来源：Coggle数据科学
机器学习领域是巨大的，为了学习不迷路，可以从以下列表帮助学习。它概述深度学习的一些学习细节。
阶段1：入门级
入门级能够掌握以下技能：
- 能够处理小型数据集
- 理解经典机器学习技术的关键概念
- 理解经典网络DNN、CNN和RNN
数据处理
在入门级使用的数据集很小，可以放入主内存中。只需几行代码即可应用此类操作。在此阶段数据包括Audio、Image、Time-series和Text等类型。
经典机器学习
在深入研究深度学习之前，学习基本机器学习技术是一个不错的选择，其包括回归、聚类、SVM和树模型。
网络
掌握常见的网络层，以及相应的神经网络；GAN、AE、VAE、DNN、CNN、RNN 等等。在入门阶段，可以优先掌握DNN、CNN和RNN。
理论
没有神经网络就没有深度学习，没有（数学）理论就没有神经网络。可以通过了解数学符号来开始学习，可以从矩阵、线性代数和概率论开始你的学习。
阶段2：进阶水平
进阶和入门级之间没有真正的分界，进阶水平能够处理更大的数据集，能够使用高级网络处理自定义项模型：
- 处理更大的数据集
- 能够自定义模型完成任务
- 网络模型精度变得更好
数据处理
能够处理几GB的数据集，需要自定义数据扩增方法和数据处理函数。
自己完成任务
能够根据具体任务完成代码的开发，而不是参考MNIST的教程完成编码。
自定义网络
处理自定义项目时，如何处理数据数据？如何定义自己的网络层？
模型训练
掌握迁移学习的思路，学会使用预训练权重完成新任务。并掌握冻结部分网络层的方法。
深度学习理论
掌握深度学习模型的正向传播和反向传播，特别是链式求导法则。掌握激活函数和目标函数的作用，能够选择合适的激活函数和目标函数。
阶段3：熟练水平
与进阶相比你需要掌握更加的数据集处理方法，并掌握加速模型训练的方法：
- 大规模数据的处理和存储
- 网络模型的调参
- 无监督学习和强化学习
数据处理
需要掌握几百GB数据集的处理，学会Linux的操作。此阶段可能接触到多模态任务。
无监督项目
开始尝试无监督网络模型的搭建，如自编码器和GAN模型，能够掌握模型原理。
模型训练
掌握模型调参的方法和常见的日志和可视化工具，如TensorBoard的使用。掌握学习率的调节方法，如余弦退火。掌握多机和混合精度训练。
阶段4：专家级
掌握前沿的学术模型的发展，知道自己的兴趣是什么，并能提出新的模型：
- 学会使用JAX或DALI处理数据
- 熟悉图神经网络和Transformer模型
本文在原文基础上进行了精简，原文链接：https://towardsdatascience.com/a-guide-to-the-field-of-deep-learning-9bb...
本文出处：Coggle数据科学
