机器学习——深度学习路线（仅做参考）
其实这篇文章，之前叫做深度学习路线，本人呢，其实是个菜鸟，也是玩机器学习没有多久，当时不知道深度学习是怎么怎么的，就是一股脑子的啃，后来发现，没基础啃不动，就拿之前看一本深度学习的书，啃了2/10后发觉真的啃不动了。然后才知道自己基础都没有，啥都没有就去啃那肯定是.....。
碰巧，今天看到别人培训的学习路线，为什么是培训的路线呢？
其实，培训的路线还是很靠谱的，他会替你考虑你的接受能力，和更适合的路线，至少我是这么认为的。
毕竟别人就靠这个吃饭。
当然，这个想要速成，基本是不可能的，可以明确的说，不同于软件，如果你不知道自己是否适合学习这个，可以考虑尝试先看看一些视频去感受一下，去对自己做一个简单的判定，当然这只是我个人的建议。
废话不多说：
直接贴了，总的来说，我看了下，就自己磕磕碰碰的经历，然后觉得确实还是比较科学，当初自己刚开始摸索的时候，啥都不会，连库都不会安装，然后一番下来，总算是摸索了点路径，然后我不希望后来者经历我的过程。所以还是给点路线，方便后来者学习。
第一篇 Python基础入门（共 13 学时）
1 Python的安装
2 Python的语法
3 内置数据结构
4 文件操作
5 文件目录操作
6【复习】课程作业讲解
7 函数的定义和调用
8 面向对象编程(1)
9 面向对象编程(2)
10【复习】课程作业讲解
11 具有Python风格地编程
12 常用技术介绍
13【复习】课程作业讲解
第二篇 科学计算与绘图（共 7 学时）
1 NumPy处理数据
2 NumPy函数库
3 SciPy 数值计算
4【复习】课程作业讲解
5 Sympy符号运算
6 Matplotlib绘图
7【复习】课程作业讲解
【课程二】Python机器学习与数据挖掘实践
第一篇 机器学习与数据挖掘概论（共 5 学时）
1 机器学习概论
2 数据挖掘概论
3 数据预处理
4 Pandas基本功能
5 Pandas数据分析
6 模型的建立
第二篇 机器学习与数据挖掘算法实践（共 15 学时）
1 回归分析（Regression Analysis）
2 逻辑回归（Logistic Regression）
3 决策树（Decision Tree）
4 人工神经网络（Artificial Neural Network）
5 k近邻分类（k Nearest Neighbor）
6 期中考试及点评讲解
7 朴素贝叶斯分类（Naive Bayesian）
8 聚类分析（Cluster Analysis)
9 支持向量机（Support Vector Machine）
10 期末考试及点评讲解
【课程三】Python深度学习与数据挖掘实战
第一篇 深度学习算法实践（共 10 学时）
1 PyTorch入门
2 反向传播算法 Back Propagation
3【复习】课后作业讲解
4 前馈神经网络 Feed Forward Network
5 卷积神经网络 Convolution Neural Network
6【复习】作业练习讲解
7 深度残差网络 Deep Residual Network
8 循环神经网络 Recurrent Neural Network
deep learning 可以看做是机器学习的进阶、、、
1、深度学习Deep Learning基础和基本思想
2：深度学习Deep Learning基本框架结构
3：深度学习Deep Learning-循环神经网络
4：深度学习Deep Learning-卷积神经网络
5：强化学习
6：对抗性生成网络
7：迁移学习
8：CNN应用案例
9：深度学习Deep Learning的常用模型或者方法
这也是别人一个培训的路线，我拿来凑合着参考下