本書有30多個範例，幫你學會解決具體問題。

這些範例開發工具，用的是 Keras 及其底層 TensorFlow。

你將學會使用 Keras 處理實際問題，如機器視覺、自然語言、影象分類、時間序列預測、情緒分析、影象和文字生成等。

Keras 的老家在 https://keras.io 

本書範例程式碼在 https://github.com/fchollet/deep-learning-with-python-notebooks

深度學習是什麼？

人工智慧 => 機器學習 => 深度學習。在此， => 表示包含關係。

機器學習需要三樣東西：資料點陣（矩陣化的資料）、資料標籤（期望輸出的樣本）、演算法誤差測量。

為了確定演算法的當前輸出值與期望輸出值的差距，必須對二者進行測算。測算出的差值作為反饋訊號，用以調整運算。這一過程稱之為“學習”

資料含意可以分成多層表示。深度學習的“深度”，是指這種層次。現代的深度學習，在資料訓練過程中，經常涉及幾十層甚至幾百層的含意表示。

相對於深度學習，其他機器學習可稱為“淺層學習”。

層次化的深度學習，通過多層疊加的神經網路實現。

深度學習大致這樣進行：神經網路以若干“權重”作為引數；損失函式測量網路輸出的誤差；誤差數值反饋給前層，調整權重。

深度學習要有大量資料才能工作良好。

有些問題用深度學習並不好解決，應該用其他機器學習方法。

概率模型

樸素貝葉斯演算法是其中最著名的之一。它假定輸入的資料全部是獨立的。

與其密切相關的模型是“邏輯迴歸”（ logistic regression）。有人認為它是現代機器學習的“hello world”。

其實，邏輯迴歸是分類演算法，不是迴歸演算法。

資料科學者對資料集進行分類時，首先想到的就是邏輯迴歸演算法。

核心方法

核心方法是一組分類演算法，其中最有名的是支援向量機（SVM）。

兩組資料分別表示不同的兩類，SVM 的目標是找到兩組資料的分界線，解決分類問題。

SVM 處理簡單的分類問題時表現極好。極少數機器學習演算法有廣泛的數學分析理論支撐，易於理解解釋，SVM是其中之一。很長一段時期，SVM 因此成為極度流行的機器學習演算法。

但是，SVM 很難用於大資料處理；對於影象分類等知覺問題，不能給出好結果。

決策樹、隨機森林、梯度推進機

決策樹有著流程圖般的樣式結構。它用於對輸入的資料點陣進行分類，或者預測輸出值。

決策樹很容易解釋和視覺化。對其研究的熱潮始於2000年，在2010年代被核心方法超越。

隨機森林演算法，產生了高可靠性、實用性的“決策樹學習”，能建造大量決策樹完成特定任務，並將其輸出整合為一體。

隨機森林對於解決各種問題，有著廣泛的應用性。可以說，在各種淺層學習演算法中，它幾乎總是位居第二的優秀演算法。

大眾化的機器學習競賽網“開搞” (http://kaggle.com) ，2010年開辦後，隨機森林很快成為其平臺使用者的最愛，直到2014年，才被梯度推進機所取代。

梯度推進機很像隨機森林。它是一種機器學習技術，它把多個預測能力較弱的模型，通常是決策樹，整合為一體作為它的基礎。

梯度推進機，在當今處理非知覺問題資料的各種演算法中，可能不是最好的，但肯定是最好的之一。

在深度學習的“開搞競賽”中，它是最常用的技術之一。

深度學習的特點

1. 在處理許多問題時，它的效能表現好；
2. 它使得問題容易解決。在機器學習流程中，最為重要的一步是資料的特徵工程。對此，深度學習完全自動化了。

深度學習在對資料的“學習”方面，有兩個基本特徵：

一是逐層遞進，增加資料含意表示的複雜度；二是各層的“學習”是聯合進行，各層的更新既需要其上層，也需要其下層。

於是，深度學習比早先的機器學習取得了巨大成功。