来源：https://www.zhihu.com/question/382278216

编辑：深度学习与计算机视觉

声明：仅做学术分享，侵删

作者：图灵的猫
https://www.zhihu.com/question/382278216/answer/1118151275

如果是为了做毕设，可以简单分为两种情况：

1.如果你做完毕设不从事相关工作，那么你甚至不需要深入深度学习领域，只需要简单了解深度神经网络的原理、机制和用法即可，最主要的是解决毕设里的问题

2.如果你做完毕设还要继续深造或者找相关工作，那么需要学的东西会非常非常多了，不是调包调参就完事的。如果是这种情况，你可以看看我之前的一个回答，机器学习该怎么入门？https://www.zhihu.com/question/20691338/answer/966275448

作者：辛俊波
https://www.zhihu.com/question/382278216/answer/1127012045

近几年面试了不少校招和实习生，深感深度学习之火，以至于很多学生只会各种nn网络，对基础的机器学习算法不屑于了解。在我看来，如果你真的想深入了解深度学习，就不可能不了解机器学习的很多算法基础，就说说过拟合

1.深度学习网络规模做大，免不了会遇到过拟合。说到过拟合欠拟合，都有什么手段解决？对于模型的方差和偏差分别怎么影响的？

2.正则化可以缓解过拟合，那我们来说说， l1正则和l2正则有什么区别？哦？除了了解网上经典的那张坐标解释，是否了解它们在贝叶斯先验上属于不同的分布？说到贝叶斯分布免不了要了解共轭先验，为什么要服从这种分布？还有哪些经典的共轭分布？

3.dropout也能解决过拟合，请问为什么能work？本质上就是一种bagging的思想。说到bagging，免不了就要知道boosting，这两者在降低模型方差偏差影响怎样？

4.说到dropout，免不了和batch normalization对比，后者是为了解决什么问题提出来的？对比数据白化，pca等其他方法有什么区别？还有哪些数据的normalization手段？

你看，一个过拟合的问题在深度学习的表现，看似都是深度的方法，背后涉及的原理全都是更加底层的机器学习基础。

作者：时间旅客
https://www.zhihu.com/question/382278216/answer/1127965161

不用都学习一遍，但基础的原理需要懂。

使用深度学习或机器学习解决具体任务需要三个步骤：数据处理 -> 设计模型 -> 优化

数据处理即将数据处理成模型需要的格式，这个具体的处理方法是和具体使用的模型相关的。例如文本分类，如果用机器学习中的LR、SVM模型，通常需要先使用tfidf、onehot等特征提取器把文本转化成特征，再使用具体的机器学习模型进行分类。如果用深度学习，则需要将文本转化成一串数字序列，无需提取特征。

设计模型即设计解决任务的模型，机器学习/深度学习的区别通常在这里。

优化即梯度下降法，具体优化器可以用sgd，adam等。这一部分知识是深度学习模型和大部分机器学习模型都要用到的，需要学习。

因此我建议你不用把机器学习“都”学习一遍，但需要简单学习一下和你想做的任务相关的几个机器学习模型，并且找一个项目弄明白流程，这对熟悉任务也有很大帮助。例如想要做文本分类任务，就学习一下LR和SVM，找个项目跑一下，贝叶斯、CRF等用不到的机器学习模型就可以先不学了。

如果是用seq2seq/transformer做机器翻译、文本摘要等更高级的任务，就更需要先明白一个分类任务的具体流程了。我大四的毕设就是对机器学习/深度学习都毫无了解，直接去网上扒了一个seq2seq做文本摘要的项目胡乱改一改，最终做是做出来了，但具体怎么做的一窍不通。这样的方法毫无意义，形成不了任何有效的成果，对自身成长也帮助甚少。

作者：精神抖擞王大鹏
https://www.zhihu.com/question/382278216/answer/1113309104

不需要，如果目的是毕设要用到，就直接开始吧，然后把相关的机器学习用到的补充下。

建议可以按照深度学习的顺序开始：线性回归神经网络->softmax回归神经网络->多层感知器->卷积->循环神经网络....

