必須要學，至少是當下必須要學。
首先，從大家最關心的就業角度來說，機器學習的崗位暫時還是遠多於深度學習的崗位。因為深度學習是最近3-5年火起來的，而面試你的人，大都在這之前就已經入行了，所以他們不一定很懂深度學習，但是必定學過機器學習。
因此，主流公司的演算法工程師的面試，深度學習可能不考，但是機器學習必考。這是繞不開的，因為面試官可能對深度學習不太了解，他們那個年代學的是機器學習，喜歡做公式推導。而且，現在工業界用的很多模型還是lr，fm，xgboost這些傳統模型，因為它們輕量級，更容易實現。所以，從找工作（演算法工程師）角度說，機器學習必不可缺。
其次，從學習角度來說，機器學習到深度學習是承上啟下的過程，就像小時候學習數學，從加法到乘法一樣，當然你也許會說，現在計算機都自動實現乘法（深度學習）了，沒必要學加法（機器學習）了，大錯特錯，計算機確實實現了，但是是有限制條件的（tensorflow，pytorch，python），並不是所有程式語言，所有平台都給你實現了。
那麼如果你不學加法（機器學習），就意味著你受制於人，很難隨心所欲地運用乘法（深度學習）。機器學習學的更多的是理念和思想（是什麼，為什麼），而深度學習學的更多的是實操（怎麼做），如果說你不了解背後的一些原理，就想直接實際操作，那麼必然是事倍功半。同樣，如果你想走學術道路，致力於深度學習研究（或者演算法研究員），那麼機器學習就更不可或缺了，因為現在看來深度學習發表過的「技巧」，無一不是從機器學習的方法演變而來。所以，從學習角度來說，你需要機器學習為你打下理論基礎。
最後，從未來前景來說，機器學習發展了幾十年，而深度學習只有幾年，深度學習也暫時還在機器學習的「門下」，別看現在深度學習和神經網路很火，就像最近的位元幣，特斯拉一樣。
當它們不火的時候，也是一瀉千里，而機器學習已經經歷了時間的考驗，有成熟的體系，像是老牌的科技公司（蘋果），雖然短期可能比不上新貴，但是歷久彌新，真正能夠屹立不倒。所以，從未來前景來說，機器學習更加穩定。
Micheal Nielsen s神經網路學習之二
依然是跟著michael nielsen的神經網路學習，基於前一篇的學習，已經大概明白了神經網路的基本結構和bp演算法，也能通過神經網路訓練數字識別功能，之後我試驗了一下使用神經網路訓練之前的文字分類，只是簡單的使用了詞頻來作為詞向量處理過程，沒有任何的其他調參過程，對於八分類，其正確率到了84 相...
Micheal Nielsen s神經網路學習之二
依然是跟著michael nielsen的神經網路學習，基於前一篇的學習，已經大概明白了神經網路的基本結構和bp演算法，也能通過神經網路訓練數字識別功能，之後我試驗了一下使用神經網路訓練之前的文字分類，只是簡單的使用了詞頻來作為詞向量處理過程，沒有任何的其他調參過程，對於八分類，其正確率到了84 相...
神經網路和深度學習 淺層神經網路
乙個淺層神經網路示意圖 如圖所示，表示乙個單隱層的網路結構。這裡主要需要注意的是，層與層之間引數矩陣的規格大小 隱藏層和輸出層之間 由上面我們可以總結出，在神經網路中，我們以相鄰兩層為觀測物件，前面一層作為輸入，後面一層作為輸出，兩層之間的w引數矩陣大小為 n out,nin b引數矩陣大小為 n ...