首先，我想聊聊為何深度學習最近這麼火。
外行所見的是2023年alphago 4比1 戰勝李世石，掀起了一波ai熱潮，deepmind背後所用的深度學習一時間火得不得了。其實在內行看來，alphago對陣李世石的結果是毫無懸念的，真正的突破在幾年前就發生了。
2023年，gefferey hinton的學生alex使用乙個特別構造的深度神經網路（後來就叫alexnet），在影象識別的專業比賽imagenet中，得到了遠超之前最好成績的結果，那個時候，整個人工智慧領域就已經明白，深度學習的革命已經到來了。
果然，之後深度學習在包括語音識別，影象理解，機器翻譯等傳統的人工智慧領域都超越了原先各自領域效果最好的方法。從2023年起，工業界內一些嗅覺靈敏的人士也意識到，一場革命或已到來。
機器學習與深度學習
深度學習是機器學習中的一種技術，機器學習包含深度學習。機器學習還包含其他非深度學習的技術，比如支援向量機，決策樹，隨機森林，以及關於「學習」的一些基本理論，比如，同樣都能描述已知資料的兩個不同模型，引數更少的那個對未知資料的**能力更好（奧卡姆剃刀原理）。
深度學習是一類特定的機器學習技術，主要是深度神經網路學習，在之前經典的多層神經網路的基礎上，將網路的層數加深，並輔以更複雜的結構，在有極大量的資料用於訓練的情況下，在很多領域得到了比其他方法更好的結果。
機器學習與大資料
大資料：機器學習的基礎，但在多數語境下，更側重於統計學習方法。
機器學習，深度學習，資料探勘，大資料的關係可以用下圖表示
深度學習火起來之後，網上關於深度學習的資料很多。但是其質量參差不齊。我從2023年開始就關注深度學習，見證了它從乙個小圈子的領先技術到乙個大眾所追捧的熱門技術的過程，也看了很多資料。我認為乙個高質量的學習資料可以幫助你真正的理解深度學習的本質，並且更好地掌握這項技術，用於實踐。
加州理工的yaser abu-mostafa教授出品的機器學習網路課程，非常系統地講解了機器學習背後的原理，以及主要的技術。講解非常深入淺出，讓你不光理解機器學習有哪些技術，還能理解它們背後的思想，為什麼要提出這項技術，機器學習的一些通用性問題的解決方法（比如用正則化方法解決過擬合）。強烈推薦。
課程名稱：machine learning course - cs 156
深度學習最重要的研究者。也是他和另外幾個人（yann lecun，yoshua bengio等）在神經網路被人工智慧業界打入冷宮，進入低谷期的時候仍然不放棄研究，最終取得突破，才有了現在的深度學習熱潮。
他在coursera上有一門深度學習的課程，其權威性自不待言，但是課程製作的質量以及易於理解的程度，實際上比不上前面yaser mostafa的。當然，因為其實力，課程的乾貨還是非常多的。
google工程師出品的乙個偏重實踐的深度學習課程。講解非常簡明扼要，並且注重和實踐相結合。推薦。
《deep learning the book》 —— 這本書是前面提到的大牛yoshua begio的博士生goodfellow寫的。goodfellow是生成式對抗網路的提出者，生成式對抗網路被yann lecun認為是近年最激動人心的深度學習技術想法。這本書比較系統，專業，偏重理論，兼顧實踐，是系統學習深度學習不可多得的好教材。
英文版：
目前github上已經有人翻譯出了中文版：
不同的人有不同的需求，有些人希望掌握好理論基礎，然後進行實踐，有些人希望能夠快速上手，馬上做點東西，有些人希望理論與實踐兼顧。下面推薦幾條學習路徑，照顧到不同的需求。大家可以根據自己的特點進行選擇。
hard way
yaser -> geoffrey hinton -> udacity -> good fellow
特點：理論紮實，步步為營。最完整的學習路徑，也是最「難」的。
推薦指數： 4星
good way
yaser -> udacity -> 小象學院 -> good fellow
特點：理論紮實，緊跟潮流，兼顧實戰，最後系統梳理。比較平衡的學習路徑。
推薦指數： 5星
如何訓練AI
如何訓練ai讓其更加智慧型，而不是用特定的 控制ai邏輯！首先應該為機械人設定幾個必要資訊 目標規則 能力目標，規定機械人要做到什麼。規則，規定機械人的限制，不能做什麼。能力，規定機械人的功能，能做什麼。依據計算機的高效能，可以讓機械人根據規則組合各種能力，達到目標。在過程中會產生很多分支，應該有人...
AI開發 深度學習如何選擇GPU？
機器推理在深度學習的影響下，準確性越來越高 速度越來越快。深度學習對人工智慧行業發展的貢獻巨大，這得益於現階段硬體計算能力的提公升 網際網路海量訓練資料的出現。本篇文章主要介紹深度學習過程中如何選擇合適的gpu顯示卡，如果你是深度學習新手，希望這篇文章對你有幫助。推理用到的硬體分兩種，一種是專業ai...
如何在AI時代學習任何東西
我們現在正在退出乙個長期的技能專業化時代，即使不是同乙個工作，工作人員也可以在同一領域從事整個職業。現在，在執行專門化和重複性任務時，機器比我們更好。但是，儘管機器智慧型可能會取代許多任務作中的工人，但一些專家，如杜克大學神經工程中心的共同創始人公尺格爾尼科利斯說，沒有任何工程能夠轉殖人腦的能力。意...