蜜桃av色欲a片精品一区,麻豆aⅴ精品无码一区二区,亚洲人成网站在线播放影院在线,亚洲 素人 字幕 在线 最新

  深度學(xué)習(xí)和機(jī)器學(xué)習(xí)有什么區(qū)別？

發(fā)布日期：2022/8/5 10:55:55      瀏覽量：

在人工智能的早期，那些對人類智力來說非常困難、但對計算機(jī)來說相對簡單的問題得到迅速解決，比如，那些可以通過一系列形式化的數(shù)學(xué)規(guī)則來描述的問題。人工智能的真正挑戰(zhàn)在于解決那些對人來說很容易執(zhí)行、但很難形式化描述的任務(wù)，如識別人們所說的話或圖像中的臉。對于這些問題，我們?nèi)祟愅梢詰{借直覺輕易地解決。

針對這些比較直觀的問題，《深度學(xué)習(xí)》討論一種解決方案。該方案可以讓計算機(jī)從經(jīng)驗中學(xué)習(xí)，并根據(jù)層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關(guān)系來定義。讓計算機(jī)從經(jīng)驗獲取知識，可以避免由人類來給計算機(jī)形式化地指定它需要的所有知識。層次化的概念讓計算機(jī)構(gòu)建較簡單的概念來學(xué)習(xí)復(fù)雜概念。如果繪制出表示這些概念如何建立在彼此之上的圖，我們將得到一張“深”(層次很多)的圖?；谶@個原因，我們稱這種方法為AI深度學(xué)習(xí)(deep learning)。

AI許多早期的成功發(fā)生在相對樸素且形式化的環(huán)境中，而且不要求計算機(jī)具備很多關(guān)于世界的知識。例如，IBM的深藍(lán)(Deep Blue)國際象棋系統(tǒng)在1997年擊敗了世界冠軍Garry Kasparov(Hsu,2002)。顯然國際象棋是一個非常簡單的領(lǐng)域，因為它僅含有64個位置并只能以嚴(yán)格限制的方式移動32個棋子。設(shè)計一種成功的國際象棋策略是巨大的成就，但向計算機(jī)描述棋子及其允許的走法并不是這一挑戰(zhàn)的困難所在。國際象棋完全可以由一個非常簡短的、完全形式化的規(guī)則列表來描述，并可以容易地由程序員事先準(zhǔn)備好。

具有諷刺意義的是，抽象和形式化的任務(wù)對人類而言是最困難的腦力任務(wù)之一，但對計算機(jī)而言卻屬于最容易的。計算機(jī)早就能夠打敗人類最好的國際象棋選手，但直到最近計算機(jī)才在識別對象或語音任務(wù)中達(dá)到人類平均水平。一個人的日常生活需要關(guān)于世界的巨量知識。很多這方面的知識是主觀的、直觀的，因此很難通過形式化的方式表達(dá)清楚。計算機(jī)需要獲取同樣的知識才能表現(xiàn)出智能。人工智能的一個關(guān)鍵挑戰(zhàn)就是如何將這些非形式化的知識傳達(dá)給計算機(jī)。

一些人工智能項目力求將關(guān)于世界的知識用形式化的語言進(jìn)行硬編碼(hard-code)。計算機(jī)可以使用邏輯推理規(guī)則來自動地理解這些形式化語言中的聲明。這就是眾所周知的人工智能的知識庫(knowledge base)方法。然而，這些項目最終都沒有取得重大的成功。其中最著名的項目是Cyc(Lenat and Guha,1989)。Cyc包括一個推斷引擎和一個使用CycL語言描述的聲明數(shù)據(jù)庫。這些聲明是由人類監(jiān)督者輸入的。這是一個笨拙的過程。人們設(shè)法設(shè)計出足夠復(fù)雜的形式化規(guī)則來精確地描述世界。例如，Cyc不能理解一個關(guān)于名為Fred的人在早上剃須的故事(Linde,1992)。它的推理引擎檢測到故事中的不一致性：它知道人體的構(gòu)成不包含電氣零件，但由于Fred正拿著一個電動剃須刀，它認(rèn)為實體——“正在剃須的Fred”(“Fred While Shaving”)含有電氣部件。因此，它產(chǎn)生了這樣的疑問——Fred在刮胡子的時候是否仍然是一個人。

