【討論】學習深度學習是否要先學習機器學習？
↑↑↑點擊上方藍字，回復資料，10個G的驚喜
有同學問：最近做畢設要做一個神經網絡的課題，想請教一下各位我需不需要把機器學習也都學習一遍？
看看過來人怎么回答？有同意也有反對的，都有一定道理。
歡迎大家留言討論。
回答一
作者：莫笑傅立葉
鏈接：https://www.zhihu.com/question/382278216/answer/1117203012
寫在最前面：強烈推薦邱錫鵬老師的神經網絡與深度學習，閱讀起來極其流暢，收獲頗多。
若做一個調包俠，只需要調包就完了，只需要知道輸入輸出就完了，那么一切從簡，順利完成畢設。
那么學習流程就是這樣
python
keras
做圖像 只會cnn就完了 from Keras.layers import Conv2D
做自然語言處理 只會LSTM 全連接就完了 from Keras.layers import LSTM, Dense。當然別忘了加個bert。bert是啥也不用太關注，只需要會keras_bert的模型建立就完事了
以上都不需要其他額外知識
判斷模型好不好純靠莽
若是從原理級別進行調整，需要直接改模型源碼的
那么，統(tǒng)計學習方法 西瓜書 深度學習圣經 各種paper %%￥#@&&%￥￥%&&**等等等等都這時候了，我看還是選擇第一個吧..一點不妨礙做完畢設，只不過只能做些應用型的項目罷了
若選擇第一種，你就是面試官眼中高贊回答的樣子以上
回答二
作者：辛俊波
鏈接：https://www.zhihu.com/question/382278216/answer/1127012045
近幾年面試了不少校招和實習生，深感深度學習之火，以至于很多學生只會各種nn網絡，對基礎的機器學習算法不屑于了解。在我看來，如果你真的想深入了解深度學習，就不可能不了解機器學習的很多算法基礎，就說說過擬合
深度學習網絡規(guī)模做大，免不了會遇到過擬合。說到過擬合欠擬合，都有什么手段解決？對于模型的方差和偏差分別怎么影響的？
正則化可以緩解過擬合，那我們來說說， l1正則和l2正則有什么區(qū)別？哦？除了了解網上經典的那張坐標解釋，是否了解它們在貝葉斯先驗上屬于不同的分布？說到貝葉斯分布免不了要了解共軛先驗，為什么要服從這種分布？還有哪些經典的共軛分布？
dropout也能解決過擬合，請問為什么能work？本質上就是一種bagging的思想。說到bagging，免不了就要知道boosting，這兩者在降低模型方差偏差影響怎樣？
說到dropout，免不了和batch normalization對比，后者是為了解決什么問題提出來的？對比數據白化，pca等其他方法有什么區(qū)別？還有哪些數據的normalization手段？
你看，一個過擬合的問題在深度學習的表現，看似都是深度的方法，背后涉及的原理全都是更加底層的機器學習基礎。
回答三
作者：取栗
鏈接：https://www.zhihu.com/question/382278216/answer/1384748071
作為一個在數學系學統(tǒng)計做過機器學習，工作后搞深度學習的人，我可以很負責任的告訴你，不需要
理論上來說，深度學習確實是機器學習的一部分。
十年前，深度學習其實還叫 ANN，是存活在機器學習里的一小部分（別噴，我知道現在主流是 CNN，跟ANN不同）。
但是實際上，深度學習是一個用計算機算力暴力求解問題的函數逼近器，跟從傳統(tǒng)統(tǒng)計學習中脫胎而出的機器學習本質有很大區(qū)別，所以就算你從機器學習開始學起，然后再使用深度學習。很快你就會發(fā)現，兩個東西完全不一樣。
打個不恰當的比喻，前者是有嚴格數理推導的，比較nerd；后者則是暴力求解的代表，過后才試圖用統(tǒng)計學知識和概念去解釋，比較geek。所以如果只是使用深度學習完成一項工作的話，不要說掌握機器學習了，其實你只需要稍微了解一下深度學習就可以了，現在API調用十分無腦，配合pytorch這種pythonic的工具，可以說你只需要會點python，數據準備好，github找個項目拉下來一跑，齊活。
回答四
作者：周巖
鏈接：https://www.zhihu.com/question/382278216/answer/1192684168
最基礎的東西還是要了解，機器學習本身就涉及到統(tǒng)計和優(yōu)化的知識，是一門交叉學科。
不了解這些你不會明白那些模型是做什么的，也無法理解數據是如何用的。最起碼要了解最基礎的最小二乘，邏輯回歸，貝葉斯，PCA這些。深度學習在機器學習的基礎模型上又有了很多擴展，需要更強的編程知識。
編者回答
作者：黃海廣
如果是單純做本科生畢業(yè)設計的話，可以直接從深度學習入手，本科階段對畢設的要求并不高，只要符合學術規(guī)范，不存在抄襲，模型能work即可。
作為老師，對本科階段的畢設要求就是這些。
但是，如果想進一步提高的話，還是得學習下機器學習的基本原理。
最低要求掌握的機器學習知識是：
機器學習算法的類型：如監(jiān)督學習（分類、回歸）、無監(jiān)督學習（聚類、降維等）等基礎知識。
基礎算法：線性回歸、邏輯回歸、PCA、K-means
機器學習技巧：模型擬合程度與正則，模型評估，特征工程等
編程技巧：先會Python的基本操作，然后看懂一些基本的機器學習算法的Numpy的實現，這時候才可以開始學PyTorch。
過了本科階段，就不能做一個調包俠了，基礎知識決定水平的上限。
也可以加一下老胡的微信 圍觀朋友圈~~~
推薦閱讀
（點擊標題可跳轉閱讀）
老鐵，三連支持一下，好嗎？↓↓↓