Как освоить нейронные сети в краткий срок
(предполагается, что желающий освоить тему владеет английским на уровне "могу прочитать и понять техническую документацию", что-то слышал о линейной алгебре, не испытывает страха перед MATLAB/Octave и имеет базовые навыки змееуста, и компьютер под Linux с видеокартой от NVidia).
Для начала очень рекомендую пройти знаменитый курс по машинному обучению от Стэндфорского университета (ведёт этот курс не менее знаменитый Эндрю Ын), чтобы понять, что не нейросетями едиными жив мир машинного обучения, и получить базовые знания по теме (как работают простые feedforward нейросети там расписано довольно хорошо и понятно).
Можно заплатить за сертификат, но это необязательно - лекции в свободном доступе.
Поняв, что такое нейросети (а заодно и другие известные алгоритмы ML), и с чем их едят, открываем keras.io . Это одна из самых популярных библиотек для построения и обучения нейронных сетей, к тому же она очень простая для освоения.
Изучите документацию, все неизвестные термины/аспекты можно нагуглить или поискать здесь. Обязательно стоит заглянуть в директорию примеров, разобрать их, и практиковаться на различных задачах и наборах данных.
Стоит также заглянуть на Kaggle, площадку для соревнований по анализу данных, откуда эти самые задачи и наборы данных можно подчерпнуть.
Если видео-контент (в форме развлекательных видосиков, которые, тем не менее, тему раскрывают) хорошо воспринимается, можно посмотреть в сторону канала Siraj Raval - там много видеоматериалов, посвящённых описанию и имплементации различных архитектур нейронных сетей и других алгоритмов ML.
Попутно необходимо подтягивать теорию. Советую пробежаться по этому списку, причём в первую очередь, наверное, уделить статьям в списке "Optimization".
*** А вообще, лучше не спешить прыгать с разбегу в самую хайповую отрасль науки о данных, а начать с фундамента - подтянуть знания в статистике, теории вероятностей, искусстве создания и анализа наборов данных. Вот здесь есть неплохой список книг, которые помогут в этом нелёгком деле: линк.