2006年，Geoffrey Hinton发表了一篇论文，他编写的多层神经网络对手写数字的识别率达到了98%。 从此揭开了Deep Learning 的大热狂潮。十多年后的今天，deep learning 已经深入我们的生活，应用到了很多高科技产品中。例如搜索结果排序、智能语音识别、Youtube视频推荐、AlphaGo击败世界围棋高手以及自动驾驶领域。

Scikit-Learn非常易于使用，并且包含很多高效机器学习算法，所以是学习Machine Learning的一个很好地切入点。

TensorFlow是一个要复杂的多的库，应用它可以在多GPU上服务器群组上训练和运行你的神经网络。它是由Google发明和维护的，从2015年11月开始开源。

掌握Python的应用，及常用类库例如NumPy,Pandas,Matplotlib等的主要方法。

同时需要掌握大学阶段的数学知识，微积分、线性代数、概率、统计等。

此次学习路线图：

第一部分 机器学习

　　Machine Learning 是什么？它能解决什么问题？机器学习的主要分类和基础概念都有哪些？

　　一个典型的机器学习项目包含哪些步骤？

　　如何用数据训练模型？

　　怎样做到成本最优？

　　处理、清洗、准备数据

　　选择和处理特征

　　选择模型并通过交叉验证来调整超参数

　　机器学习的主要挑战，主要是欠拟合和过拟合

　　减少训练数据维度

　　常见学习模型：线性和多项回归，逻辑递归，KNN，SVM，决策树，随机森林和集成方法

第二部分 神经网络和深度学习

　　神经网络是什么？它们的优点是什么？

　　用TensorFlow建立和训练神经网络

　　最重要的神经网络结构：前向神经网络，卷积网络，循环神经网络（RNN），长短时记忆网络（LSTM）和自动编码器

　　训练深度神经网络的技术

　　超大数据的神经网络定型

　　强化学习

第一部分主要应用Scikit-Learn，第二部分主要用TensorFlow。

Day 1, 简介，将要学什么，需要掌握什么