机器学习编程：从编码到深度学习

2022年6月28日，看完了这本烧脑的书，相当有成就感。也就研究生阶段懵懵懂懂的接触过卷积网络的概念，这次是我自己推开门，进来看一看，给自己点个赞。人生，就是在某个阶段，去接触些新知识，这些知识，就是所谓的人类的智慧，多美好呀！ 一些重要概念： 机器学习（向计算机提供数据，并要求它自己想出需要什么；监督学习，强化学习和非监督学习；Python），图像识别，感知机（梯度），监督学习；神经网络（正向传播和反向传播）；深度学习（过度拟合和正则化，视觉CNN卷积（抓住特征平移不变性），语言RNN（记忆，循环往回），图像生成GAN）

适合初学者，挺好的书，简单易读，数学公式不多。比如bp算法部分没有讲完整的算法，而是以例子讲原理。如果有时间动手做一遍代码实验，可以留下更深刻印象。

总体还可以。但作者冗长啰嗦的叙述方式产生了大量无效信息，阅读它你会浪费大量时间0

现在轮到你了。你的任务是提高这个网络模型的准确率，但必须同时满足以下两个约束条件： ·不要改变网络模型的布局。保持层数和每层的节点数不变。 ·不要更改历元的数量和批处理的大小，让它们分别保持在10和32。 在其他方面，你可以进行随心所欲的操作。你可以使用我们在本章中介绍的技巧，甚至可以探索新的技巧——激活函数、优化算法，或者是通过浏览Keras文档了解到的任何其他内容[1]。 下面我有几点建议： ·将S型函数改为ReLU或Leaky ReLU。 ·将随机梯度下降算法替换为另一个梯度下降算法。 ·添加dropout操作。 ·添加批处理标准化操作。 如果你的网络模型在验证集上获得了超过97%的准确率，那么你就赢得了这个挑战。 虽然我很确定你可以达到97%的准确率，但是如果你能够做得更好，我还是会感到很惊讶的。我们在本章中介绍的技术是必不可少的，但它们也有自己的局限性。为了得到更好的结果，我们不仅需要增量式技巧，还需要一个完全不同的神经网络结构。这正是下一章的主题。

没有深入浅出，基本都是讲一讲概念。

不是很好，看完感觉也没什么内容