簡單來說，學習路線是這樣的:先學習編程、數學和深度學習知識，然後練習編碼，有機會的話參加數據科學競賽，多做項目來練習實踐能力。
眾所周知，深度學習是壹個理論算法和計算機工程技術緊密結合的領域。零基礎小白想發展成深度學習需要掌握哪些數學知識？
首先是線性代數。在神經網絡中，大量的計算都是矩陣乘法，這就需要線性代數的知識。內積運算也被用來計算向量的余弦相似度，矩陣的各種分解方法也出現在主成分分析和奇異值分解中
其次是概率論和統計學。廣義來說，機器學習的核心是統計推斷。機器學習的很多巨頭都是統計大師，比如邁克爾·喬丹、楊樂昆、辛頓等。此外，貝葉斯公式和隱馬爾可夫模型也廣泛應用於機器學習。
再壹次，微積分。這是機器學習中的核心知識之壹。在梯度下降法中計算梯度或推導反向傳播中的誤差傳遞都需要微積分。
我們知道深度學習是壹個理論算法和計算機工程技術緊密結合的領域。它需要紮實的理論基礎來幫妳分析數據，還需要工程能力來開發模型和部署服務。所以，只有把編程技能、機器學習知識和數學壹起開發，才能取得更好的效果。
根據我們的學習經驗，從壹個數據源出發——即使是使用多年的最傳統的機器學習算法，也要先完成機器學習的整個工作流程，不斷嘗試各種算法，深入挖掘這些數據的價值，吃透應用過程中的數據、特征和算法，真正積累項目經驗，才能更快更可靠地掌握深度學習技術。