1樓：knnay
深度學習本身就是機器學習的乙個子類，所以學習深度學習∈學習機器學習。
卷積神經網路是最常用的深度學習方法。感測器所採集的資料，不管是影象，還是振動，都適合採用卷積神經網路。
較新的卷積神經網路有深度殘差網路、深度殘差收縮網路等。
深度殘差網路
深度殘差收縮網路
[1][2]在殘差網路內部嵌入了自適應軟閾值化，更適合強噪、高冗餘資料。
深度殘差收縮網路
2樓：
深度學習是機器學習技術中的一種，由神經網路發展而來。
深度學習目前在計算機視覺，自然語言處理等取得了優異的效果，但深度學習近年來得到迅猛發展的根源來自於大規模資料的出現與計算力的提高。
因此深度學習技術並不是萬能的，並不是適用於所有方向。檢驗的標準一般是:
是否有大量有標註資料用於訓練
是否能夠提供足夠的計算資源
目前機器學習在機械人領域已有很多很成熟的應用，而限於上述因素(尤其是第二點)，深度學習目前在機械人領域真正落地的應用很少。
學習路線一般為：
基礎數學(高等數學，線性代數，概率論等)→機器學習(數學導向推薦李航的《統計學習方法》，技術導向推薦周志華的《機器學習》)→深度學習
如果僅限於直接應用(不關注技術細節，只求達到相關目標)，那麼可以不按照上述順序學習，需要什麼就直接呼叫相關的api
如果想要深入理解，那麼建議按照上述順序進行學習。
一些題外話:
如果有志於深入學習深度學習技術可以繼續往下看。
無論是機器學習還是深度學習，都具有明顯的工程性質，尤其是深度學習，重在動手實踐。
然而，回到開頭說的兩個問題(資料+計算力）
資料方面目前在比較大眾的領域都有許多開源的資料集，基本可以滿足需求
計算力方面問題比較嚴峻:目前大量深度學習演算法依賴於gpu等計算裝置，一般來講僅靠個人，難以滿足計算力的需求(部分能買得起gpu的土豪除外)，還是建議在有了初步的理論基礎後加入學校從事相關研究的實驗室或去從事相關應用的公司實習。
學深度學習和神經網路之前要先學機器學習嗎？
Chow 必須要學，至少是當下必須要學。首先，從大家最關心的就業角度來說，機器學習的崗位暫時還是遠多於深度學習的崗位。因為深度學習是最近3 5年火起來的，而面試你的人，大都在這之前就已經入行了，所以他們不一定很懂深度學習，但是必定學過機器學習。因此，主流公司的演算法工程師的面試，深度學習可能不考，但...
學深度學習有沒必要把傳統機器學習演算法原理都學一遍？
沒有必要。推薦使用deep learning for computer vision with python，一本書完成從入門到精通。即使少量地方需要ml的知識，臨時補都可以。各個學科有交叉的時候，只需要補充交叉部分，多了的不要去管，快速達成目標最重要。即使就業導向，需要補ml以應對面試，那也與dl...
學習python和機器學習演算法，深度學習演算法就是學不會，心情很壓抑怎麼辦？
陽光 不知道你多大年齡，阿姨我今年快48了，去年開始學習機器學習，深度學習，也經歷很多燒腦的日子，但是要相信自己，多去網上搜尋，書讀百遍其意自現，死磕到底，沒什麼學不會的，想想又不是讓你造原子彈 我執 看到這個題目我頓時會心一笑,彷彿見到了過去的自己.回答分割線 我想題主應該是想問怎麼快速的學習演算...