咱们先来聊聊机器学习和深度学习的关系~
这个问题其实挺常见的，之前我也跟不少同事、同学聊过。最近有好几个同学也聊过。
简单说，深度学习是机器学习的一个子集，两者不是并列关系，而是"包含"关系。
你可以这么理解：
机器学习是一个大圈子，里面包括了各种方法，比如线性回归、决策树、支持向量机等等。而深度学习，它是基于神经网络的一类方法，尤其适合处理图像、语音、自然语言这些复杂的、非结构化的数据。
深度学习为什么这么火？主要是因为它在很多任务上效果太强了，特别是有了大数据和强算力之后，很多以前用传统机器学习搞不定的问题，深度学习一下子就能做得很不错。像你现在手机的语音识别、图像识别、推荐系统背后，基本都跑的是深度学习模型。
当然，并不是说深度学习就是万能的。很多时候，如果你的数据量不大，或者问题比较结构化（比如某些金融预测场景），传统机器学习可能更稳、更快、更容易调试。
我的建议是：
-
如果你是刚入门，可以先把机器学习的基础打牢，理解常见算法的原理和适用场景。
-
再去搞深度学习，这样你对模型的选择、优化、调参都会更有底气，不容易盲目跟风。
一句话总结：深度学习是机器学习的一部分，是目前特别擅长处理复杂问题的一类方法，但掌握它之前，基础的机器学习知识还是得扎实。
说说我的坑和经验，你作为参考~
其实你都已经自学了 Python 基础，那已经走出了第一步，非常棒的开端。
我的建议是：别太着急冲深度学习，先把几个关键基础打牢，不然学到一半容易卡住比较烦人。
我大概说一个路线：
1、打基础
Python基础，已经学习过，之后学学Python的进阶，比如 list/dict 的操作、函数、类这些，数据结构写清楚点能省很多debug时间。不说精通，起码写得顺手。
Numpy 和 Pandas：这两个是数据分析和深度学习的地基，numpy 主要是搞矩阵、向量那一套，处理数据关键的工具。
Matplotlib / Seaborn：基础的会用就好，用来画图看数据的，有助于你理解训练过程、模型表现，后面调参也会用到。
线性代数、微积分、概率论：不需要你能证明公式，但你得知道矩阵乘法为啥那么搞，loss 函数为什么用导数优化，反向传播是个什么概念等等
2、入门深度学习
先从深度学习框架入手（推荐 PyTorch）：上手简单，社区也好，文档清晰，比 TensorFlow 人性化。
理解训练流程：前向传播、loss、反向传播、optimizer 这些概念是核心。
然后最简单的网络开始搭建（如 MLP、CNN），自己动手训练一个数字分类模型（MNIST）等等。
教程的话，我这边确实深度学习的不多，你可以参考吴恩达老师的深度学习，非常全的，另外还有李宏毅的深度学习课可以看看。
3、最后几点建议
整个阶段，我建议可以做小项目，或者实现小案例为目标，比如"做一个识别手写数字的小程序"、"用图像识别识别猫狗"，有目标比盲学有效很多。确实很多时候学习完基础知识点，很快会忘记，所以也要多多记录。
《机器学习+深度学习》和人工智能60G入门学习zi料包
【1.超详细的人工智能学习大纲】：一个月精心整理，快速理清学习思路！
【2.基础知识】：Python基础+高数基础
【3.机器学习入门】：机器学习经典算法详解
【4.深度学习入门】：神经网络基础（CNN+RNN+GAN）
扫马获取：
很多东西第一次听不懂是正常的，深度学习这玩意很多地方是"多看几遍才懂"的。
多读代码、多改代码：看别人怎么写的，然后自己照着写一遍，修改参数试试效果。
别怕慢：很多人学着学着就放弃了，坚持下来你慢慢会发现你已经入门，甚至在一些地方的理解已经很深入了。