本方法适合在校学生学习，急于工作和使用的可以跳过了
进入正题：
当你需要学习一个新领域知识的时候，你想怎么学？买一本教材看？看官方文档？看博客？还是直接培训？直接看书是不是感觉超级难，看的想睡觉，看论文也差不多吧，看博客始终没有总体轮廓，很乱，时间长了会使你的学习兴趣下降。还有好多人学习机器学习和深度学习有个错误，刚开始学习就去啃DNN和CNN，然后吃了灰，然后说太难了，其实只要线性代数和概率论基础扎实，有点微积分的基础，理解一下梯度，这些数学基础就够了，剩下的就是去学习各种统计学知识，很多处理数据的方法，掌握方法的原理，使用场合后，再去学习机器学习，会发现这不都是数据挖掘中的常用思路吗？不一样的算是神经网路的学习函数了，也不难就那几种核心机器学习思路，例如基于梯度的，基于动力学的，新一点的基于卷积，循环的！回过头来看看，ML和DL的难点还是数据分析，模型建立，以及什么的场合用什么样的模型！想达到这一步，需要对数据具有很深的理解，说白了，要深入理解数据处理的各种方法，他们的区别，使用场合，参数的设置，别被神经网络的外表所迷惑，剥开来看看，数据基础的很重要。下面谈谈本人的学习方法和步骤：
如果你没接触这个领域，建议到网上找个质量好点的视频，看一遍，不需要立马学会，只需理解重要点即可，看视频的目的不是通过视频掌握它，而是通过视频对这个领域有总体的概念，知道这个领域需要哪些基础知识，根据自身的基础，理解能力，学习能力制定一个适合自己的学习计划，任何事都不可能一蹴而就的，需要我们在学习的过程中反复思考和理解。当你把视频看一遍以后（不是走马观花的看，需要你理解到精髓，如线性回归中出现共线性会表现出哪些特点，如何解决？贝叶斯信念网络的优点在哪？支持向量机能处理哪些问题？难点又在哪？。。。后面就是深度学习方面的，了解一下神经网络的发展史，明白各个时期遇到的瓶颈和困难，人们如何解决的？为什么深度学习那么火，他解决了什么问题？自身又有什么问题？。。。当然看视频不理解的可以查资料，看博客辅助理解，但是你会感觉始终没有成体系，这个时候说明视频的作用起到了，就可以进行下一阶段学习了），你就对机器学习和深度学习有个整体的认识，同时也知道自己的薄弱点在哪了？这个时候就可以找几本优秀的书籍看了，同时补一下自己薄弱的基础例如概率论、矩阵论、高数等，这时候你在看书你会发现好简单，同时你在看书的同时会理解的更深入，这个时候的深入不在是毫无体系的深入，而是你对这个领域有了整体的认识以后深入，很多知识都会在你脑海里串起来，知识之间的联系都会建立，这个时候你的学习效率，理解深度都会有很大的提升，当你有整体认识以后，学习对你来说就不在是很困难的事了。等你把书籍看的差不多的时候，每个算法的优缺点你都很熟悉。那么以后遇到问题你也就知道如何解决了。理论学完以后就是应用了，毕竟公司是要我们干活的，现在的框架很成熟，TensorFlow，caffe等框架学习一下，不难的，学习一下实现语言python、C++等，看官方文档学习会很快。把以前学习的算法实现一遍就可以工作了。所以当你把基础理解透了，你会发现那些高大上的算法都不难，找到适合自己的学习方法，提高自己的学习能力和学习效率才是关键，当你具备这些时，知识对你来说只是时间问题和使用的问题。
因为是第一次写博客，有点乱，大家多包涵吧，后面会不停的更新
我现在属于第二阶段了，第一阶段过了以后基本上上面写的都是我思考的，现在我在看书，继续深入进去，同时我学习深度学习时，使用TensorFlow实现了一下。打算三个月吧基本经典的书籍看一遍，然后系统学习一下python和C++,然后进入实际项目练习，，，第一次写，有什么不对的请大家指出来，后面我会不停的更新
原文链接：https://blog.csdn.net/weixin_42398658/article/details/80592706