依靠硬編碼的知識體系面臨的困難表明，AI 系統(tǒng)需要具備自己獲取知識的能力，即從原始數(shù)據(jù)中提取模式的能力。這種能力稱為機(jī)器學(xué)習(xí)(machine learning)。引入機(jī)器學(xué)習(xí)使計算機(jī)能夠解決涉及現(xiàn)實世界知識的問題，并能做出看似主觀的決策。比如，一個稱為邏輯回歸(logistic regression)的簡單機(jī)器學(xué)習(xí)算法可以決定是否建議剖腹產(chǎn)(Mor-Yosef et al.,1990)。而同樣是簡單機(jī)器學(xué)習(xí)算法的樸素貝葉斯(naive Bayes)則可以區(qū)分垃圾電子郵件和合法電子郵件。

這些簡單的機(jī)器學(xué)習(xí)算法的性能在很大程度上依賴于給定數(shù)據(jù)的表示(representation)。例如，當(dāng)邏輯回歸用于判斷產(chǎn)婦是否適合剖腹產(chǎn)時，AI系統(tǒng)不會直接檢查患者。相反，醫(yī)生需要告訴系統(tǒng)幾條相關(guān)的信息，諸如是否存在子宮疤痕。表示患者的每條信息稱為一個特征。邏輯回歸學(xué)習(xí)病人的這些特征如何與各種結(jié)果相關(guān)聯(lián)。然而，它絲毫不能影響該特征定義的方式。如果將病人的MRI(核磁共振)掃描而不是醫(yī)生正式的報告作為邏輯回歸的輸入，它將無法做出有用的預(yù)測。MRI掃描的單一像素與分娩過程中并發(fā)癥之間的相關(guān)性微乎其微。

在整個計算機(jī)科學(xué)乃至日常生活中，對表示的依賴都是一個普遍現(xiàn)象。在計算機(jī)科學(xué)中，如果數(shù)據(jù)集合被精巧地結(jié)構(gòu)化并被智能地索引，那么諸如搜索之類的操作的處理速度就可以成指數(shù)級地加快。人們可以很容易地在阿拉伯?dāng)?shù)字的表示下進(jìn)行算術(shù)運算，但在羅馬數(shù)字的表示下，運算會比較耗時。因此，毫不奇怪，表示的選擇會對機(jī)器學(xué)習(xí)算法的性能產(chǎn)生巨大的影響。圖1.1展示了一個簡單的可視化例子。

圖1.1不同表示的例子：假設(shè)我們想在散點圖中畫一條線來分隔兩類數(shù)據(jù)。在左圖中，我們使用笛卡兒坐標(biāo)表示數(shù)據(jù)，這個任務(wù)是不可能的。在右圖中，我們用極坐標(biāo)表示數(shù)據(jù)，可以用垂直線簡單地解決這個任務(wù)(與David Warde-Farley合作繪制此圖)

許多人工智能任務(wù)都可以通過以下方式解決：先提取一個合適的特征集，然后將這些特征提供給簡單的機(jī)器學(xué)習(xí)算法。例如，對于通過聲音鑒別說話者的任務(wù)來說，一個有用的特征是對其聲道大小的估計。這個特征為判斷說話者是男性、女性還是兒童提供了有力線索。

然而，對于許多任務(wù)來說，我們很難知道應(yīng)該提取哪些特征。例如，假設(shè)我們想編寫一個程序來檢測照片中的車。我們知道，汽車有輪子，所以我們可能會想用車輪的存在與否作為特征。遺憾的是，我們難以準(zhǔn)確地根據(jù)像素值來描述車輪看上去像什么。雖然車輪具有簡單的幾何形狀，但它的圖像可能會因場景而異，如落在車輪上的陰影、太陽照亮的車輪的金屬零件、汽車的擋泥板或者遮擋的車輪一部分的前景物體等。

解決這個問題的途徑之一是使用機(jī)器學(xué)習(xí)來發(fā)掘表示本身，而不僅僅把表示映射到輸出。這種方法我們稱之為表示學(xué)習(xí)(representation learning)。學(xué)習(xí)到的表示往往比手動設(shè)計的表示表現(xiàn)得更好。并且它們只需最少的人工干預(yù)，就能讓AI系統(tǒng)迅速適應(yīng)新的任務(wù)。表示學(xué)習(xí)算法只需幾分鐘就可以為簡單的任務(wù)發(fā)現(xiàn)一個很好的特征集，對于復(fù)雜任務(wù)則需要幾小時到幾個月。手動為一個復(fù)雜的任務(wù)設(shè)計特征需要耗費大量的人工、時間和精力，甚至需要花費整個社群研究人員幾十年的時間。

