跟着网络资料自学、刷MOOC是许多人学深度学习的方式，但深度学习相关资源众多，应该从哪儿开始学呢？
富有自学经验的GitHub用户SannyKim贡献出了一份深度学习自学指南。
下面，就让我们来看看这份自学指南都包含什么内容吧。由于资料课程非常多，建议大家存下来慢慢看。
学好Python和数学作为深度学习从业者，最重要的基础，一是代码，二是数学。
代码的选择毋庸置疑，一定要学Python，毕竟这是当今深度学习界最火的语言，没有之一。
而数学一样重要，虽然数学常常难倒英雄汉，不过如果你只是想把深度学习拿来在你的领域试用的话，暂时不需要搞明白太多数学基础，
但是，SannyKim建议，熟知数学理论基础，使用深度学习框架会更易懂，因此需要一定的微积分、线性代数和统计学基础，
学Python
Python可以选择下面的课程：
哈佛CS50课程里Python讲得比较少，如果你喜欢阅读，可交互的在线书《如何像计算机科学家一样思考》会更适合你。
学微积分
微积分方面有几个必须搞懂的概念：微分，链式法则和偏导数。
数学基础好、想要快速学习微积分的同学请戳：
数学不太好的同学请戳：
已经学过需要复习一下，或者几乎放弃治疗、只想简单了解一下的同学请戳：
补充材料：
学线性代数
线代方面有几个必须搞懂的概念：向量，矩阵，矩阵运算，包括加减乘除逆运算。
还是一样，想认认真真搞懂线代的同学请戳：
走马观花的同学请戳：
戳这个来了解更多实际的写代码方法：
补充材料：
概率与统计
概率统计方面有几个必须搞懂的概念：平均值，标准差，分布，采样，贝叶斯定理。
补充材料：
列了这么多数学课，你要是觉得上面这三门课学起来太累，可以只看和深度学习、机器学习相关的部分，那么安利你学习下面这两份材料：
当然，因为数学嘛，毕竟是门大杀器，要是实在学不下去，可以先开始学下面的深度学习部分，看到哪儿原理不懂了，再回来翻资料理解一下。
深度学习入门现在，恭喜你学会了Python，还搞懂了一部分数学理论知识，终于可以开始学正儿八经的深度学习了。
深度学习入门非常重要的两套课程，分别是
这两份资料在深度学习MOOC领域几乎无人不知无人不晓了，吴恩达的课程重视理论解释，更侧重编码，SannyKim是这样学这两套课程的：
1、先看的1、2、4、5；
2、在看的第一部分；
3、看的3；
4、（可选）做的作业；
5、把上面的1~4复习一遍。
从第二部分开始相对比较难，建议后面再学。另外，想充分利用，最好有一块GPU，没有的话就去薅Google羊毛，学习使用Colab（反正将来一定会用到的）。
最后，给读书党安利：
对新人友好的博客
刷博客也是自学的重要途径，这里一些经典博客可以作为学习资料：
写代码的资料
Jupyter笔记本：
NumPy：
Pandas：
Scikit-learn：
Matplotlib：
终于能用深度学习了现在，基础、原理、代码你都学的差不多了，终于可以开始使用深度学习这项大杀器了。
那，拿来干点啥，从什么项目开始下手呢？可以看这些找找灵感：
另外，还需要做处选择，在TensorFlow、PyTorch、Keras等一大堆框架里选边站，找一个你觉得好用的框架。
项目实践好了之后，就可以开始写技术博客啦！
开启新篇章现在，你终于成为了一个掌握深度学习技能的人，可以考虑在计算机视觉、自然语言处理、机器学习、自动驾驶……等许多领域深入发展了。
不过，SannyKim还是建议大家先去学：
可以从这里了解一些前沿的东西，比如GAN、神经翻译、超分辨率之类的，之后就可以选择一个你喜欢的方向深入研究了。
计算机视觉
斯坦福CS231n不同年份有不同年份的特点，比如2017年有一个关于生成模型的课程，2016年有JeffDean的演讲，如果想了解在深度学习爆发之前计算机视觉的发展，可以看最后一个课程。
自然语言处理
牛津和DeepMind合作的项目也很不错，还附带了GitHub。
继续研究深度学习
强化学习
如果想研究强化学习（RL），那很不幸你前面学的和里都没有，所以SannyKim建议按照下面的顺序学习：
机器学习
想要了解机器学习，吴恩达的课程是十分经典的教材。如果你想学习更多相关的数学理论，可以学加州理工的课程。
自动驾驶
如果你对自动驾驶感兴趣，可以去学MIT的课程，包含广泛的相关内容介绍，还有比如Aurora这种专业自动驾驶公司大佬的分享。
各类补充资料
你可能会发现，梯度下降、反向传播，这些问题都出现了
重点论文：
备忘录：
传送门
GitHub
推特
—完—
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
վ'ᴗ'ի追踪AI技术和产品新动态