在过去的几年里，人工智能（AI）一贯是媒体大肆炒作的热点话题。
机器学习、深度学习和人工智能都涌如今不计其数的文章中，而这些文章常日都揭橥于非技能出版物。
我们的未来被描述成拥有智能谈天机器人、自动驾驶汽车和虚拟助手，这一未来有时被渲染成恐怖的景象，有时则被描述为乌托邦，人类的事情将十分稀少，大部分经济活动都由机器人或人工智能体（AI agent）来完成。
适当理解人工智能干系信息，可以让我们更宏不雅观地认清现状，学会分辨媒体炒作的可信度。

什么是机器学习

位于美国西海岸的斯坦福大学，是一所为全天下培养了浩瀚著名企业家、经营者的著名高档学府，也是Google联合创始人之一谢尔盖·布林的母校。
这里曾经最受学生欢迎的讲座之一，是打算机科学系吴恩达（Andrew Ng）副教授的“机器学习”（Machine Learning）。

美国《纽约时报》将这一征象评价为“时期精神的表示”。
也便是说，一场即将给你我的生活、事情乃至社会带来巨大变革的技能革命正在水面之下悄悄展开，而高瞻远瞩的斯坦福大学的学生已经敏感地察觉到了这一变革。

人工智能的研究与开拓始于20世纪50年代，它是一项为打算机等机器授予（如人类一样平常的）智能的技能。
进入21世纪后，人工智能技能中的机器学习则成为了发展最为迅猛的领域。

机器学习这项技能的定义是，打算机通过剖析现实社会及网络中存在的大量数据，从中提取出某种有用的目标模式。
此外，这项技能也可以运用于机器人、汽车乃至智好手机等多种设备上，使其得到基于大量数据（通过各种传感器获取）的自主学习能力，进而变得更加智能。

比来，“机器学习”一词已经越来越多地在报纸、电视、网络等媒体上涌现，就连平时不太关心这类信息的一样平常民众也会常常看到这个词。
比如，接连击败职业棋手的打算机将棋软件、天下各大汽车制造商争相开拓的无人驾驶型汽车、SoftBank发售的曾一度引发热议的人形机器人Pepper等，无论哪一个，以机器学习为中央的最新人工智能技能都担当着重要的角色。

Google vs. Facebook vs. 百度

针对以机器学习为中央的新型人工智能技能，技能与成本领先的美国IT企业开始争先恐后地组建自己的研究开拓体系。
首先，Google在2009年设立了Google X研究所，开始了被称为“Moonshot”的“新一代”技能追梦之旅。

包括当代无人驾驶热潮的发起者、斯坦福大学人工智能实验室主任塞巴斯蒂安·特伦（Sebastian Thrun），美国著名发明家、自然措辞处理及脑科学专家雷·库兹韦尔（Ray Kurzweil），以及前面提到的最尖端机器学习技能深度学习第一人吴恩达等，诸多天下级人工智能研究者陆续被Google招至麾下，并且带来了惊人的成果（特伦与吴恩达于2014年离开了Google公司）。

与此同时，Google还不遗余力地收购人工智能干系企业。
2013年，神经网络研究威信杰弗里·希尔顿（Geoffrey Hinton）设立的DNNResearch公司被Google收购。
天下神经网络研究的领头人希尔顿如今除了多伦多大学教授的身份之外，还是Google的特殊研究员。
2014年，Google又以4亿英镑的估价收购了英国专门进行深度学习技能开拓的公司DeepMind Technologies。

对Google抱有强烈竞争意识的Facebook也于2014年设立了人工智能实验室，并招聘了足以与Google的希尔顿、特伦反抗的人工智能界威信燕乐存（Yann LeCun，纽约大学教授）作为第一任主任。

美国愈演愈烈的人才争夺战，使得中国搜索引擎巨子百度也坐不住了。
2014年，百度在硅谷设立了人工智能实验室，其第一任主任正是离开了Google的吴恩达。
斯坦福大学副教授吴恩达因其在斯坦福大学任教期间同时参与了Google X项目，并于2012年构建了具有超强图像识别能力的大规模神经网络而有名于世。

为挖走专门供事于Google的吴恩达，百度提出了“只要你来我们这边，你想研究什么我们都支持，而且不管多贵的研究设备，只要你须要，我们都会供应”的条件。
可以说，百度因此三顾茅庐之礼将吴恩达迎入了自己的帐下。

