❶ 深度學習如何入門，需要什麼基礎
學習深度學習課程的話最基本的就是蘆氏要具有一定的編程基礎，並且具備一定的數學基礎。比如計塵旅算機相關專業的本科生、研究生，計算機相關專業的高校講師，從事IT行業的編程人員，人工智慧領域的從業人員。在有一定基礎的前提下還是能學會的。
無編程陪兄散基礎的人員則需要提前學習python的基礎課程（某公的深度學習課程會單獨贈送python基礎課程的，無基礎學員也能學習）。
❷ 深度學習需要哪些基礎知識
數學基礎
如果你能夠順暢地讀懂深度學習論文中的數學公式，可以獨立地推導新方法，則表明你已經具備了必要的數學基礎。
掌握數學分析、線性代數、概率論和凸優化四門數學課程包含的數學知識，熟知機器學習的基本理論和方法，是入門深度學習技術的前提。因為無論是理解深度網路中各個層的運算和梯度推導，還是進行問題的形式化或是推導損失函數，都離不開扎實的數學與機器學習基礎。
數學分析
在工科專業所開設的高等數學課程中，主要學習的內容為微積分。對於一般的深度學習研究和應用來說，需要重點溫習函數與極限、導數（特別是復合函數求導）、微分、積分、冪級數展開、微分方程等基礎知識。在深度學習的優化過程中，求解函數的一階導數是最為基礎的工作。當提到微分中值定理、Taylor公式和拉格朗日乘子的時候，你不應該只是感到與它們似曾相識。
線性代數
深度學習中的運算常常被表示成向量和矩陣運算。線性代數正是這樣一門以向量和矩陣作為研究對象的數學分支。需要重點溫習的包括向量、線性空間、線性方程組、矩陣、矩陣運算及其性質、向量微積分。當提到Jacobian矩陣和Hessian矩陣的時候，你需要知道確切的數學形式；當給出一個矩陣形式的損失函數時，你可以很輕松的求解梯度。
概率論
概率論是研究隨機現象數量規律的數學分支，隨機變數在深度學習中有很多應用，無論是隨機梯度下降、參數初始化方法（如Xavier），還是Dropout正則化演算法，都離不開概率論的理論支撐。除了掌握隨機現象的基本概念（如隨機試驗、樣本空間、概率、條件概率等）、隨機變數及其分布之外，還需要對大數定律及中心極限定理、參數估計、假設檢驗等內容有所了解，進一步還可以深入學習一點隨機過程、馬爾可夫隨機鏈的內容。
凸優化
結合以上三門基礎的數學課程，凸優化可以說是一門應用課程。但對於深度學習而言，由於常用的深度學習優化方法往往只利用了一階的梯度信息進行隨機梯度下降，因而從業者事實上並不需要多少「高深」的凸優化知識。理解凸集、凸函數、凸優化的基本概念，掌握對偶問題的一般概念，掌握常見的無約束優化方法如梯度下降方法、隨機梯度下降方法、Newton方法，了解一點等式約束優化和不等式約束優化方法，即可滿足理解深度學習中優化方法的理論要求。
機器學習
歸根結底，深度學習只是機器學習方法的一種，而統計機器學習則是機器學習領域事實上的方法論。以監督學習為例，需要你掌握線性模型的回歸與分類、支持向量機與核方法、隨機森林方法等具有代表性的機器學習技術，並了解模型選擇與模型推理、模型正則化技術、模型集成、Bootstrap方法、概率圖模型等。深入一步的話，還需要了解半監督學習、無監督學習和強化學習等專門技術。