步骤1.学习深度学习的基本知识

（可选的，但是建议你这样做）

由Andrew Ng的机器学习课程开始https://www.coursera.org/learn/machine-learning.他的课程提供了一些关于各种机器学习算法的介绍，更重要的是，一般的程序/机器学习的方法，包括数据预处理，大参数调优等。

阅读由Geoff Hinton、Yoshua Bengio和Yann LeCun写的NIPS 2015 深度学习教材，是一个以通俗易懂的介绍。

步骤2.深入专研深度学习

我学习的偏好是观看讲座视频，并感谢几个优秀的网上课程，这里有我喜欢的几个课程：

1.Deep learning at Oxford 2015，Nando de Freitas没有过于复杂的熟练解释基本原理。从讲座9开始，如果你熟悉神经网络并想要再深一点，他在他的例子中使用了火炬框架（Video on Youtube）。

2.Neural Network for Machine Learning :这是Geoff Hinton的课程。Hinton是一个杰出的研究者，他证明了一般的BP算法的使用并对于深度学习的发展起着至关重要的作用。我尊重他，但是我发现该课程没有组织。更进一步的，课程会由于布置的测试陷入困境。

3.Neural Networks Class，是由Hugo Larochelle 教授:另外一个极好的课程。

4.Yaser Abu-Mostafa’s machine learing course:如果你感兴趣更多的理论的话。

如果你更倾向于书籍，这里有一些极好的资源。

1.Neural Networks and Deep Learning Book，是由Michael Nielsen撰写：在线书籍并有几个交互式的 Java元素可以玩。

2.Deep Learning Book，是由Ian Goodfellow, Yoshua Bengio和Aaron Courville撰写：有一些密集。

步骤3.挑选一个专注领域并深入研究

确定你所热爱的并深入研究，领域是宽广的，所以列表是一个全面的列表。

1.计算机视觉

深度学习已经改变了这一领域。斯坦福CS231课程是我最经历的最好课程，它教会你基础知识和卷积，同时也帮助你在AWS上建立GPU实例，同时，也可以看由Mofstafa S,Ibrahimz制作的课程Getting Started in Computer Vision。

2.自然语言处理（NLP）

用于机器翻译，提问和回以及情感分析。为了掌握这一领域，深度理解自然语言的算法和基础计算属性是必须的。CS224N/Ling284课程是一个很好的起步课程。CS224d:Deep Learning for Natural Language Processing，是由David Socher教授的另外一门极好的课程，回顾了所有关于自然语言的最新深度学习的研究。更细节的可以看How do I learn Natural Language Processing

3.记忆网络（RNN-LSTM）

最近的工作是将在LSTM复发神经的注意机制与外部可写内存相结合，这意味着在建筑系统中有一些有趣的工作，可以被理解、存储并在以问答的方式检索。这个研究领域是由Dr.Yann Lecun的facebook实验室起步的，原始文字是在arxiv上：Memory Network。这里有许多研究变体、数据集、标准等，比如，Metamind的Dynamic Memory Networks for Natural Language Processing。

1 、以知识点为中心进行学习

什么叫知识点？就是能够独立存在的知识的最小封装单元。与之对应的就是学习材料。这里的关键点在于，知识点是知识的最小容器，学习材料是知识点的内容。

2、 选择有即时反馈的学习方式

学习时的反馈，让你知道对还是错。这样的反馈，最好是即时的，也就是说，做了以后马上、第一时间就知道对错。

3、 符合认知科学的学习

按照《第一性教学原理》，学习必须有结构的应用练习过程。

4、 制订刚性学习计划

学习很容易中断，这个很容理解，刻意学习与人性违背。