译者：李老湿；转载请注明出处：
机器人视觉
由于近来在许多不同问题（例如人脸识别，目标检测和Go）上，人工神经网络取得一系列成果，深度学习已变得非常流行。本博客目的是成为对深度学习感兴趣的朋友们的起点。
如果你已经对线性代数，微积分，概率和编程有了基本的了解：我建议从斯坦福的
CS231n开始。这个课程讲义很全面，而且写的很好。每节课程的幻灯片也可用，即使相关视频从官方网站删除，在网上也很容易找到重新上传的。
如果你没有相关的数学背景：网上有大量的在线免费材料，可以用来学习所需的数学知识。
吉尔伯特·斯特朗的线性代数课程是对该领域的一个很好的介绍。 对于其他科目，edX有来自MIT的关于
微积分和
概率的课程。
如果你有兴趣了解更多关于机器学习的内容：
Andrew Ng的Coursera课程是机器学习最受欢迎的入门课程。还有其他很好的选择，如Y
aser Abu-Mostafa的机器学习课程，比Coursera课程更侧重于理论，但它仍然适合初学者。机器学习的知识不是真正的学习深度学习的先决条件，但它确实有帮助。此外，学习古典机器学习而不仅是只学习深度学习，这很重要，不仅因为古典机器学习提供了理论背景，并且因为深度学习并不总是正确的解决方案。
CS231n不是唯一的在线深度学习课程。
Geoffrey Hinton的Coursera课程“机器学习的神经网络”涵盖了许多不同的主题，
Hugo Larochelle的“神经网络类”也是如此。这两个课程都包含视频讲座。
Nando de Freitas还有一个在线课程，其中包含视频，幻灯片以及作业作业列表。
在你有基本知识后去哪里：
- 计算机视觉被大多数（如果不是全部）上述深度学习资源所覆盖。
- 循环神经网络（RNNs）是基于模型的神经网络的基础，基于模型的神经网络用于解决序列相关的问题，如机器翻译或语音识别的序列相关的任务。Andrej Karpathy关于RNNs的博客文章，是一个开始学习RNNs的好地方。克里斯托弗·奥拉有一个非常棒的博客，许多深度学习的概念都解释得非常直观容易理解。 他的文章LSTM网络是对LSTM网络的介绍，LSTM网络是一种广泛使用的RNN变体。
- 自然语言处理（NLP）：CS224d是一个使用深度学习的NLP的介绍。 高级课程可以从Kyunghyun Cho（这里有讲义）和Yoav Goldberg这位老师都可以。
- 增强学习：如果你想控制机器人或击败Go的人类冠军，你应该使用增强学习。 Andrej Karpathy关于深层增强学习的文章是一个很好的起点。 David Silver最近还发表了一篇短博文，介绍了深层增强学习。
深度学习框架：深度学习有许多框架，但排名前三个的可能是
Tensorflow（谷歌），
Torch（Facebook）和
Theano（
MILA）。 所有这些都是非常棒，但如果我只选择一个推荐我会说，Tensorflow对初学者是最好的，主要是因为伟大的
教程可以使用。
如果你想训练神经网络，你应该在GPU上。 你不一定非用GPU，但如果你这样做训练会更快。 NVIDIA卡是行业标准，虽然大多数研究实验室使用1000美元的显卡，但是有几个经济实惠的卡也可以完成工作。 一个更便宜的选择是从像Amazon的EC2这样的云服务器提供商租用一个支持GPU的实例（这里的简短
指南）。
祝你好运！
原文：http://ofir.io/How-to-Start-Learning-Deep-Learning/