wo人生如戲
沒有必要，但是深度學習確實會用到一些傳統機器學習的一些知識，比如概率論、導數、微積分等，確切的說兩者都需要一定的數學知識。本人研究過一段時間的NLP（自然語言處理），發現目前生產領域應用最多的可能還是機器學習算法，深度學習在nlp上的應用效果包括精準度等不如圖像和視頻，但是也不可否認NLP這幾年的發展也很迅猛，比如Google的Transformer模型以及基於它上面的BERT、GPT2模型都展現出了驚人的效果。想學習就從現在開始，可以先從深度學習入手，以後會碰到機器學習算法，再觸類旁通也是可以的。
猿人故事
針對這個問題，我的總體建議就是：
本著大處著眼小處著手的學習原則，順藤摸瓜，展開學習。
不老在門口徘徊，一腳先進去，然後定位自己需要的知識點，進行聚焦學習。
首先比較下兩者的區別
機器學習與深度學習有什麼區別？
兩者的關係是：人工智能AI包括機器學習，機器學習包括深度學習。
額外也提一下數據挖掘，大數據的挖掘常用的方法有分類、迴歸分析、聚類、關聯規則、神經網絡方法、Web 數據挖掘等。所以我們看到機器學習跟深度學習都是數據挖掘的方法。
什麼是機器學習？
機器學習(Machine Learning，ML)是人工智能的子領域，也是人工智能的核心。機器學習是一門交叉學科，綜合利用概率論知識，統計學知識，近似理論知識和複雜算法知識，模擬人類的思考解決問題的方式，達到充分利用計算機超強運算能力協助人類解決問題的目的。
什麼是深度學習？
深度學習(DeepLearning，DL)屬於機器學習的子類。是利用深度神經網絡來解決特徵表達的一種學習過程。深度學習(DL, Deep Learning)是機器學習一個新的研究方向，使用更加抽象的算法來模擬人的大腦的決策學習過程。它的最終目標是讓機器能夠像人一樣具有分析學習能力。
機器學習與深度學習的比較
深度學習在搜索技術、機器翻譯、自然語言處理、多媒體學習、語音、推薦和個性化技術等待領域取得了很多成果。我們平常把深度學習跟機器學習混在一塊的，這也沒什麼不妥。
1、檢驗算法的成熟度
機器學習，通過調整得到的算法一般是準確，並完全可控的，可以比較快得到高成熟度的算法。
一般來說，深度學習算法需要大量時間進行訓練。這是因為該算法包含有很多參數，因此訓練它們需要比平時更長的時間。所以深度學習的算法成熟度，跟不確定性，需要更長時間。
2、解決問題的過程
機器學習算法遵循標準程序以解決問題。計算過程是可以解釋的、按流程進行的。
深度學習的數據處理過程則是黑盒子方式，需要通過不停的調整訓練。
兩者的基礎概念相通的地方很多
最終如果掌握了深度學習，肯定也掌握了機器學習。學習的過程不一定是要求把所有機器學習模型通通掌握，而是理解一些基本概念，比如監督學習(supervised learning)，無監督學習(unsupervised leaning)，訓練(training)，測試(testing)，泛化(generalization)等。這些概念都是通用的。
大處著眼小處著手的學習原則
如果要學習深度學習，網上有很多深入淺出的文章跟公開課可以學習快速有個總體概念。
瞭解需要的預備知識。不能始終在門口徘徊。可以先一腳進去看看，裡面有什麼。
如果入門了，就要開始聚焦一個專業細分領域了。
因為涉及的概念太多，要迅速蒐集信息，讓自己儘快定位到需要專注學習的細分方向上。
把不太懂的地方都展開學習，就可以順藤摸瓜。
總之，要聚焦問題，讓自己的學習更加高效，有針對性。
智能情感里奧
我們先來搞清楚機器學習和深度學習的概念。
機器學習是AI的一個子領域，它通過算法將AI概念應用於計算系統。計算機識別數據模式並根據數據模式採取行動，隨著時間的推移學習提高其準確性而無需明確的編程。機器學習的背後是預測編碼，聚類和視覺熱圖等分析方法。我們打開某寶、某東時的購物推薦就是機器學習的一個應用。
深度學習是機器學習的子領域，是人工神經網絡的另一個名字。深度學習網絡模仿人類大腦感知與組織的方式，根據數據輸入做出決策。AlphaGo就是我們最耳熟能詳的深度學習的應用。
簡而言之，機器學習是人工智能的一部分，深度學習是機器學習的一部分，這就是三者的關係。
那麼學習深度學習前是否先要學習機器學習呢？
剛才說了，深度學習是機器學習的一部分，它們的關係就像「扳手」和「整套工具」 的關係。因此，如果你想搞個應用，你更應該先學機器學習，瞭解一下整套工具。而是否要學習深度學習（扳手）要仔細考慮考慮——畢竟，深度學習是一個在發展中的技術，並且用花掉你大把的錢！（買顯卡、加速棒之類的東東……）
