把大象关进冰箱需要三步，学习机器学习还要难一些，要四步才行：

Step 1: 学习机器学习基础

(可选，但强烈推荐)

• 开始于 Andrew Ng 的机器学习 机器学习 - 斯坦福大学。他的课程介绍了目前各种机器学习算法，更重要的是机器学习的一般程序和方法，包括数据预处理，超参数调优等。

• 同时推荐阅读由 Geoff Hinton，Yoshua Bengio 和 Yann LeCun 提供的NIPS 2015 深度学习教程，其中介绍略少一些。

Step 2: 深入学习

个人的学习偏好是观看演讲视频，并有几个优秀的课程在线。 这里有几个特别喜欢的课程，可以推荐：

• Deep learning at Oxford 2015 由 Nando de Freitas 教授解释基础知识，不会过于简单。 如果您已经熟悉神经网络并希望深入，请从第 9 讲开始。 他在他的例子中使用 Torch framework。 (Videos on Youtube)
• Neural Networks for Machine Learning Geoffrey Hinton 在 Coursera 上的课程。Hinton 是一位优秀的研究人员，他们展示了广义向传播算法的使用，对深度学习的发展至关重要。
• Neural Networks Class by Hugo Larochelle: 另一个优秀的课程

如果你更喜欢的是书籍，这里有一些优秀的资源。 去查看一下，我不做判断。

• Neural Networks and Deep Learning Book by Michael Nielsen ’ s：在线学习书，并有几个交互式 Javascript 元素可以玩。
• Deep Learning Book by Ian Goodfellow, Yoshua Bengio 和 Aaron Courville：比较密集，但莫非不是一个很好的资源

Step 3: 选择一个区域并进一步深入

确定自己继续深入学习的热情。 这个领域是巨大的，所以这个列表绝对不是一个全面的列表。

• 计算机视觉 : 深入学习已经改变了这一领域。 斯坦福大学的 CS231N 课程由 Andrej Karpathy 的课程是我遇到的最好的课程; CS231n 卷积神经网络视觉识别。 它向您介绍了基础知识以及 covnets，以及帮助您在 AWS 中设置 GPU 实例。 另请参阅 Mostafa S. Ibrahim 的“计算机视觉入门”
• **自然语言处理 (NLP)**：用于机器翻译，问答，情绪分析。 要掌握这一领域，需要深入了解这两种算法和自然语言的基础计算属性。CS 224N / Ling 284 by Christopher Manning 是一个很棒的课程。CS224d：自然语言处理的深度学习，另一个斯坦福大学的学者 David Socher （ MetaMind 的创始人）也是一个很好的课程，可以解决与 NLP 相关的所有最新的深入学习研究。 有关详细信息，[请参阅如何学习自然语言处理]( https://www.quora.com/How-do-I-learn-Natur