学习深度学习是否要先学习机器学习?

由网友 变36 提供的答案：

学习方法不同答案就不同

如果你喜欢学会后教人,那需要知道两者的差异

如果你喜欢研究原理,那需要买书看

如果你只是现场开工运行,只需要看安装说明

如果你是垂直学习,针对一个项目的每个关键点,刨根问底就行

我学的都不是,买来板子,只看readme,然后百度

由网友 智能情感里奥 提供的答案：

针对这个问题,我的总体建议就是：

本着大处着眼小处着手的学习原则,顺藤摸瓜,展开学习。

不老在门口徘徊,一脚先进去,然后定位自己需要的知识点,进行聚焦学习。

首先比较下两者的区别

机器学习与深度学习有什么区别？

两者的关系是：人工智能AI包括机器学习,机器学习包括深度学习。

额外也提一下数据挖掘,大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。所以我们看到机器学习跟深度学习都是数据挖掘的方法。

什么是机器学习？

机器学习(Machine Learning,ML)是人工智能的子领域,也是人工智能的核心。机器学习是一门交叉学科,综合利用概率论知识,统计学知识,近似理论知识和复杂算法知识,模拟人类的思考解决问题的方式,达到充分利用计算机超强运算能力协助人类解决问题的目的。

什么是深度学习？

深度学习(DeepLearning,DL)属于机器学习的子类。是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向,使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。

机器学习与深度学习的比较

深度学习在搜索技术、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等待领域取得了很多成果。我们平常把深度学习跟机器学习混在一块的,这也没什么不妥。

1、检验算法的成熟度

机器学习,通过调整得到的算法一般是准确,并完全可控的,可以比较快得到高成熟度的算法。

一般来说,深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数,因此训练它们需要比平时更长的时间。所以深度学习的算法成熟度,跟不确定性,需要更长时间。

2、解决问题的过程

机器学习算法遵循标准程序以解决问题。计算过程是可以解释的、按流程进行的。

深度学习的数据处理过程则是黑盒子方式,需要通过不停的调整训练。

两者的基础概念相通的地方很多

最终如果掌握了深度学习,肯定也掌握了机器学习。学习的过程不一定是要求把所有机器学习模型通通掌握,而是理解一些基本概念,比如监督学习(supervised learning),无监督学习(unsupervised leaning),训练(training),测试(testing),泛化(generalization)等。这些概念都是通用的。

大处着眼小处着手的学习原则

如果要学习深度学习,网上有很多深入浅出的文章跟公开课可以学习快速有个总体概念。

了解需要的预备知识。不能始终在门口徘徊。可以先一脚进去看看,里面有什么。

如果入门了,就要开始聚焦一个专业细分领域了。

因为涉及的概念太多,要迅速搜集信息,让自己尽快定位到需要专注学习的细分方向上。

把不太懂的地方都展开学习,就可以顺藤摸瓜。

总之,要聚焦问题,让自己的学习更加高效,有针对性。

由网友 宁教授网络空间元宇宙 提供的答案：

首先介绍机器学习和深度学习的概念：

机器学习(Machine Learning,ML)是一门交叉学科,综合利用概率论知识,统计学知识,近似理论知识和复杂算法知识,模拟人类的思考解决问题的方式,达到充分利用计算机超强运算能力协助人类解决问题的目的。

深度学习(DeepLearning,DL)是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向,使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。

深度学习是机器学习的子集,学会了深度学习就肯定学会了机器学习,具体来说应该是要任务驱动,看需求,机器学习覆盖的领域较大,深度学习可以提高精度,建议从机器学习入门,这样可以更好的理解深度学习。

由网友 Inspiration 提供的答案：

在学习深度学习之前,通常建议先学习机器学习的基础知识,因为深度学习是机器学习的一个分支,建立在机器学习的基础之上。机器学习的基础包括线性代数、概率论、统计学、优化理论等数学知识,以及分类、回归、聚类等常见机器学习算法的理论和实践。

如果你已经熟悉了机器学习的基础知识,那么可以直接学习深度学习,深入了解神经网络、卷积神经网络、循环神经网络等深度学习的基本概念和算法,并通过实践掌握深度学习框架的使用。

由网友 一抹雨田 提供的答案：

没有必要,但是深度学习确实会用到一些传统机器学习的一些知识,比如概率论、导数、微积分等,确切的说两者都需要一定的数学知识。本人研究过一段时间的NLP（自然语言处理）,发现目前生产领域应用最多的可能还是机器学习算法,深度学习在nlp上的应用效果包括精准度等不如图像和视频,但是也不可否认NLP这几年的发展也很迅猛,比如Google的Transformer模型以及基于它上面的BERT、GPT2模型都展现出了惊人的效果。想学习就从现在开始,可以先从深度学习入手,以后会碰到机器学习算法,再触类旁通也是可以的。

由网友 AI机器与视觉 提供的答案：

学习深度学习是否需要先学习机器学习,这个问题有点像是"是否需要先学习骑自行车才能学习驾驶汽车？"答案是：最好是这样,但并不是绝对必须。

1、基础知识：机器学习提供了大量用于解释和理解数据的基础概念（如分类、回归、聚类等）。如果你先了解了这些,再进入深度学习（一种特殊类型的机器学习）会更容易。

2、成熟度和应用范围：机器学习涵盖的范围更广,一些简单的问题可能并不需要复杂的深度学习模型。了解哪种方法更适用于特定类型的问题是很有用的。

3、计算需求：深度学习通常需要更高的计算资源。对于没有高性能硬件的初学者来说,机器学习可能是一个更实用的起点。

想象一下,机器学习是一座庞大的购物中心,而深度学习则是这个购物中心里最繁华、最高端的一家专卖店。你当然可以直接去专卖店,但如果你先不逛逛整个购物中心,你可能会错过很多好东西。

