深度学习的四个学习阶段！-技术圈

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

Datawhale干货

来源：Coggle数据科学

机器学习领域是巨大的，为了学习不迷路，可以从以下列表帮助学习。它概述深度学习的一些学习细节。

阶段1：入门级

入门级能够掌握以下技能：

在入门级使用的数据集很小，可以放入主内存中。只需几行代码即可应用此类操作。在此阶段数据包括Audio、Image、Time-series和Text等类型。

在深入研究深度学习之前，学习基本机器学习技术是一个不错的选择，其包括回归、聚类、SVM和树模型。

掌握常见的网络层，以及相应的神经网络；GAN、AE、VAE、DNN、CNN、RNN 等等。在入门阶段，可以优先掌握DNN、CNN和RNN。

没有神经网络就没有深度学习，没有（数学）理论就没有神经网络。可以通过了解数学符号来开始学习，可以从矩阵、线性代数和概率论开始你的学习。

进阶和入门级之间没有真正的分界，进阶水平能够处理更大的数据集，能够使用高级网络处理自定义项模型：

能够处理几GB的数据集，需要自定义数据扩增方法和数据处理函数。

能够根据具体任务完成代码的开发，而不是参考MNIST的教程完成编码。

处理自定义项目时，如何处理数据数据？如何定义自己的网络层？

掌握迁移学习的思路，学会使用预训练权重完成新任务。并掌握冻结部分网络层的方法。

掌握深度学习模型的正向传播和反向传播，特别是链式求导法则。掌握激活函数和目标函数的作用，能够选择合适的激活函数和目标函数。

与进阶相比你需要掌握更加的数据集处理方法，并掌握加速模型训练的方法：

需要掌握几百GB数据集的处理，学会Linux的操作。此阶段可能接触到多模态任务。

开始尝试无监督网络模型的搭建，如自编码器和GAN模型，能够掌握模型原理。

掌握模型调参的方法和常见的日志和可视化工具，如TensorBoard的使用。掌握学习率的调节方法，如余弦退火。掌握多机和混合精度训练。

掌握前沿的学术模型的发展，知道自己的兴趣是什么，并能提出新的模型：

本文在原文基础上进行了精简，原文链接：https://towardsdatascience.com/a-guide-to-the-field-of-deep-learning-9bb9b21dae2

整理不易，点赞三连↓