否则很容易陷入知识的循环：学深度学习需要提前把机器学习先学完，那么机器学习其中涉及到很多数学知识点，还需要把数学知识学一遍，而且机器学习中的svm中涉及到凸优化的内容，又去把凸优化再学一遍...等到这些都学完，你会发现毕设还没起手做。

建议直接上手《动手学深度》

作者：休柏
https://www.zhihu.com/question/382278216/answer/1102939791

深度学习虽然说是机器学习一个分支，但是自从Alexnet开始，深度学习越来越独立化。建议你把机器学习很基本的知识看一看就可以了，比如拟合，梯度，优化器，lr，损失函数等等这些。切记不要去推导公式，暂时来讲并没有意义。深度学习建议你在网上找实战演练视频，跟着走一遍基本的东西就懂了。在具体点的可以看我公众号，有写个入门干货。总之，加油，奥利给！

作者：uewo
https://www.zhihu.com/question/382278216/answer/1108151255

个人看法是需要，在有时间的前提下。

但是事实上我看见的大部分深度学习的课程大纲，包括那些所谓训练营和速成班的广告上分享的课程大纲，都涉及了深度学习所必要了解的机器学习的知识。放心，掌握了这些基本的知识，可以让你学习深度学习时不会迷茫。

这个问题其实可以不断地被问下去，学习深度学习时需要先学习机器学习吗？学习机器学习需要先学习统计数学吗？学习统计数学需要先补习一遍数学的知识吗？这种套娃问题会让人越来越迷茫，越来越对学习一个新知识没有信心。你要先做最重要的事，如果你在忙着thesis project，如果那东西需要深度学习，那你就马上动手吧。

但是但是，如果你有时间，甚至你就是研究深度学习的研究生/业者，我很难相信一个不掌握机器学习的人可以在这方面深挖下去。一个基础不好的人会很快原形毕露的。

作者：Thomas Hsu
https://www.zhihu.com/question/382278216/answer/1116498700

需要先学习一些机器学习背景，可以有助于你更好的理解深度学习。

建议学习顺序：周志华老师的《机器学习》绪论部分，模型评估部分，线性模型部分，神经网络部分。同时学习对应章节的sklearn代码，可以在GitHub上找到。之后学习b站上莫烦python的keras教程即可入门神经网络。

作者：追梦人 https://www.zhihu.com/question/382278216/answer/1126731157

需要核心子集就行。具体如下：

1.必备的是：模型拟合程度与正则，模型评估，参数调优，凸优化，一些特征工程的知识。

2.了解下机器学习图谱，每一类掌握下掌握具体一种算法即可。这或多或少对你了解深度学习有帮助。

3.不管学啥，多实践，建议新手用pytorch。

作者：Mr陈
https://www.zhihu.com/question/382278216/answer/1136279117

如果做应用，可能不需要太深入，简单了解基本算法开发流程和一些常见问题即可，如过拟合、欠拟合、数据不均衡…

如果是搞研究的，那自然是多多益善，对更多算法有深入理解，对自己做更深入的研究自然是有好处的，算法思想都是相通，可借鉴迁移。

小弟盐多怕湿，各位大佬觉得我哪里说得不好，轻喷轻喷。

作者：张少春

https://www.zhihu.com/question/382278216/answer/1113113993

从写论文角度，没必要重新看。可以找一些文章，大概了解一下普通的机器学习（或者叫浅层学习）与深度学习的特点。比如两种模型各自的优缺点及适用场景来加强对深度模型的理解。这个过程也是从各种角度加深对”深度“学习的理解，同时也会增加你的自信。

作者：Lyon
https://www.zhihu.com/question/382278216/answer/1110217555

如果是从想入行的角度，是有必要的，深度学习是机器学习里的子集；先从宏观了解和学习机器学习，然后再深入到深度学习里是比较合适的；如果仅仅为了完成一个毕设的课题，那可以不学，因为简单的深度学习主要就是围绕神经网络和卷积神经网络等，并没有涉及到(系统的)机器学习。

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文（无广告）。

↓扫描二维码添加小编↓