表示學(xué)習(xí)算法的典型例子是自編碼器(autoencoder)。自編碼器由一個編碼器(encoder)函數(shù)和一個解碼器(decoder)函數(shù)組合而成。編碼器函數(shù)將輸入數(shù)據(jù)轉(zhuǎn)換為一種不同的表示，而解碼器函數(shù)則將這個新的表示轉(zhuǎn)換回原來的形式。我們期望當(dāng)輸入數(shù)據(jù)經(jīng)過編碼器和解碼器之后盡可能多地保留信息，同時希望新的表示有各種好的特性，這也是自編碼器的訓(xùn)練目標(biāo)。為了實現(xiàn)不同的特性，我們可以設(shè)計不同形式的自編碼器。

當(dāng)設(shè)計特征或設(shè)計用于學(xué)習(xí)特征的算法時，我們的目標(biāo)通常是分離出能解釋觀察數(shù)據(jù)的變差因素(factors of variation)。在此背景下，“因素”這個詞僅指代影響的不同來源；因素通常不是乘性組合。這些因素通常是不能被直接觀察到的量。相反，它們可能是現(xiàn)實世界中觀察不到的物體或者不可觀測的力，但會影響可觀測的量。為了對觀察到的數(shù)據(jù)提供有用的簡化解釋或推斷其原因，它們還可能以概念的形式存在于人類的思維中。它們可以被看作數(shù)據(jù)的概念或者抽象，幫助我們了解這些數(shù)據(jù)的豐富多樣性。當(dāng)分析語音記錄時，變差因素包括說話者的年齡、性別、他們的口音和他們正在說的詞語。當(dāng)分析汽車的圖像時，變差因素包括汽車的位置、它的顏色、太陽的角度和亮度。

在許多現(xiàn)實的人工智能應(yīng)用中，困難主要源于多個變差因素同時影響著我們能夠觀察到的每一個數(shù)據(jù)。比如，在一張包含紅色汽車的圖片中，其單個像素在夜間可能會非常接近黑色。汽車輪廓的形狀取決于視角。大多數(shù)應(yīng)用需要我們理清變差因素并忽略我們不關(guān)心的因素。

顯然，從原始數(shù)據(jù)中提取如此高層次、抽象的特征是非常困難的。許多諸如說話口音這樣的變差因素，只能通過對數(shù)據(jù)進(jìn)行復(fù)雜的、接近人類水平的理解來辨識。這幾乎與獲得原問題的表示一樣困難，因此，乍一看，表示學(xué)習(xí)似乎并不能幫助我們。

深度學(xué)習(xí)(deep learning)通過其他較簡單的表示來表達(dá)復(fù)雜表示，解決了表示學(xué)習(xí)中的核心問題。

深度學(xué)習(xí)讓計算機(jī)通過較簡單的概念構(gòu)建復(fù)雜的概念。圖1.2展示了深度學(xué)習(xí)系統(tǒng)如何通過組合較簡單的概念(例如角和輪廓，它們反過來由邊線定義)來表示圖像中人的概念。深度學(xué)習(xí)模型的典型例子是前饋深度網(wǎng)絡(luò)或多層感知機(jī)(multilayer perceptron,MLP)。多層感知機(jī)僅僅是一個將一組輸入值映射到輸出值的數(shù)學(xué)函數(shù)。該函數(shù)由許多較簡單的函數(shù)復(fù)合而成。我們可以認(rèn)為不同數(shù)學(xué)函數(shù)的每一次應(yīng)用都為輸入提供了新的表示。

