Cacher is the code snippet organizer for pro developers

1. 对机器学习有基本的理解，最好的材料是Andrew Ng在coursera上的公开课程，看过教程能让你对机器学习有基本的认识，完成课程中的任务会让你对机器学习有更深入的理解
2. 接下来需要培养对神经网络的感觉，实现一个神经网络，并利用它做点事情
3. 理解神经网络的原理很重要，但简单的神经网络并不足以解决最有趣的问题。神经网络的变体-卷积神经网络(CNN)非常适合于图像识别类的任务，斯坦福大学的有关资料如下：CS231n 用于图像识别的卷积神经网络(笔记)和课件。另外两个参考资料如下CNN 参考资料1和CNN 参考资料1
4. 接下来需要在自己的电脑上运行CNN
   • 买一块GPU，安装CUDA开发工具包
   • 安装Caffe和GUI包Digit
   • 安装Boinc，这个工具对你理解深度学习并没有帮助，但能够让其他研究人员在闲暇时间利用你的GPU做科研
5. Digit提供了少量算法，比如用于字符识别的lenet算法和用于图像分类的Googlenet算法。要想运行这些算法，需要下载相应的数据集lenet数据集和Googlenet数据集。你也可以修改算法来执行其他的图像识别任务，比如我们的工作
6. 对于自然语言处理任务，递归神经网络RNN更适合。学习RNN最好的材料是斯坦福的讲座及笔记，也可以下载Tensorflow来构建RNN
7. 现在你可以尝试用深度学习来解决各种各样的难题了，比如面部识别、语音识别和自动驾驶等

如果你认真完成以上步骤，那么祝贺你，可以去Google、Baidu、Microsoft, Facebook或Amazon申请职位。没有多少人能做到这些，如果你想参与深度学习的前言探索，请与我们联系。

翻译自7 Steps for becoming Deep Learning Expert，作者Ankit Agarwal