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。

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。

目前主流的深度学习主要涉及的的神经网络相关的模型和算法，涉及的基础知识主要是(简单的)微分、线性代数和统计学。因此，如果目标是学会原理并应用深度学习模型的话，直接以神经网络为主线进行学习是可行的。

这种学习策略的主要问题是，深度学习涉及的模型和算法太庞杂，大部分人无法消化吸收——学习曲线太过陡峭。一个更平和的策略是，首先从机器学习的思想、结构、方法学起，然后在这个基础上进行深度学习部分的学习。

传统机器学算法，比如多元线性回归、决策树、逻辑回归、softmax等，一般比较简单，可以很快理解——这样，我们就可以用较多的精力体会“损失函数”、“权重”、“梯度下降”、“查全率”等等概念背后的思想、实现细节。有了这些基础，就可以顺畅地理解人工神经网络，进而理解人工神经元、激活函数、反向传播等等概念。接下来，在学习卷积神经网络(CNN)、循环神经网络(RNN)、Transformer乃至BERT等模型的时候，就可以忽略很多细节，在一定的抽象程度上进行思考、节省很多精力。

总之，我建议先学习一点(不要求完整或系统)机器学习，然后学习深度学习。

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？

概念上有些误解，深度学习属于机器学习的子类。它的灵感来源于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新的概念，可理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整。其目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如文本、图像、声音。

如果要学习深度学习，推荐一本书《DEEP LEARNING》。这本书介绍很全面，由深度学习领域的专家撰写。被称为 AI 圣经，因为它将这个领域多年的研究汇集到一本书中。

如果你是一个有抱负的学生想要掌握深度学习并深入研究，或者你想教授深度学习课程，那么这本书肯定会对你有帮助。这本书可能是目前关于深度学习最全面的图书。