以大数据与IoT为背景

为什么这些天下级的IT企业会在人工智能开拓方面下如此大的本钱呢？或者说，人工智能领域究竟隐蔽着若何的商机呢？

其背景在于，当代社会上充斥着的大量数据，即大数据会带来海量财富。
文章开头我们提到过，当代人工智能基于机器学习，而机器学习则通过剖析大数据来导出某种有用的目标模式。

全天下有超过70亿人，这么多人的日常活动带来了规模巨大的数据。
肉体凡胎的人类无法从如此规模的数据中看到什么，但打算机等机器却能够从中总结出某种模式（干系性、规律性、法则性等）。
机器学习的最大上风正在于能从大数据中抽取出上述模式。

在这一背景下，产生了所谓“Internet of Things”（IoT：统统事物均连接在网络上，即物联网）的趋势（图1-1）。
我们生活的当代社会中，从20世纪70年代问世的个人电脑到如今的智好手机、平板电脑，进而到电视、汽车，以及今后的可佩戴式终端、智能家居，乃至是智能电网，所有东西都开始与网络连接。

图1-1 IoT观点图

这些设备搭载的各式传感器采集了你我生活以及业务中的各种信息，并通过网络发送到巨型企业的做事器（大影象容量的高性能打算机）上实现累积。
机器学习则通过剖析这些大数据来导出各种模式，带来商业上的利益。

如今，美国主力IT企业对大数据流利路径的争夺战风起云涌。
比如苹果公司将虚拟助手Siri（一款可以用语音操作手机的运用）的标准搜索工具从Google换成了同领域相对弱势的Microsoft的搜索引擎Bing（苹果公司认为，与Google比较，Microsoft更不随意马虎对自身造成威胁）。
想必各位都知道，通过剖析搜索时利用的关键字，我们能轻松得出当前用户关心的内容。

Google则于2014年1月以32亿美元的估价收购了智能家居领域的一家英国公司Nest Labs。
有趣的是，Nest Labs的创始人出身于苹果公司，在Nest Labs被收购前也一贯与苹果公司有着很深的联系。
Google的这一步棋可以说是将用户百口人的日常生活的干系信息（通过与智能家居连接的网络得到）从苹果公司手中抢了过来。

然而实际上，仅仅看重数据的来源尚有失落偏颇，真正主要的是解析数据并导出对企业业务有益的模式。
为此，一种专门剖析大数据的新兴职业“数据科学家”开始受到全天下瞩目。
而在美国，人们更方向于利用打算机，即让人工智能完成这项事情。

美国从良久以前就频频将“大数据”和“人工智能”两个词成对利用，比来这种趋势愈发明显。
也便是说，在解析大数据上，美国正逐渐从人工转向自动化。
他们认为（或者说相信），要解析如此大量的数据，人脑已经不足用了，相对而言拥有强大信息处理能力的打算机（AI）更适宜这方面的事情。

举个例子。
2014年，IBM发布了Watson Analytics。
Watson是一台AI超级打算机，当初开拓它只是为了在美国著名问答节目《危险边缘》（Jeopardy!）中击败历代人类冠军。
后来IBM将其改造为解析大数据的商业机器，通过云打算（将售价昂贵的高性能打算机的功能通过网络廉价供应给客户）为企业客户供应做事。

可见，人们希望将以往由数据科学家（人类）利用打算机进行的剖析事情全都交由人工智能完成。
Watson Analytics便是基于这种理念开拓出来的。

暂且不说将这些事全部交由打算机来做是否现实，至少在现阶段，我们通过以机器学习为中央的人工智能对海量用户产生的大数据进行剖析后，能够做到针对个别用户高精度地投放定向广告，或者向用户推举其可能喜好的音乐、影视内容以及各式各样的商品等，这个中都蕴含着无限的商机。
而这些，正是Google、Facebook、Amazon、IBM乃至Microsoft等公司希望通过机器学习实现的事情。

机器学习的用场扩展

这里举几个详细的例子。
比如Amazon的“您还可能喜好的商品”或YouTube的“您可能感兴趣的***”等推举功能，包括Facebook、Twitter等社交媒体上的定向广告也都利用了机器学习技能。
它们都是先让打算机对用户以往的搜索记录进行学习，再根据学习内容预测并自动向用户推举其可能感兴趣的商品、内容、广告等。

