【讨论】学习深度学习是否要先学习机器学习？
有同学问：最近做毕设要做一个神经网络的课题，想请教一下各位我需不需要把机器学习也都学习一遍？
看看过来人怎么回答？有同意也有反对的，都有一定道理。
欢迎大家留言讨论。
回答一
作者：莫笑傅立叶
链接：https://www.zhihu.com/question/382278216/answer/1117203012
写在最前面：强烈推荐邱锡鹏老师的神经网络与深度学习，阅读起来极其流畅，收获颇多。
若做一个调包侠，只需要调包就完了，只需要知道输入输出就完了，那么一切从简，顺利完成毕设。
那么学习流程就是这样
python
keras
做图像 只会cnn就完了 from Keras.layers import Conv2D
做自然语言处理 只会LSTM 全连接就完了 from Keras.layers import LSTM, Dense。当然别忘了加个bert。bert是啥也不用太关注，只需要会keras_bert的模型建立就完事了
以上都不需要其他额外知识
判断模型好不好纯靠莽
若是从原理级别进行调整，需要直接改模型源码的
那么，统计学习方法 西瓜书 深度学习圣经 各种paper %%¥#@&&%¥¥%&&**等等等等都这时候了，我看还是选择第一个吧..一点不妨碍做完毕设，只不过只能做些应用型的项目罢了
若选择第一种，你就是面试官眼中高赞回答的样子以上
回答二
作者：辛俊波
链接：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
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？
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？
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？
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。
回答三
作者：取栗
链接：https://www.zhihu.com/question/382278216/answer/1384748071
作为一个在数学系学统计做过机器学习，工作后搞深度学习的人，我可以很负责任的告诉你，不需要
理论上来说，深度学习确实是机器学习的一部分。
十年前，深度学习其实还叫 ANN，是存活在机器学习里的一小部分（别喷，我知道现在主流是 CNN，跟ANN不同）。
但是实际上，深度学习是一个用计算机算力暴力求解问题的函数逼近器，跟从传统统计学习中脱胎而出的机器学习本质有很大区别，所以就算你从机器学习开始学起，然后再使用深度学习。很快你就会发现，两个东西完全不一样。
打个不恰当的比喻，前者是有严格数理推导的，比较nerd；后者则是暴力求解的代表，过后才试图用统计学知识和概念去解释，比较geek。所以如果只是使用深度学习完成一项工作的话，不要说掌握机器学习了，其实你只需要稍微了解一下深度学习就可以了，现在API调用十分无脑，配合pytorch这种pythonic的工具，可以说你只需要会点python，数据准备好，github找个项目拉下来一跑，齐活。
回答四
作者：周岩
链接：https://www.zhihu.com/question/382278216/answer/1192684168
最基础的东西还是要了解，机器学习本身就涉及到统计和优化的知识，是一门交叉学科。
不了解这些你不会明白那些模型是做什么的，也无法理解数据是如何用的。最起码要了解最基础的最小二乘，逻辑回归，贝叶斯，PCA这些。深度学习在机器学习的基础模型上又有了很多扩展，需要更强的编程知识。
编者回答
作者：黄海广
如果是单纯做本科生毕业设计的话，可以直接从深度学习入手，本科阶段对毕设的要求并不高，只要符合学术规范，不存在抄袭，模型能work即可。
作为老师，对本科阶段的毕设要求就是这些。
但是，如果想进一步提高的话，还是得学习下机器学习的基本原理。
最低要求掌握的机器学习知识是：
机器学习算法的类型：如监督学习（分类、回归）、无监督学习（聚类、降维等）等基础知识。
基础算法：线性回归、逻辑回归、PCA、K-means
机器学习技巧：模型拟合程度与正则，模型评估，特征工程等
编程技巧：先会Python的基本操作，然后看懂一些基本的机器学习算法的Numpy的实现，这时候才可以开始学PyTorch。
过了本科阶段，就不能做一个调包侠了，基础知识决定水平的上限。
往期精彩回顾
本站qq群704220115，加入微信群请扫码：