深度学习入门必须理解这25个概念

3、 pandas：超级excel，表格式操作数据，数据清洗和预处理的强大工具。 numpy：数值计算库，快的不要不要的。 matplotlib：模仿MATLAB的数据可视化工具。 scikit-learn：封装超级好的机器学习库，一些简便的算法用起来不要太顺手。 ipython notebook：数据科学家和算法工程师的笔记本。

4、 理解凸集、凸函数、凸优化的基本概念，掌握对偶问题的一般概念，掌握常见的无约束优化方法如梯度下降方法、随机梯度下降方法、Newton方法，了解一点等式约束优化和不等式约束优化方法，即可满足理解深度学习中优化方法的理论要求。

1、 要想学习深度学习就必须先学习机器学习，学习机器学习，首先需要储备的知识就是高等数学、线性代数以及统计数学的基础知识，其中统计数学最重要，推荐可以看李沐老师的《统计学习方法》，学习概率分布、大数定律等等。 机器学习，需要学习监督学习，包括线性回归、逻辑回归、梯度下降方法减小代价函数。

2、 深度学习的核心技术包括神经网络、特征工程与模型优化，尽管面临参数过多和训练难题，但神经网络的非线性表示学习能力使得它在各种应用中展现出强大的表现力。