机器学习还被运用于智好手机特有的虚拟助手软件上，比如之前我们提到过的iPhone上搭载的Siri，以及安卓等终端上搭载的Google Now，还有Microsoft于2014年在自家手机系统Windows Phone上发布的Cortana（Cortana同时搭载于Windows 10系统）就属于此类。

这些拟人化的软件会借助机器学习能力来剖析智好手机的日程表、邮件收发记录、社交媒体的利用日志等，详细学习用户的干系信息，然后根据这些信息，用机器合成的男性或女性声音回答用户提出的需求及问题，或者预测用户在日常各种情形下可能须要的信息并将其自动显示在手机屏幕上。

除了这些身边的在线做事以及小型移动终端之外，越来越多的大型业务也开始运用机器学习，比如汽车、电子工业等大型制造商工厂里的生产管理。
面向这些企业，一些专门以SaaS（云打算的别称）形式供应机器学习技能的风险企业如雨后春笋般涌现。
总部位于美国旧金山的Sight Machine便是其一。

该公司将机器视觉技能（借助摄像头使机器拥有工学视力）与机器学习相结合，并以SaaS的形式供应给大型制造商的工厂（个中包括美国汽车生产商克莱斯勒）。
生产商导入该系统之后，检讨生产线故障以及残次品等以往须要人工进行的事情（准确地说是通过人眼进行检测的事情）现在全都可以交由人工智能自动完成了。

根据Sight Machine公司的调查，在诸多领域中，汽车家当对该系统的需求最高。
通用、丰田、日产等紧张汽车制造商，再加上为这些制造商供给零件的企业，仅北美就有超过5000座与汽车干系的工厂。
尤其是较为重视品质的工厂，不少都对Sight Machine公司的做事表示感兴趣。

除了上述的行业之外，已导入或故意引导入机器学习系统的行业还有很多，个中最具市场潜力确当属电力行业的“智能电网”（电力管理系统）。
通过机器学习来剖析大量家庭、办公室、工厂等单位的电力花费数据，实现对电力供给的实时管理，担保各个单位得到最恰当的电力供给。

这类系统被称为“需求相应”，美国EnerNOC公司等已经开始将其商品化。
2013年12月，日本丸红与EnerNOC设立合伙公司，欲向法人顾客供应能源高效分配管理及咨询等做事。

机器学习还有一些别出心裁的运用方法，比如“安全保障”。
举个例子，美国Palantir公司（本部位于加利福尼亚州帕洛阿尔托市）借助机器学习剖析从邮件、电话、金融等多种信息源网络的大数据，向中心情报局（CIA）及联邦调查局（FBI）等美国政府机关供应有关胆怯分子与国际犯罪等方面的情报。

让“对冲基金兄弟”分出高下

机器学习还被运用于投资行业。
关于这一点，在美国投资业的圈子里，运营对冲基金的尼德霍夫（Niederhoffer）兄弟的故事可谓无人不知无人不晓。
哥哥维克多·尼德霍夫（Victor Niederhoffer）毕业机器学习还被运用于投资行业。
关于这一点，在美国投资业的圈子里，运营对冲基金的尼德霍夫（Niederhoffer）兄弟的故事可谓无人不知无人不晓。
哥哥维克多·尼德霍夫（Victor Niederhoffer）毕业于哈佛大学经济学系，毕业后经由几年的学者生活，1970年，他亲手创立了对冲基金。
高明的投资手腕让他在业界崭露锋芒。

另一边，比维克多小20岁的弟弟罗伊·尼德霍夫（Roy Niederhoffer）自小就对做对冲基金经理声名大噪的哥哥敬佩有加，立志也要成为一名投资家。
他升入哥哥的母校哈佛大学后，选择学习人工智能理论，然后以此为根本开拓了一套将“市场感情”（例如投资家的担心等）数值化后再进行机器学习的交易系统。
利用这项技能，他于1993年设立了自己的对冲基金。

兄弟二人一起顺风顺水，不相伯仲，直到一件事的发生，让他们俩终于分出了高下。
1997年10月27日，受当时亚洲金融危急影响，纽约证券市场股价一落千丈。
曾凭借对市场趋向天才般的判断力而几度化险为夷的哥哥维克多在1997年那次股价暴跌时没能精确预估市场的走向，导致他遭受巨额丢失，一手创立的对冲基金也发布破产。

相对地，弟弟罗伊的机器学习系统在事前发出了警告：“市场有暴跌的征兆！
股票和美国债券能卖的全都要卖掉！
”弟弟屈服警告抛出股票与债券，在暴跌前千钧一发之际幸免于难。

