小夕还记得几年前刚入坑的时候，老师给的入门资料就是一堆论文！害的小夕差点放弃。。。
如今深度学习应用的开发成本越来越低，学习资料越来越多，于是对初学者来说进入了另一个相反的困境——资料过多，让人眼花缭乱！哪怕是最最经典、顶尖的公开课。也是有好多门（斯坦福的、coursera的、MIT的、Berkeley的……）。更不必说眼花缭乱的纸质书籍，更更不用说铺天盖地的订阅号（比如
夕小瑶的卖萌屋
）
如果你正在纠结如何去选择，不妨先看看小夕的推荐~
首先，小夕没有提到的资料，要么就是小夕没有看过的，要么就是难以说好坏的，所以
没提到的资料要自己判断哦，不代表资料不好
~
另外严正声明！小夕没有收一分广告费！
这！不！是！广！告！文！没认真看过的资料小夕是不会瞎推的！
下面小夕就从
视频资料
、
书籍资料
、
其它资料
给大家分别推荐啦。
视频资料
方面，小夕就不多推荐啦，因为看视频真的是很磨时间的学习方式。就提一下三门课：
1、coursera上Ng开设的机器学习。
https://www.coursera.org/learn/machine-learning/
如果在入门深度学习之前都没有接触过机器学习的话，那么这门课是小夕建议十分有必要听的~尤其是课程的好几个大作业，Ng已经给你写好的框架也要好好看，这对于摸清行业基本工程框架是十分有帮助的~可以说是理论与工程双收的入门教程。当然，已经入门的就忽略吧。
2、斯坦福大学的公开课CS231n（深度学习与计算机视觉）。
http://cs231n.stanford.edu/
小夕是做自然语言处理（NLP）的，所以早就听说了这门课但是一直也没有去看。最近也是刷了几节，感觉非视觉方向的小伙伴听一听也是有帮助的~
不过个人觉得非视觉方向的，又不是有大把时间的，就不用太心心念这门课啦
，这门课的更高效的替代品还是蛮多的。视觉方向的刚要入门的去刷就非常合适了。
3、斯坦福大学的公开课CS224d（深度学习与自然语言处理）。
http://cs224d.stanford.edu/syllabus.html
这门课是深度学习与自然语言处理的结合，开课老师是NLP领域的天才级大牛Richard Socher，几乎各种递归网络的提出者。NLP方向的小伙伴要入门深度学习的话，看这门课是很合适的，小夕也刷完了，毕竟词向量这些概念的特性理解不透的话，CNN、RNN理解的再好也很容易瓶颈了。不过这门课对CNN在NLP领域的应用讲的不多，还是建议刚入门的初学者刷一刷，已经入门的就不用啦，太浪费时间。
4、coursera上Ng开设的Neural networks and deep learning。
https://www.coursera.org/specializations/deep-learning
这门课实在太太太火，小夕也是前几天抽出时间来挑着看了些，主要集中在第二、三章节上。发现这门课第二章节的内容跟Ng的
《machine learning yearning》
好好好像啊，甚至插图都没有变太多 =.= 对于初学者来说，这门课的内容是以后进行工程所不可或缺的，十分建议这门课和《machine learning yearning》最少要挑一个看！尤其是bias-variant trade-off理论，没有人比Ng讲的更清楚了。
对视频资料
总结
一下
，如果是一个完全态的新手，那么Ng的机器学习是十分有必要认真看的（是说认真看大作业的代码！不仅仅是视频！）。如果有机器学习基础了，但是深度学习是个小白，神经网络也理解很少，数学也不怎么样，那么Ng的Neural networks and deep learning刷了绝对大有收获的~如果机器学习和深度学习的基础都有了，但是缺乏某一应用领域的应用套路，那么有时间可以刷CS231n或者cs224d，没时间也无所谓的，继续往下看啦~
纸质书籍方面，由于我们目标是深度学习的应用！而且精力有限！所以在书籍上的功夫一定要少而精。小夕力推两本，这两本也是小夕除了论文外，80%的知识来源~（算上论文也能占40%啦）
1、
《Deep learning》
，中文叫《深度学习》，已经开售了（应该没有人不知道吧）。
这本书的价值和权威性不用我啰嗦。但是！我要吐槽一下，我觉得这本书除了主流的深度学习模型讲的很一般以外，其它大部分章节还是挺好的！如果你看这本书的第9、10章学习CNN、RNN的时候感觉乱糟糟的，要么感觉太过啰嗦缺乏核心，要么感觉“天呐怎么一带而过了”，那么不要怀疑自己的智商，因为小夕也怀疑过自己的智商了 =.= 。这些章节主要就用来索引论文吧。（当然如果你觉得讲的棒呆了，恭喜你跟作者心有灵犀）
