宇宙】的最佳回答：

首先介绍机器学习和深度学习的概念：

机器学习(Machine Learning，ML)是一门交叉学科，综合利用概率论知识，统计学知识，近似理论知识和复杂算法知识，模拟人类的思考解决问题的方式，达到充分利用计算机超强运算能力协助人类解决问题的目的。

深度学习(DeepLearning，DL)是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向，使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。

深度学习是机器学习的子集，学会了深度学习就肯定学会了机器学习，具体来说应该是要任务驱动，看需求，机器学习覆盖的领域较大，深度学习可以提高精度，建议从机器学习入门，这样可以更好的理解深度学习。

【5】、来自网友【一抹雨田】的最佳回答：

没有必要，但是深度学习确实会用到一些传统机器学习的一些知识，比如概率论、导数、微积分等，确切的说两者都需要一定的数学知识。本人研究过一段时间的 NLP（自然语言处理），发现目前生产领域应用最多的可能还是机器学习算法，深度学习在 nlp 上的应用效果包括精准度等不如图像和视频，但是也不可否认 NLP 这几年的发展也很迅猛，比如 Google 的 Transformer 模型以及基于它上面的 BERT、GPT2 模型都展现出了惊人的效果。想学习就从现在开始，可以先从深度学习入手，以后会碰到机器学习算法，再触类旁通也是可以的。