※ 引述《beaprayguy (小羊快跑啊)》之銘言：
: 最近被deepmind的AI震驚
: AI最核心部分是deep learning
: 閱讀文獻得知，deep learning
: 是透過artificial neural network
: 透過一層一層neuron堆疊，得到一個output
: 若想自學要從哪一方面進入，若相關職缺基礎門檻是什麼。
你好，想要入手 DL，建議先從感知機(perceptron)入手。
感知機是所有類神經網路的單細胞，先讀懂這個才不會覺得門檻太高。
反過來說，連這個讀不懂，那就要再審慎評估自己適不適合機器學習？
perceptron 是最基本的線性機器學習模型，所有機器學習的課本都會講到，
包括田神的書。不過田神的書比較難讀啦，有很多嚴謹的證明。
我自己是從 pattern recognition 入門機器學習的。
實踐是檢驗的最好方法，找一個能一刀畫開的兩類 2D dataset，
你的目標就是找程式自動將他們劃開，這也是機器學習的目標。
逼自己忍住工具的誘惑，不用任何函式庫，用你最熟悉的程式語言自行硬幹 perceptron。
讀理論、實作、讀理論、修改實作、讀理論、再修改實作、讀理論、再繼續修改實作，
如此不斷循環，直到你的 perceptron 程式可以自動找出一類一邊的正確直線為止，
恭喜你！取得了搞懂類神經網路的第一個里程碑！
接下來就推廣到 MLP 以及如何用 back-propagation 收斂，搞懂了就不怕類神經網路，
不過那又是另外一個坑了..

林的書跟國外同等級的課比起來 算很平易近人了 每章後面的習題倒比較有水準而且NN是放在e-Appendix 科科e-Chapter 寫錯某些領域SVM還是很棒呢 NN有時提供的少量優勢 必須要用數十倍的training time去換 只能用來發paper

精確度高一些但時間多好幾倍算公平嗎?

看他要時間還是正確性囉

推個

哇靠你這篇寫得超排外的 看得懂的只有原本就懂的人新手看了你的介紹馬上就會昏頭了

有關鍵字，就好google我覺得這篇讓我瞭解很多

看不太懂 但是得到很多關鍵字謝謝你

dick learning

PUSH

這篇寫得不錯啊