$深度学习\subset 机器学习\subset 人工智能$

因此制定学习路线：

数学：复习以下基本知识。线性代数：矩阵乘法；高数：求导；概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补。
继续机器学习：推荐，机器学习(周志华)：如果是在以前，机器学习方面的经典教材首推PRML，但现在周老师的书出来以后，就不再是这样了。首先推荐读周老师的书。这本书有一个特点，那就是再难的道理也能用浅显精炼的语言表达出来。正如周老师的名言：“体现你水平的地方是把难的东西讲容易了，而不是把容易的东西讲难，想把一个东西讲难实在太简单”；
应用实例：

1. Alphago 计算和增强学习
2. 无人驾驶
3. amazongo
4. 语音识别
5. 机器翻译
6. 推荐系统
7. 广告

深度轮子：MXNet/Gluon
Caffe偏向产品（部署容易）
Matlab（开发容易）
pytorch+maxnet+chainer+keras–>Gluon

基础

1. 线性模型
2. CNN
3. RNN
4. 求导
5. 训练

Gluon最佳实践

1. hybridize
2. 自动并行
3. 多卡训练

计算机视觉

自然语言处理

增强学习

对抗网络

GAN（Generative Adversarial Network）即生成对抗网络，通常由两个神经网络D和G组成，其中D指的是判别器（Discriminator），而G指生成网络（Generative Network）。这种模型的目标是创建数据，例如创建与真实图像并无二样的图像。假设我们想要创建一只猫的对抗示例。神经网络G负责生成图像，而神经网络D则负责判断图像是否是猫。G的目标是“愚弄”D——将G的输出始终分类为猫。

推荐系统

参考链接：
如何转向AI方向