學(xué)習(xí)數(shù)據(jù)的正確表示的想法是解釋深度學(xué)習(xí)的一個視角。另一個視角是深度促使計算機(jī)學(xué)習(xí)一個多步驟的計算機(jī)程序。每一層表示都可以被認(rèn)為是并行執(zhí)行另一組指令之后計算機(jī)的存儲器狀態(tài)。更深的網(wǎng)絡(luò)可以按順序執(zhí)行更多的指令。順序指令提供了極大的能力，因為后面的指令可以參考早期指令的結(jié)果。從這個角度上看，在某層激活函數(shù)里，并非所有信息都蘊涵著解釋輸入的變差因素。表示還存儲著狀態(tài)信息，用于幫助程序理解輸入。這里的狀態(tài)信息類似于傳統(tǒng)計算機(jī)程序中的計數(shù)器或指針。它與具體的輸入內(nèi)容無關(guān)，但有助于模型組織其處理過程。

圖1.2深度學(xué)習(xí)模型的示意圖。計算機(jī)難以理解原始感觀輸入數(shù)據(jù)的含義，如表示為像素值集合的圖像。將一組像素映射到對象標(biāo)識的函數(shù)非常復(fù)雜。如果直接處理，學(xué)習(xí)或評估此映射似乎是不可能的。深度學(xué)習(xí)將所需的復(fù)雜映射分解為一系列嵌套的簡單映射(每個由模型的不同層描述)來解決這一難題。輸入展示在可見層(visible layer)，這樣命名的原因是因為它包含我們能觀察到的變量。然后是一系列從圖像中提取越來越多抽象特征的隱藏層(hidden layer)。因為它們的值不在數(shù)據(jù)中給出，所以將這些層稱為“隱藏層”;模型必須確定哪些概念有利于解釋觀察數(shù)據(jù)中的關(guān)系。這里的圖像是每個隱藏單元表示的特征的可視化。給定像素，第1層可以輕易地通過比較相鄰像素的亮度來識別邊緣。有了第1隱藏層描述的邊緣，第2隱藏層可以容易地搜索可識別為角和擴(kuò)展輪廓的邊集合。給定第2隱藏層中關(guān)于角和輪廓的圖像描述，第3隱藏層可以找到輪廓和角的特定集合來檢測特定對象的整個部分。最后，根據(jù)圖像描述中包含的對象部分，可以識別圖像中存在的對象(經(jīng)Zeiler and Fergus(2014)許可引用此圖)

圖1.2深度學(xué)習(xí)模型的示意圖。計算機(jī)難以理解原始感觀輸入數(shù)據(jù)的含義，如表示為像素值集合的圖像。將一組像素映射到對象標(biāo)識的函數(shù)非常復(fù)雜。如果直接處理，學(xué)習(xí)或評估此映射似乎是不可能的。深度學(xué)習(xí)將所需的復(fù)雜映射分解為一系列嵌套的簡單映射(每個由模型的不同層描述)來解決這一難題。輸入展示在用來作為一個步驟的函數(shù)。圖1.3說明了語言的選擇如何給相同的架構(gòu)兩個不同的衡量。

圖1.3將輸入映射到輸出的計算圖表的示意圖，其中每個節(jié)點執(zhí)行一個操作。深度是從輸入到輸出的最長路徑的長度，但這取決于可能的計算步驟的定義。這些圖中所示的計算是邏輯回歸模型的輸出，σ(wTx)，其中σ是logistic sigmoid函數(shù)。如果使用加法、乘法和logistic sigmoid作為計算機(jī)語言的元素，那么這個模型深度為3；如果將邏輯回歸視為元素本身，那么這個模型深度為1

另一種是在深度概率模型中使用的方法，它不是將計算圖的深度視為模型深度，而是將描述概念彼此如何關(guān)聯(lián)的圖的深度視為模型深度。在這種情況下，計算每個概念表示的計算流程圖的深度可能比概念本身的圖更深。這是因為系統(tǒng)對較簡單概念的理解在給出更復(fù)雜概念的信息后可以進(jìn)一步精細(xì)化。例如，一個AI系統(tǒng)觀察其中一只眼睛在陰影中的臉部圖像時，它最初可能只看到一只眼睛。但當(dāng)檢測到臉部的存在后，系統(tǒng)可以推斷第二只眼睛也可能是存在的。在這種情況下，概念的圖僅包括兩層(關(guān)于眼睛的層和關(guān)于臉的層)，但如果我們細(xì)化每個概念的估計將需要額外的n次計算，那么計算的圖將包含2n層。

