機器學習（machine learning） 已然成為無數重要應用的基石——如今，在網絡搜索、垃圾郵件檢測、語音識別以及產品推薦等領域，你都能夠發現它的身影。如果你或你的團隊正在研發一款機器學習相關應用，并期待取得較快進展，那么這本書將會是你的得力助手。

?

　　案例：建立貓咪圖片初創公司

　　想象一下，你正在建立一家初創公司，這家公司的產品目標是為貓咪愛好者們提供數不盡的貓咪圖片，你打算應用 神經網絡（neural network） 技術來構建一套計算機視覺系統，通過該系統來識別圖片中的貓。

　　但悲劇的是，目前你的學習算法準確度還不夠好。為了改進這個貓咪檢測器，你正面臨著巨大的壓力。可你該怎么做呢？

　　你的團隊給出了許多建議，例如：

　　● 獲取更多的數據，即收集更多的貓咪圖片

　　● 收集更加多樣化的訓練數據集，圖片中貓的位置可能不常見，也有可能顏色奇異，或者拍攝時使用不同的相機參數

　　● 通過增加梯度下降的迭代次數，使算法訓練得久一些

　　● 嘗試一個擁有更多層/更多隱藏元/更多參數的，規模更大的神經網絡

　　● 嘗試一個更小的神經網絡

　　● 嘗試加入正則化（例如 L2 正則化）

　　● 改變神經網絡的架構（激活函數，隱藏元數量等等）

　　● 。..

　　在上面眾多的方向中，如果你做出了正確的選擇，就將建立起一個效果領先的貓咪圖片識別平臺，并帶領你的公司取得成功。但如果你選擇了一個糟糕的方向，則可能因此浪費掉幾個月的時間。那么你該如何做出決定呢？

　　這本書將告訴你應該怎么做。眾多的機器學習問題會留下一些線索，告訴你什么樣的嘗試有用，什么樣的沒用。而學會解讀這些線索將會節省你幾個月甚至幾年的開發時間。

　　先修知識與符號說明

　　如果你有學習過機器學習相關課程（例如我在 Coursera 開設的機器學習 MOOC），或者有過監督學習的應用經驗，這本書的內容對你而言則不難理解。

　　本書假設你熟悉 監督學習（supervised learning） 概念，即使用標注（labeled）的訓練樣本（x，y） 來學習一個從 x 映射到 y 的函數。監督學習算法主要包括線性回歸（linear regression）、對數幾率回歸（logistic regression，又譯作邏輯回歸、邏輯斯蒂回歸）和神經網絡（neural network）。雖然機器學習的形式有許多種，但當前具備實用價值的大部分機器學習算法都來自于監督學習。

　　我將經常提及神經網絡（也被人們稱為“深度學習” ），但你只需對這個概念有基礎的了解便可以閱讀本書后面的內容。

　　規模驅動機器學習發展

　　關于深度學習（神經網絡）的一些想法在幾十年前就有了，那為什么它們到現在才流行起來了呢？

　　推動其近期發展的主要因素有兩個：

　　- 數據可用性（data availability） ：如今人們在數字設備（筆記本電腦、移動設備等）上花費的時間越來越多，對應的數字化行為與活動產生了海量的數據，而這些數據都可以提供給我們的學習算法用來訓練。

　　- 計算規模（computational scale） ：在近幾年前，我們才開始有能力訓練出規模足夠大的神經網絡來使用現有的海量數據集。

　　具體來說，即使你積累了更多的數據，但應用在類似于對數幾率回歸（logistic regression）這樣較傳統的學習算法上，其性能表現（performance）也將趨于 “平穩” 。這意味著算法的學習曲線將 “變得平緩” ，就算提供更多的數據，算法的性能也將不再提升。

　　傳統學習算法似乎并不知道要如何來處理現今這般規模量級的數據。

　　在同樣的監督學習任務下，選擇訓練一個小型的神經網絡（neutral network， NN），你可能會獲得較好的性能表現：