1）从深度学习理论开始，迅速切入
深入了解感知器与神经网络的基本理论，包括正向传播，反向传播，误差，损失函数，梯度等概念。这是深度学习理论最基础也是最重要的部分。通过这部分内容的学习，你可以检验你是否适合进一步深入AI领域；深入了解之后，也可以迅速建立起学习的信息，如果你有一种“原来所谓的人工智能，深度学习也不过如此”的感觉，学习的目标就达到了。
其中，可能有的同学需要补充学习一些数学微分方面的知识。
2）熟练掌握python
熟练掌握python，基本任务是能够用python自己实现一个简单的全连接前馈神经网络，实现正向传播，反向传播等。
如果没有编程基础，务必要好好学习基本的数据结构和算法。
3）熟悉深度学习中，几种常用的特征抽取器，机器在深度学习框架的使用
深入理解CNN，RNN，LSTM等NLP中常用的特征抽取器的原理及实现。
熟悉一种深度学习框架，并熟练掌握上述模型在该框架上的使用，推荐tensorflow。
4）了解几个较为基本的NLP任务的理论及实现
在NLP中，分词，词向量，NER，文本分类是最基本的几个概念和任务。熟练掌握这几个任务，就基本能够系统理解NLP的大部分概念和玩法。
分词对于中文自然语言处理来说，是最基本的步骤。需了解基本的分词理论及熟练掌握现在常用的分词工具用法。
稠密式词向量出现是NLP发展过程中非常重要的事件，需要深入理解词向量的理论，深入理解word2vec训练词向量的原理。熟悉gensim等制备词向量的工具。
NER及文本分类是非常重要的NLP基本任务，需要非常熟练的掌握一种常用的方法。以NER为例，如今比较流行的基于CNN或者LSTM的模型，是必须要熟练掌握的。
这期间，会涉及数据预处理等繁杂的事项，需要你能够熟练掌握用python进行数据处理。