由于并不總是清楚計算圖的深度和概率模型圖的深度哪一個是最有意義的，并且由于不同的人選擇不同的最小元素集來構(gòu)建相應(yīng)的圖，所以就像計算機(jī)程序的長度不存在單一的正確值一樣，架構(gòu)的深度也不存在單一的正確值。另外，也不存在模型多么深才能被修飾為“深”的共識。但相比傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)研究的模型涉及更多學(xué)到功能或?qū)W到概念的組合，這點毋庸置疑。

總之，這本書的主題——深度學(xué)習(xí)是通向人工智能的途徑之一。具體來說，它是機(jī)器學(xué)習(xí)的一種，一種能夠使計算機(jī)系統(tǒng)從經(jīng)驗和數(shù)據(jù)中得到提高的技術(shù)。我們堅信機(jī)器學(xué)習(xí)可以構(gòu)建出在復(fù)雜實際環(huán)境下運行的AI系統(tǒng)，并且是唯一切實可行的方法。深度學(xué)習(xí)是一種特定類型的機(jī)器學(xué)習(xí)，具有強大的能力和靈活性，它將大千世界表示為嵌套的層次概念體系(由較簡單概念間的聯(lián)系定義復(fù)雜概念、從一般抽象概括到高級抽象表示)。圖1.4說明了這些不同的AI學(xué)科之間的關(guān)系。圖1.5展示了每個學(xué)科如何工作的高層次原理。

圖1.4維恩圖展示了深度學(xué)習(xí)既是一種表示學(xué)習(xí)，也是一種機(jī)器學(xué)習(xí)，可以用于許多(但不是全部)AI方法。維恩圖的每個部分包括一個AI技術(shù)的實例

圖1.5流程圖展示了AI系統(tǒng)的不同部分如何在不同的AI學(xué)科中彼此相關(guān)。陰影框表示能從數(shù)據(jù)中學(xué)習(xí)的組件

書籍推薦1、深度學(xué)習(xí)[deep learning]

深度學(xué)習(xí)領(lǐng)域奠基性經(jīng)典暢銷書，數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)從業(yè)者必讀，長期位居美亞AI和機(jī)器學(xué)習(xí)類圖書榜首，圖靈獎獲獎作品，全彩印刷。

《深度學(xué)習(xí)》由全球知名的三位專家IanGoodfellow、YoshuaBengio和AaronCourville撰寫，是深度學(xué)習(xí)領(lǐng)域奠基性的經(jīng)典教材。全書的內(nèi)容包括3個部分：第1部分介紹基本的數(shù)學(xué)工具和機(jī)器學(xué)習(xí)的概念，它們是深度學(xué)習(xí)的預(yù)備知識；第2部分系統(tǒng)深入地講解現(xiàn)今已成熟的深度學(xué)習(xí)方法和技術(shù)；第3部分討論某些具有前瞻性的方向和想法，它們被公認(rèn)為是深度學(xué)習(xí)未來的研究重點。

《深度學(xué)習(xí)》適合各類讀者閱讀，包括相關(guān)專業(yè)的大學(xué)生或研究生，以及不具有機(jī)器學(xué)習(xí)或統(tǒng)計背景、但是想要快速補充深度學(xué)習(xí)知識，以便在實際產(chǎn)品或平臺中應(yīng)用的軟件工程師。

2、動手學(xué)深度學(xué)習(xí)

書面向希望了解深度學(xué)習(xí)，特別是對實際使用深度學(xué)習(xí)感興趣的大學(xué)生、工程師和研究人員。本書不要求讀者有任何深度學(xué)習(xí)或者機(jī)器學(xué)習(xí)的背景知識，讀者只需具備基本的數(shù)學(xué)和編程知識，如基礎(chǔ)的線性代數(shù)、微分、概率及Python編程知識。本書的附錄中提供了書中涉及的主要數(shù)學(xué)知識，供讀者參考。

全書的內(nèi)容分為3個部分：第一部分介紹深度學(xué)習(xí)的背景，提供預(yù)備知識，并包括深度學(xué)習(xí)基礎(chǔ)的概念和技術(shù)；第二部分描述深度學(xué)習(xí)計算的重要組成部分，還解釋近年來令深度學(xué)習(xí)在多個領(lǐng)域大獲成功的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；第三部分評價優(yōu)化算法，檢驗影響深度學(xué)習(xí)計算性能的重要因素，并分別列舉深度學(xué)習(xí)在計算機(jī)視覺和自然語言處理中的重要應(yīng)用。

