机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

1

前言

机器学习海啸

2006 年，Geoffrey Hinton 等人发表了一篇论文

注 1

，展示了如何训练能够以最先进的精度

（> 98%）识别手写数字的深度神经网络。他们将这种技术称为“深度学习”。深度神经

网络是（非常）简化的大脑皮层的模型，由一堆人工神经元层组成。当时人们普遍认为，

训练深度神经网络是不可能的

注 2

，并且大多数研究人员在 20 世纪 90 年代后期就放弃了

这一想法。该论文重新激发了科学界的兴趣，不久之后，许多新论文证明了（在强大的

计算能力和大量数据的帮助下）深度学习不仅是可能的，而且还具有令人难以置信的成

就，这是其他机器学习（ ML）技术无法企及的。这种热情很快扩展到了机器学习的许多

其他领域。

大约十年后，机器学习征服了整个工业界：它是当今高科技产品诸多魔力的核心，可以为

你的网络搜索结果排名，为智能手机的语音识别提供支持，可以推荐视频，并在围棋比

赛中击败世界冠军。在不知不觉中，它将驾驶你的汽车。

你的项目中的机器学习

因此，你自然会对机器学习感到兴奋，并很乐意加入这场盛宴！

也许你想让你的自制机器人拥有自己的大脑，使它能够识别人脸，或者学会走路。

也许你的公司拥有大量数据（用户日志、财务数据、生产数据、机器传感器数据、热线

统计信息、人力资源报告等），如果你知道在哪里看，很有可能会发现一些隐藏的宝石。

注 1：Geoffrey E. Hinton et al., “ A Fast Learning Algorithm for Deep Belief Nets”,

Neural ...