成功学会深度学习：不一定难
本文约1500字，阅读需要约5分钟；
本文所有推荐的数据，阅读完后，会有系统资料提供；
系统资料领取见文末；
关键词：人工智能，深度学习，学习建议，微专业
深度学习：不一定难
“非计算机专业能学会使用深度学习吗？”
“线性代数和概率统计快忘完了，英语也只是四级飘过，能学会使用深度学习吗？”
“甚至连最容易学的Python语言也不会，有机会吗？”
很巧，我在一年前也向别人问过类似的问题。
我的答案是：学会使用绝对没问题。毕竟不需要自己凭空创造嘛。
可以这么说吧，人工智能犹如造车运动，可以分为俩大阶段。
第一阶段为发动机的研发，轮子的研发......
（1）算法的研发：这个阶段有吴恩达，李飞飞，Geoffrey Hinton等传奇人物的卓越贡献
（2）工具的研发：这个阶段有谷歌等巨头的卓越贡献
第二阶段为各个部件的组装......
第一个阶段的工作虽然不简单，但是第二个阶段的工作却不难，一般情况下，对于小白，推荐的学习路线如下：
（1）掌握编程工具，推荐Python
（2）掌握一些基本的数学知识
（3）理解机器学习理论和算法
（4）掌握必要的深度学习框架，推荐Keras和Tensorflow
（5）了解行业最新动态和研究成果
这个阶段可以被第一个阶段赋能，所以不一定难。
非计算机专业可以转行使用深度学习吗
深度学习人才可以分为俩类，一类是创造深度学习算法的人才（创造型人才）；另一类是使用深度学习算法的人才（应用型人才）。
如果你是计划转行到第一类人才，除非你有很高的天赋，否则，选择成本太高；
如果你是计划转行到第二类人才，相对来说容易很多，由于我们并不创造轮子，所以易学。
值得关注的是，目前的AI（人工智能）正面临着在行业里落地的阶段，使用深度学习算法的应用型人才十分短缺。
此外，使用深度学习也有很多的应用场景，使用起来也不难，比如，阿里云，腾讯云，百度云，科大讯飞，商汤科技，矿视科技（排名不分先后）等等，都提供了实用，赋能的API工具，类似下图：
API方式使用深度学习（这种方式更简单）
可以怎么做，从而大大降低难度
对于一个完全0基础的小伙伴，类似之前的我，如果想要进入AI领域有4座大山需要去跨越：
（1）Python编程语言
（2）数学-理论基础
（3）算法-深度学习
（4）实践-应用场景
但是也不必过于担心，谷歌等巨头公司以及科学家正使得AI走向易学阶段，虽然也有困难，但并没有大多数人想象的那么困难。
(1) 编程语言这一大山，可以轻松的跨过
Python其实语言本身已经很接近自然语言了，所以入门其实并不麻烦。Python的特点是容易学，用一句话来形容就是“人生苦短,我用 Python”
Python的设计哲学是
优雅
明确
简单
非常关键的是Python的编程效率高，所以学习Python的过程中，能很快的学以致用，并在简单实践后用以致学。
(2)"掌握" 数学理论
数学理论，是将深度学习从会用到用好的过程。大多数情况下其实是纸老虎，“掌握”数学理论并不要求像大学考试一样用纸笔计算，而是只需要理解算法的设计“哲学”，弄清楚why即可，而不一定需要弄明白how。
事实上，大多数情况下即使不知道how.也可以达到很好的效果。
因为，how的部分已经在Tensorflow开源框架中实现了，"掌握" 数学理论是为了更灵活的用好Tensorflow等框架。
(3)理解算法-深度学习
掌握Python和数学理论之后，理解深度学习的原理就更加轻松了，深度学习是实现人工智能的重要算法，先从0到9的10分类开始，手写数字识别的“智能”能较快的激发你的兴趣，并会反过来使你“越学越有动力”。
可以通过手写数字识别的案例来深入探索，手写数字犹如深度学习小麻雀，但确实是五脏俱全，深入理解之后，其他的深度学习的变体也就更加容易理解并掌握了。这就可以形成良性的循环，前面学到的，理解到的，加速后面的数十个案例的理解并掌握。可以实践的案例虽多，但案例的前后顺序，也是可以循序渐进的。
(4)实践-应用场景
案例归案例，案例在大多数情况下并不会和实际的业务场景一样，仍需要做较多的调整才能在商业环境中产生价值。这就需要灵活理解案例，并知道可以做些什么调整，从而使得实践的效果，比案例的效果更好。
简单的说，我们在理解Tensorflow，Keras等API调用技巧之后，还需要灵活的结合业务，运用前辈总结下来的经典算法，并学会优化模型。这确实需要时间积累，但这意味着你早已经习会使用深度学习了。
数模堂-终身实践型陪练社区