本書同時覆蓋深度學(xué)習(xí)的方法和實踐，主要面向在校大學(xué)生、技術(shù)人員和研究人員。閱讀本書需要讀者了解基本的Python編程或附錄中描述的線性代數(shù)、微分和概率基礎(chǔ)。

3、PyTorch深度學(xué)習(xí)實戰(zhàn)

雖然很多深度學(xué)習(xí)工具都使用Python，但PyTorch 庫是真正具備Python 風(fēng)格的。對于任何了解NumPy 和scikit-learn 等工具的人來說，上手PyTorch 輕而易舉。PyTorch 在不犧牲高級特性的情況下簡化了深度學(xué)習(xí)，它非常適合構(gòu)建快速模型，并且可以平穩(wěn)地從個人應(yīng)用擴(kuò)展到企業(yè)級應(yīng)用。由于像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch，所以當(dāng)你掌握了PyTorth，就會擁有更多的職業(yè)選擇。

本書是教你使用 PyTorch 創(chuàng)建神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)系統(tǒng)的實用指南。它幫助讀者快速從零開始構(gòu)建一個真實示例：腫瘤圖像分類器。在此過程中，它涵蓋了整個深度學(xué)習(xí)管道的關(guān)鍵實踐，包括 PyTorch張量 API、用 Python 加載數(shù)據(jù)、監(jiān)控訓(xùn)練以及將結(jié)果進(jìn)行可視化展示。

4、機(jī)器學(xué)習(xí)的數(shù)學(xué)

本書的目標(biāo)是幫助讀者全面、系統(tǒng)地學(xué)習(xí)機(jī)器學(xué)習(xí)所必須的數(shù)學(xué)知識。全書由8章組成，力求精準(zhǔn)、最小地覆蓋機(jī)器學(xué)習(xí)的數(shù)學(xué)知識。包括微積分，線性代數(shù)與矩陣論，**化方法，概率論，信息論，隨機(jī)過程，以及圖論。本書從機(jī)器學(xué)習(xí)的角度講授這些數(shù)學(xué)知識，對它們在該領(lǐng)域的應(yīng)用舉例說明，使讀者對某些抽象的數(shù)學(xué)知識和理論的實際應(yīng)用有直觀、具體的認(rèn)識。

本書內(nèi)容緊湊，結(jié)構(gòu)清晰，深入淺出，講解詳細(xì)?？捎米饔嬎銠C(jī)、人工智能、電子工程、自動化、數(shù)學(xué)等相關(guān)專業(yè)的教材與教學(xué)參考書。對人工智能領(lǐng)域的工程技術(shù)人員與產(chǎn)品研發(fā)人員，本書也有很強的參考價值。對于廣大數(shù)學(xué)與應(yīng)用的數(shù)學(xué)愛好者，本書亦為適合自學(xué)的讀本。

機(jī)器學(xué)習(xí)精講 全彩印刷

本書用簡短的篇幅、精煉的語言，講授機(jī)器學(xué)習(xí)領(lǐng)域必備的知識和技能。全書共11章和一個術(shù)語表，依次介紹了機(jī)器學(xué)習(xí)的基本概念、符號和定義、算法、基本實踐方法、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)、問題與解決方案、進(jìn)階操作、非監(jiān)督學(xué)習(xí)以及其他學(xué)習(xí)方式等，涵蓋了監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、集成學(xué)習(xí)、梯度下降、聚類分析、維度降低、自編碼器、遷移學(xué)習(xí)、強化學(xué)習(xí)、特征工程、超參數(shù)調(diào)試等眾多核心概念和方法。全書最后給出了一個較為詳盡的術(shù)語表。

本書能夠幫助讀者了解機(jī)器學(xué)習(xí)是如何工作的，為進(jìn)一步理解該領(lǐng)域的復(fù)雜問題和進(jìn)行深入研究打好基礎(chǔ)。本書適合想要學(xué)習(xí)和掌握機(jī)器學(xué)習(xí)的軟件從業(yè)人員、想要運用機(jī)器學(xué)習(xí)技術(shù)的數(shù)據(jù)科學(xué)家閱讀，也適合想要了解機(jī)器學(xué)習(xí)的一般讀者參考。