这是作者经过几周的学习自己总结的深度学习的知识体系，这些知识基本是深度学习的部分必要知识，如果缺少某项知识，会对深度学习有所影响，建议对这些内容进行全面的理解。工具类，一般都是基于Python的库，当然也可以使用其他的语言进行。但是Python其简洁易用，能够极大地减少研究者的时间（通常我们认为研究者的时间比机器运行时间更宝贵），所以被广泛使用在人工智能领域。
理论基础
理论基础包括六块内容。
- 初等数学
基本的数学知识，包括代数学、方程和几何等基本的数学公式和表达的常识。 - 高等数学
主要是极限、微积分及一些高等数学的思想和理念。 - 线性代数
大学线性代码的相关内容，是卷积和神经网络的基础。 - 概率与数理统计
这一块在很多深度学习的内容，如分类，回归等算法中都会大量涉及。 - 数值分析
即数据理论在实际中的应用，如回归，降维等都会大量涉及。 - 卷积神经网络
这方面内容是深度学习的基础。
工具
- Python 语言
即 Python编程语言，作用实现的最基本工具。对很多人来说， Python编程语言拥有强大的吸引力。从1991年面世以来， Python, Perl, Ruby等语言成为最流行的解释型语言， Python和Ruby从2005年之后格外流行
可以基于众多web框架，比如Rails (Ruby)和Django (Python)进行网站搭建。在解释型语言中，由于历史和文化上的原因， Python发展出了一个大型活跃的科学计算及数据分析社区。在过去十年里， Python已经从一个最前沿或者说“后果自负”的科学计算语言，成为数据科学、机器学习和学术/工业界通用软件开发等领在数据科学、交互式计算以及数据可视化等领域， Python经常被拿来和其他开源或商业。 - NumPy 库
NumPy(Numerical Python) 是Python中用于表示矩阵的基础，是Python能够进行人工智能的数据计算的基石。其底层使用C语言实现，所以可以以Python的简洁达到C语言的执行效率。 - SciPy 库
提供了强大的矩阵计算的功能。和 NumPy 一起，提供了强大了矩阵表示和计算功能。 - pandas 库
提供了一些高级数据结构和函数。从而能够和上面两个一起满足绝大部分的人工智能计算的需求。 - matplotlib 库
这是目前最流行的用于数据可视化的库。可以将各类数据依据一定的规则进行图形的展示 - scikit-learn
这是2010年才上线的基于BCD协议的一个开源项目。提供了深度学习六大领域的一些模型和算法，能够方便且免费地对其进行扩展。
深度学习的主要内容 [1]
- 分类
识别一个对象属于哪个分类。
Identifying to which category an object belongs to. - 回归
预测一个连续的属性与哪个值对应。
Predicting a continuous-valued attribute associated with an object. - 聚集
自动将对象进行分组合并到集合中。
Automatic grouping of similar objects into sets. - 降维
降低矩阵的维度，从而减少计算量加快计算速度。
Reducing the number of random variables to consider. - 模型选择
比较、确认和选择参数和模型。
Comparing, validating and choosing parameters and models. - 预处理
特征分离和标准化。
Feature extraction and normalization.
参考文献
[1] scikit-learn 官网， https://scikit-learn.org/stable/