深度学习入门指南
如何开始使用深度学习？
您的起点取决于您已经掌握了什么。
理解深度学习的先决条件是线性代数、微积分和统计学，以及编程和一些机器学习知识。应用深度学习的先决条件仅仅是学会如何部署模型。
就Deeplearning4j而言，您应该熟练掌握Java，并且熟悉像IntelliJ IDE和自动化构建工具Maven这样的工具。
下面是一些资源列表。这些部分大致按照它们将会有用的顺序组织。
免费的机器学习和深度学习在线课程
Andrew Ng的机器学习课程（YouTube）
Geoff Hinton的神经网络课程（YouTube）
Patrick Winston在麻省理工学院的人工智能介绍（对于那些对人工智能调查感兴趣的人）
斯坦福大学Andrej Karpathy的卷积神经网络课程（对于那些对图像识别感兴趣的人）
ML@B：机器学习速成课程：第1部分
ML@B：机器学习速成课程：第2部分
梯度下降，神经网络如何学习，深度学习第2部分
数学
深度学习涉及的数学基本上是线性代数、微积分和概率论，如果您在本科阶段学习过这些，您将能够理解深度学习论文中的大多数思想和符号。
如果您在大学没有学过这些，不要担心。有许多免费资源可用（包括本网站上的一些资源）。
《微积分简易教程》，作者Silvanus P. Thompson
Seeing Theory：概率和统计的可视化介绍
Andrew Ng的线性代数6部分复习
可汗学院的线性代数课程
机器学习的线性代数；Patrick van der Smagt
卡内基梅隆大学的线性代数复习
机器学习数学
沉浸式线性代数
概率速查表
最佳线性代数书籍
马尔科夫链，可视化解释
机器学习的MCMC简介
特征向量、特征值、PCA、协方差和熵
马尔科夫链蒙特卡罗（MCMC）和机器学习
将矩阵重新学习为线性函数
编程
如果您还不知道如何编程，可以从Java开始，但您可能会发现其他编程语言更容易。Python和Ruby资源可以在更快的反馈循环中传达基本思想。《用困难的方式学Python》和《学会编程（Ruby）》是两个很好的起点。
Scratch：来自MIT的可视化编程环境
学习编程（Ruby）
草莓蝉：一个学习基本编码（Javascript）的移动应用
命令行简介
额外的命令行教程
Vim教程和入门指南（Vim是一种可从命令行访问的编辑器。）
计算机科学简介（哈佛大学edX的CS50）
机器基础知识温和介绍
教学C语言
如果您想直接从这里跳入深度学习而不是Java，我们建议使用Theano以及基于它构建的各种Python框架，包括Keras和Lasagne。
Python
用困难的方式学Python
谷歌的Python课程
Udemy：完整的Python 3大师课程
麻省理工学院：计算机科学和Python编程介绍
David Beazley：Python教程
CS231n：Python Numpy教程
Pyret：Python学习环境
Java
一旦您掌握了编程基础，就可以学习Java，这是世界上最广泛使用的编程语言。
世界上大多数大型组织都在巨大的Java代码库上运行。（Java工作机会永远都会有。）大数据堆栈——Hadoop、Spark、Kafka、Lucene、Solr、Cassandra、Flink——大多是为Java的计算环境JVM编写的。
《Think Java》：交互式基于Web的开发环境
用困难的方式学Java
JShell介绍
5分钟了解JShell
Java资源
Java牧场：Java初学者社区
普林斯顿大学的Java编程入门
《Head First Java》
《Java in a Nutshell》
《250步骤中的完全初学者Java编程》
Deeplearning4j
掌握了这些后，我们建议您通过示例来学习Deeplearning4j。
我们对深度学习的大部分了解都包含在学术论文中。您可以在这里找到一些主要的研究团队。
虽然个别课程对所能教授的内容有限，但互联网并不受此限制。大多数数学和编程问题都可以通过谷歌搜索以及搜索Stackoverflow和Math Stackexchange等网站来解决。
参考资料
https://deeplearning4j.konduit.ai/multi-project/tutorials/beginners
