机器学习四大名著之一“蜥蜴书”全新升级第3版来了！

主要观点总结

本文介绍了机器学习和深度学习的基本原理及其在实际应用中的应用。首先介绍了机器学习的基础知识，如分类、回归等。然后重点介绍了神经网络与深度学习的相关知识，包括使用TensorFlow和Keras进行神经网络构建和训练，以及处理序列的RNN和CNN等。最后介绍了强化学习、大规模训练和部署TensorFlow模型等方面的内容。

关键观点总结

关键观点1: 机器学习基础知识

包括分类、回归、支持向量机、决策树等基本概念和原理。

关键观点2: 神经网络与深度学习

介绍神经网络的基本原理，包括使用TensorFlow和Keras进行神经网络构建和训练，以及处理图像和序列的CNN和RNN等。

关键观点3: 强化学习

介绍强化学习的基本原理和应用，包括策略搜索、神经网络策略、时序差分学习等。

关键观点4: 大规模训练和部署TensorFlow模型

介绍如何为TensorFlow模型提供服务，将其部署到移动设备或嵌入式设备，以及在Web页面中运行模型等。

文章预览

2006 年，Geoffrey E. Hinton 等人发表了一篇论文（https://homl.info/136），展示了如何训练能够以最高的精度（>98%）来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”。 深度神经网络是我们大脑皮层的（非常）简化的模型，由一堆人工神经元层组成。 当时普遍认为训练深度神经网络是不可能的注，并且大多数研究人员在 20 世纪 90 年代后期放弃了这种想法。 这篇论文重新激发了科学界的兴趣，不久之后许多新论文证明深度学习不仅是可能的，而且取得了令人振奋的成就， 这是其他机器学习（Machine Learning ，ML） 技术无法企及的（借助于巨大的计算能力和大量的数据）。 这种热情很快扩展到机器学习的许多其他领域。 十年后，机器学习征服了整个工业界，如今它已成为高科技产品的核心，为你的网 络搜索结果排名，为智能手机的语音识 ………………………………