学习计算机神经网络可以分为以下几个阶段：
数学基础
线性代数和 高等数学中的部分内容，如线性方程组、矩阵运算、微积分等。
推荐书籍：《机器学习的数学》。
编程基础
Python编程，掌握面向对象的编程基础。
推荐资源：廖雪峰的Python 3教程。
机器学习基础
算法，了解常见的机器学习算法，如线性回归、逻辑回归、决策树等。
推荐书籍：《统计学习方法》。
神经网络基础
神经网络结构，理解前馈神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等的基本结构。
损失函数和 优化算法，如梯度下降、随机梯度下降（SGD）、Adam等。
推荐资源：吴恩达的《深度学习专项课程》。
实践项目
通过参与实际项目，如图像识别、自然语言处理、推荐系统等，将理论知识应用到实际问题中。
可以选择开源项目或自己感兴趣的问题进行实践。
持续学习
关注最新的神经网络研究成果和技术进展，阅读相关学术会议和期刊的论文，如NeurIPS、ICML、IJCAI等。
关注知名博客和论坛，如Medium、Towards Data Science、Stack Overflow等。
建议
分阶段学习：从基础知识开始，逐步深入到神经网络的各个方面。
理论与实践相结合：通过编写代码和参与项目，加深对理论知识的理解。
选择合适的学习资源：根据自己的学习风格和兴趣选择教材、在线课程和视频教程。
保持好奇心：神经网络领域不断发展，保持对新知识的好奇心和探索精神。