【干货书】机器学习编程: 从编码到深度学习,329页pdf

您决定研究机器学习 - 无论是因为正在找工作、开始一个新项目，还是只是认为自动驾驶汽车很酷。但应该从哪里开始呢？作为一名软件开发者，很容易被这些概念所吓倒。好消息是，这并不需要那么困难。通过一行一行地编写代码来掌握机器学习，从简单的学习程序到真正的深度学习系统。通过分解难以理解的话题使其更易于理解，并通过实际操作来增强自己的信心。

从零开始剥去机器学习的神秘面纱，直到深度学习。机器学习可能会让人望而却步，因为它依赖于大多数程序员在日常工作中不会遇到的数学和算法。采用亲手操作的方法，自己编写Python代码，不使用任何库来模糊真正发生的事情。在设计中迭代，并随着进行增加复杂性。

从零开始构建一个使用有监督学习的图像识别应用。使用线性回归预测未来。深入了解梯度下降，这是驱动大多数机器学习的基础算法。创建感知机来分类数据。构建神经网络来处理更复杂和高级的数据集。使用反向传播和批处理训练和完善这些网络。将神经网络分层，消除过拟合，并添加卷积，将您的神经网络转变为真正的深度学习系统。

从头开始，通过编码来掌握机器学习。 这是一本面向那些希望从零开始学习机器学习的开发者的书。机器学习是一个宽广的领域，没有任何一本书可以涵盖所有内容。我们将重点关注当前最为重要的三个机器学习方面：有监督学习、神经网络和深度学习。在阅读本书的过程中，我们将深入探讨这些术语，但以下是一个概述和一些简短的定义，帮助您开始：

1. 有监督学习 (Supervised Learning): 这是机器学习中最常见的方法，它涉及使用带有标签的数据来训练模型。简单来说，您拥有输入数据和相应的正确输出，目标是训练一个模型，当给定新的、未标记的数据时，可以产生正确的输出。
2. 神经网络 (Neural Networks): 这是一种模仿人脑工作机制的算法，由多个层和节点组成。神经网络可以从数据中学习和识别复杂的模式，并常用于各种应用，从图像识别到自然语言处理。
3. 深度学习 (Deep Learning): 这是神经网络的一个子集，它使用多层神经网络（通常是很多层）来处理复杂的数据结构和任务。近年来，由于其在图像和语音识别等领域的卓越性能，深度学习已经受到了广泛的关注。 随着您对本书的深入了解，这些定义将变得更加清晰，而您也将掌握这些核心概念的应用方法。