wo人生如戏
没有必要，但是深度学习确实会用到一些传统机器学习的一些知识，比如概率论、导数、微积分等，确切的说两者都需要一定的数学知识。本人研究过一段时间的NLP（自然语言处理），发现目前生产领域应用最多的可能还是机器学习算法，深度学习在nlp上的应用效果包括精准度等不如图像和视频，但是也不可否认NLP这几年的发展也很迅猛，比如Google的Transformer模型以及基于它上面的BERT、GPT2模型都展现出了惊人的效果。想学习就从现在开始，可以先从深度学习入手，以后会碰到机器学习算法，再触类旁通也是可以的。
猿人故事
针对这个问题，我的总体建议就是：
本着大处着眼小处着手的学习原则，顺藤摸瓜，展开学习。
不老在门口徘徊，一脚先进去，然后定位自己需要的知识点，进行聚焦学习。
首先比较下两者的区别
机器学习与深度学习有什么区别？
两者的关系是：人工智能AI包括机器学习，机器学习包括深度学习。
额外也提一下数据挖掘，大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。所以我们看到机器学习跟深度学习都是数据挖掘的方法。
什么是机器学习？
机器学习(Machine Learning，ML)是人工智能的子领域，也是人工智能的核心。机器学习是一门交叉学科，综合利用概率论知识，统计学知识，近似理论知识和复杂算法知识，模拟人类的思考解决问题的方式，达到充分利用计算机超强运算能力协助人类解决问题的目的。
什么是深度学习？
深度学习(DeepLearning，DL)属于机器学习的子类。是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向，使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。
机器学习与深度学习的比较
深度学习在搜索技术、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等待领域取得了很多成果。我们平常把深度学习跟机器学习混在一块的，这也没什么不妥。
1、检验算法的成熟度
机器学习，通过调整得到的算法一般是准确，并完全可控的，可以比较快得到高成熟度的算法。
一般来说，深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数，因此训练它们需要比平时更长的时间。所以深度学习的算法成熟度，跟不确定性，需要更长时间。
2、解决问题的过程
机器学习算法遵循标准程序以解决问题。计算过程是可以解释的、按流程进行的。
深度学习的数据处理过程则是黑盒子方式，需要通过不停的调整训练。
两者的基础概念相通的地方很多
最终如果掌握了深度学习，肯定也掌握了机器学习。学习的过程不一定是要求把所有机器学习模型通通掌握，而是理解一些基本概念，比如监督学习(supervised learning)，无监督学习(unsupervised leaning)，训练(training)，测试(testing)，泛化(generalization)等。这些概念都是通用的。
大处着眼小处着手的学习原则
如果要学习深度学习，网上有很多深入浅出的文章跟公开课可以学习快速有个总体概念。
了解需要的预备知识。不能始终在门口徘徊。可以先一脚进去看看，里面有什么。
如果入门了，就要开始聚焦一个专业细分领域了。
因为涉及的概念太多，要迅速搜集信息，让自己尽快定位到需要专注学习的细分方向上。
把不太懂的地方都展开学习，就可以顺藤摸瓜。
总之，要聚焦问题，让自己的学习更加高效，有针对性。
智能情感里奥
我们先来搞清楚机器学习和深度学习的概念。
机器学习是AI的一个子领域，它通过算法将AI概念应用于计算系统。计算机识别数据模式并根据数据模式采取行动，随着时间的推移学习提高其准确性而无需明确的编程。机器学习的背后是预测编码，聚类和视觉热图等分析方法。我们打开某宝、某东时的购物推荐就是机器学习的一个应用。
深度学习是机器学习的子领域，是人工神经网络的另一个名字。深度学习网络模仿人类大脑感知与组织的方式，根据数据输入做出决策。AlphaGo就是我们最耳熟能详的深度学习的应用。
简而言之，机器学习是人工智能的一部分，深度学习是机器学习的一部分，这就是三者的关系。
那么学习深度学习前是否先要学习机器学习呢？
刚才说了，深度学习是机器学习的一部分，它们的关系就像「扳手」和「整套工具」 的关系。因此，如果你想搞个应用，你更应该先学机器学习，了解一下整套工具。而是否要学习深度学习（扳手）要仔细考虑考虑——毕竟，深度学习是一个在发展中的技术，并且用花掉你大把的钱！（买显卡、加速棒之类的东东……）