从哲学的角度来看,机器学习是一种探究"可能性"的实践,而深度学习更多地是探究"必然性"的实践。换句话说,机器学习提供了多种方法和路径,而深度学习则是其中一条特定但非常强大的路径。知识的追求总是多元的,而"先机器学习,后深度学习"的路径则是一种从一般到特殊,从可能性到必然性的哲学思考方式。

虽然机器学习为深度学习提供了良好的基础,但并不意味着不能反其道而行之。有时候,直接跳入深度学习的海洋也可能带来一种全新的启示,就像有些人直接从高级数学开始,反而更容易理解基础数学。

1、学习机器学习为深入深度学习提供了坚实的基础,但并非绝对必须。

2、根据你的具体需求和资源来决定学习路径。

3、不管选择哪条路径,重要的是持续地实践和思考。

由网友 科技要述 提供的答案：

我们先来搞清楚机器学习和深度学习的概念。

机器学习是AI的一个子领域,它通过算法将AI概念应用于计算系统。计算机识别数据模式并根据数据模式采取行动,随着时间的推移学习提高其准确性而无需明确的编程。机器学习的背后是预测编码,聚类和视觉热图等分析方法。我们打开某宝、某东时的购物推荐就是机器学习的一个应用。

深度学习是机器学习的子领域,是人工神经网络的另一个名字。深度学习网络模仿人类大脑感知与组织的方式,根据数据输入做出决策。AlphaGo就是我们最耳熟能详的深度学习的应用。

简而言之,机器学习是人工智能的一部分,深度学习是机器学习的一部分,这就是三者的关系。

那么学习深度学习前是否先要学习机器学习呢？

刚才说了,深度学习是机器学习的一部分,它们的关系就像「扳手」和「整套工具」 的关系。因此,如果你想搞个应用,你更应该先学机器学习,了解一下整套工具。而是否要学习深度学习（扳手）要仔细考虑考虑——毕竟,深度学习是一个在发展中的技术,并且用花掉你大把的钱！（买显卡、加速棒之类的东东……）

由网友 泡泡研究笔记 提供的答案：

深度学习是机器学习的一个分支,因此学习深度学习之前最好先学习机器学习的基础知识和理论。机器学习涉及到很多数学和统计学的知识,如线性代数、概率论和统计推断等。掌握这些基础知识可以帮助理解深度学习的原理和算法。同时,学习机器学习还可以帮助了解不同类型的机器学习算法,如监督学习、无监督学习和强化学习等,这些算法在深度学习中也有广泛的应用。因此,建议先学习机器学习,再深入学习深度学习。

学习机器学习需要一定的数学和编程基础。以下是一个较为详细的机器学习学习路线：

1. 学习Python编程语言和相关的科学计算库,如NumPy、Pandas和Matplotlib等。
2. 学习线性代数、概率论和统计学的基础知识,这些是机器学习的核心基础。
3. 学习监督学习、无监督学习和强化学习等不同类型的机器学习算法,理解它们的原理和应用场景。
4. 学习常用的机器学习算法,如线性回归、逻辑回归、决策树、支持向量机、聚类等。
5. 学习深度学习的基础知识,包括神经网络的原理、反向传播算法、卷积神经网络、循环神经网络等。
6. 学习深度学习框架,如TensorFlow、PyTorch等,了解如何使用这些框架来构建和训练神经网络模型。
7. 学习如何评估和优化机器学习模型的性能,如交叉验证、超参数调整等。
8. 学习如何应用机器学习算法解决实际问题,如图像识别、自然语言处理、推荐系统等。

由网友 乐感日记 提供的答案：

机器学习到深度学习——升级版打怪

如果说机器学习是初版的升级打怪,那么深度学习无疑是进阶版的升级打怪。

给算法喂进去一批数据进行训练,对机器学习来说,这批数据就像一个人,它可能就通过判断它头发长、头发短、骨骼是否粗壮、是否有胡须等外在特点就判断出这个人是男还是女。

会出现有的男孩子留长头发,但有的女孩子会留短头发,如果只通过单一特征判断的话,在

划分时就会有较大的误判性,这就是机器学习只有一层学习网络可能存在的偏差。

而深度学习是多层网络,即它在得到单纯的输入特征后,会再有其它层,进行特征组合提取信息,就比如它会头发长短和是否有胡须组成新一层的网络特征,从而来进行判断。

所以简单理解两者的差异就是一个提取初级特征,一个不光提取初级特征,还会进一步提取加工级特征。

在具体使用过程中,复杂的深度学习不一定会绝对比机器学习效果好,对于易于识别的特征,可能机器学习发挥的效果更佳。所以在实践中,可以从机器学习入手,效果不佳,再进一步尝试深度学习算法优化。

由网友 冷松 提供的答案：

是的,学习深度学习前最好先掌握机器学习。因为深度学习本质上就是一种机器学习算法,在理解和应用深度神经网络之前需要对传统的监督式、非监督式等各类常见机器学习算法有所了解,并且能够使用Python或其他编程语言进行实现和调试。这样才能更加高效地进入到深层次的模型设计与优化中去,从而在人工智能领域取得更多突破性成果。