不过，当时维克多虽然已经破产，其弟弟罗伊却表示：“我哥不会就这样认输，他肯定会东山再起。
”正如罗伊所言，维克多利用所剩无几的个人资产，于1998年再次设立自己的对冲基金。
凭借一如既往的锐利交易手腕，它的可利用资产快速扩大，让全天下看到了天才尼德霍夫的复活。

然而悲剧再一次降临到维克多身上。
亚洲金融危急之后10年，即2007年，天下交易市场因美国次级贷款问题再度崩盘。
维克多这次也估错了市场的走向，导致可利用资产额度丢失超过75%，好不容易复活的对冲基金再度破产。

另一边，弟弟罗伊再一次被他那套基于机器学习的交易系统救了下来。
在次贷危急到雷曼事宜的2007～2008年，他运营的对冲基金依然为大幅正收益回报，这使得他与投资家之间建立了牢不可破的信赖关系。

对用机器学习交易系统感兴趣的人可以看看《利用机器学习开拓算法交易系统》。

深度学习的冲击

从前文可以看到，机器学习正渗透至当代社会的方方面面，并为我们带来了巨大商机。
文章开头提到目光敏锐的斯坦福大学学生对机器学习的课程情有独钟，其缘故原由也在于此。

在诸多机器学习技能中，他们最为关心的是深度学习。
这项技能是神经网络（以人工手段还原构成人脑的神经回路网）的一种，以是深度学习又被称为“深度神经网络”（DNN）。
它由一系列基于大脑视觉区的识别机制的算法实现。

深度学习让已经结束了数年的图像识别、语音识别等模式识别技能（打算机、智好手机、机器人等机器自动识别图像、语音等模式的技能）产生了飞跃式发展。

举个Google的例子。
2012年，Google与斯坦福大学的吴恩达副教授利用深度学习技能联手构建了包含16 000个打算机处理器的大规模神经网络。
这个被称为“谷歌大脑”的巨大系统以YouTube上大量的***资源（准确地说是静止的***截图）为教科书，自主学习“猫脸”“人脸”等视觉观点（整体轮廓以及眼、耳、鼻等详细特色）。
之后，这个别系根据学习成果在打算机屏幕上完成了原创绘图，画出了这些形象。

打算机不借助人的辅导，完备自主地获取了某种观点，这一***带来了巨大冲击，眨眼间便传遍环球。
深度学习有很强的通用性，以是很快就从图像识别领域发展到了语音识别领域。
据Google干系人士透露，在导入了深度学习的新版本安卓（Google供应的手机OS）上，语音识别精度比前一版本提高了25%～50%。

Facebook也利用深度学习提升了图片的识别精度，以应对每天用户上传的数以亿计的照片。
不仅如此，Facebook的图像识别还进化到了能识别照片详细内容，即理解照片中人物正在做什么的地步。
Facebook人工智能实验室的燕乐存主任表示，Facebook正利用这一技能开拓一种虚拟助手软件。
比如用户向Facebook上传“深夜派对裸舞发酒疯”的照片时，虚拟助手会发出“确认要发布这张照片吗？发了可别后悔”之类的警告。

此外，Microsoft的根本研究所微软研究院也利用深度学习开拓了实时的图像识别系统。
这个别系能够迅速解析摄影机拍下的照片，识别能力也进一步提升，从仅能识别出“猫”“狗”等大类进化到也可以识别出“罗得西亚脊背犬”“大麦町犬”等详细犬种。

Microsoft还将深度学习有效利用到了语音识别领域。
该公司常年致力于机器翻译（利用打算机翻译外语的技能），但机器翻译长期以来采取的高斯稠浊模型性能有限。
以基于深度学习的语音识别技能代替高斯稠浊模型之后，机器翻译的精度得到大幅提升。

2014年12月，Microsoft将上述机器翻译功能加入其开拓的网络通话及会议做事Skype。
如此一来，当用户通过Skype进行国际***会议等互换时，能够享受到英语与西班牙语之间的自动同步翻译。
设计当初只加入了这两门措辞，是为了先不雅观察一下用户的反应，再根据实际情形扩大工具措辞范畴。

