深度学习：核心原理与案例分析

前言

本书将首先介绍机器学习的基础和如何可视化机器学习的过程，然后使用一些例子来展示传统的机器学习技术，最后讨论深度学习。在本书中，你会开始建立一些机器学习模型，这些模型最后会有助于你学习神经网络模型。通过这些，读者能够熟悉深度学习的一些基础知识，并了解各种以用户友好的方式支持深度学习的工具。本书旨在使普通开发人员能够获得一些深度学习的实践经验。读者能够学到几乎所有的要点来探索和理解深度学习是什么，并且直接动手实现一些深度学习任务。此外，本书将会使用目前最广泛应用的深度学习框架之一——TensorFlow。TensorFlow在社区的支持度很高，并且在日益增长，这使得它成为构建复杂深度学习应用的理想选择。

本书读者对象

本书是一本深度学习方面的入门书籍，适合那些想要深入了解深度学习并且动手实现它的读者阅读。阅读本书，不要求读者具有机器学习、复杂统计学和线性代数等方面的背景知识。

本书结构

第1章解释数据科学或者机器学习的定义，即在事先没有被告知或者编程的情况下，机器从数据集中学习知识的能力。例如，要编写一个可以识别数字的程序非常困难，该程序以手写数字作为输入图像，输出该图像所代表的是0～9的哪个数字。同样地，要判断收到的邮件是不是垃圾邮件这样的分类任务也是很困难的。为了解决这样的任务，数据科学家使用一些数据科学、机器学习领域的学习方法和工具，通过给机器一些能够区分每个数字的可解释特征来教会计算机如何自动识别数字。对于垃圾邮件分类问题也是如此，我们能够通过特定的算法教会计算机如何判断一封邮件是不是垃圾邮件，而不是使用传统的正则化表达式并编写数百条规则来对收到的邮件进行分类。

第2章讨论线性模型——数据科学领域的基本学习算法。理解线性模型如何工作对于学习数据科学的过程至关重要，因为它是大多数复杂学习算法（包括神经网络）的基本构建模块。 ...