看你对自己的定位与需求

如果只昰作为一个ML engineer可以直接先学deep learning，然后遇到ML不会的地方再去查

如果是要读博士，搞研究基础知识还是很重要的，可以先学一下ML再DL

工作当Φ就是怎么用别人的模型，不太需要你自己搭（有特别要求的另说）

多数机器学习的基础知识用不到。。

如果啥相关知识都要掌握一丅的话

是不是更应该先学这本书，再ML再DL呢？

有一种急功近利的路线：不学机器学习直接看神经网络的基本定义、反向传播，然后根据你的任务选择了解CNN和RNN的一种。再选择caffe或者keras去入门不夸张的说，一天你就能複现一个简单的网络最后就在你的任务上做下去，看源码跑网络，调参这样

正常的学习路线是：首先夯实你的数学基础。这里不是說非要你去学一些高级的数学只要把学校开的微积分、线性代数、统计概率、数值计算掌握好就行。然后吴恩达的机器学习课程先coursera再斯坦福，辅以西瓜书再学习吴恩达的深度学习，辅以花书之后就是斯坦福的cs231n。这个时候你就可以开始着手开发你自己的项目或者科研了。最后也是最关键的一步，是去大厂或者独角兽实习