机器学习和深度学习，到底该先学哪个呢？很多小伙伴在入门的时候有这样一个问题，就是说我到底是不是应该先把机器学习给它基础打好了，然后再去学这个深度学习？

其实我觉得是不是的，就是要看你接下来打算做什么，这里边我把大家想做的事分成三个领域，就是图像数据、文本数据，还有结构化数据（例如表格数据）。

如果说你接下来想做这种结构化数据，那我建议你还是先从机器学习开始，因为机器学习当中它很多传统算法都是去解决结构化数据的，而且你数据挖掘也主要针对结构化数据。所以说就是你想做这种结构化数据，就是说一个表格里边有些字段，什么身高、年龄、体重的这些数据，如果说你会要去做各种指标的，那你就先从机器学习开始。

但是如果说接下来你想以视觉为重点，以文本为重点，我不建议你去看过多的跟机器学习相关的，直接把把线性回归、逻辑回归这两个看完就足够了。因为线性和逻辑回归相当于它叫做单层的神经网络。在CV和NLP当中，我们都是用深度学习，做事都是用神经网络做事，你与其花三个月去研究那些用不上的传统算法，不如早点开始撸代码练手深度学习框架。

那我们总结一下就是要不要学机器学习取决于你的数据要不要做结构化数据，如果你不要做结构化数据，那直接从开始学深度学习也是没问题的。

深度学习完全可以跟着下面这些步骤学习，真的少走很多弯路：

• 第一步： 如果你仅仅是毕业的话我推荐你去看《深度学习入门:基于Python的理论与实现》。

• 第二步：到这里就直接上手深度学习框架pytorch了。我推荐先去看小土堆的pytorch教程，跟着视频里面的代码敲一遍搞懂代码的意思，之后李沐老师的动手学深度学习这本书，这本书不仅会清晰的讲解深度学习理论知识，也会手把手带你基于pytorch搭建模型、训练模型、应用模型。当你对机器学习和深度学习基础理论知识掌握的差不多了，也是到如何基于pytorch去做深度学习了，就可以进入下一步了

• 第三步：阅读综述与期刊、顶会论文。阅读自己方向的综述论文主要是为了了解这个领域有哪些主流的方法，对这个领域有了清晰的认识之后，然后先择一个能复现、性能好的方法作为你的baesline。然后再去阅读最新的期刊，顶会论文，看到一些效果好复现的方法，试着能不能加到自己baesline模型当中，如果观察性能变化，如果有效果的话，就可以当作是论文的创新点，去找导师看看能不能发论文，不行的话就pass掉，然后循环上面的方法，你就会对整个发论文的流程非常清楚，发论文的速度也就越来越快。
  
  上述步骤当中的书籍代码已经给大家下载打包好了，同时还给大家准备了CV和NLP领域经典热门方向的论文代码，都给大家一一下载打包好了，大家需要的话可以添加小助手无偿获取