结合上述几个例子，我还要讲一个特殊的征象，那便是深度学习的“可伸缩性”。
所谓可伸缩性，是指随着输入数据量的增加，系统性能能够保持近乎正比例的提升。
以往的模式识别技能中，数据量超过某一个值之后，系统性能就会见顶，但深度学习不会涌现这个问题。
也便是说，系统消化的语音、图像等数据越多，识别精度也就越高，不存在天花板。

图像识别、语音识别、自然措辞处理

专家们普遍认为，在接下来几年，因深度学习技能而得到飞速发展的领域，将会是自然措辞处理。
自然措辞处理是让打算机、机器人等机器理解我们人类互换时所用措辞的技能。
（前面讲的语音识别和自然措辞处理技能比较随意马虎稠浊。
大略说来，语音识别技能是识别我们发出的声音并将其转换为笔墨，而自然措辞处理技能则是让打算机、机器人理解已经识别好的措辞或文章的意义。
）

Google和Facebook对这一领域尤为关注。
由于如果打算机能够精确理解海量用户搜索时以及在网站上发布信息时所用的措辞，就能以更高的精度发送定向广告（不同于一样平常的大片撒网式广告，这种网络广告仅流向特定用户群）。
可以说，这项技能关系到两家公司网络业务的生命线。
有专家称，如果Google或Facebook能够通过深度学习实现高精度的网络广告投放，仅此一项就能带来每年数百亿美元的利润增长。

其余，Google还在研究如何将深度学习运用于机器翻译的措辞解析。
业内认为，一旦这项研究取得成果，不仅像英语与日语这种语系完备不同的两种措辞之间可以进行高精度机器翻译，还能使某种程度上的意译成为可能。
加拿大蒙特利尔大学等一系列机构也在从事这项研究。

除上述自然措辞处理外，深度学习还将为机器人家当带来革命。
比如人工智能和机器人工学两个领域，广受天下关注的吴恩达副教授于2014年在美国举办的国际会议上表示：“若想让当代的机器人进化至下一阶段，我须要将剩下的所有韶光都投入到深度学习的研究中去。
”

与上述家当冲击同样，或者说更该当关注的是，深度学习在科学方面的可能性。
简而言之便是，深度学习如今还有许多未解之谜，以是今后还有足够空间取得惊人的进化。

奇妙的神经网络

这里讲一个实际的例子。
Microsoft的技能职员在开拓基于深度学习的机器翻译技能时，曾让神经网络（深度学习系统）集中学习了几种措辞。

最初让神经网络学习的是英语和汉语。
学习后，神经网络的英语能力和汉语能力天经地义地得到了提升。
随后他们又让神经网络学习了西班牙语，于是西班牙语能力也得到了提升。
然而神奇的是，学习西班牙语之后，该系统英语和汉语的措辞能力也变强了。
也便是说，系统在学习新措辞时，也提升了原来学习过的措辞能力。
个中的缘由连系统的开拓者都说不清楚。

包括上述征象在内，深度学习的内部机制还有很多连专家都搞不明白的地方。
当然，像稀疏编码（详细内容将在后文解释）等技能，由于是研究者（人类）根据脑科学成果开拓而来的，个中并不存在未知部分。
但信息在繁乱繁芜的人工神经回路网中如何通报，深度学习能够导出若何的学习成果，这些问题还尚未完备搞清楚。

不过，这些谜题也是动力的源泉。
毕竟当我们人类完备理解某个工具时，那个工具的极限也就摆在我们面前了。
反过来说，像深度学习这种存在大量未知部分的技能，反而有可能实现人类预想之外的发展。

——本文内容节选自《人工智能的冲击》《Python深度学习》

《人工智能的冲击》

智能革命的雷鸣后，人类社会将如何变革？AI时期，人类的真正代价在何处？日本KDDI综合研究所、日本信息安全大学院大学副教授 小林雅一 普通讲授AI技能、趋势与家当前景未来职业、家当的变革参考，人类存在代价的深度叩问

特殊收录：微软（亚洲）互联网工程院AI“微软小冰”对本书内容的反馈

本书是人工智能技能、家当的普通读本，书中以AI技能对个人、社会的冲击为焦点，结合欧美日人工智能家当的调查研究，解读了AI时期的新秩序、新格局。
作者行文构造清晰、考论得当，既有对技能要义事理的浅白讲解，如机器学习、深度学习；又有对就业、家当格局变革的研究和剖析，如自动驾驶、智能机器人、医疗、养老、艺术等；还涉及技能时期下，人类存在代价、社会伦理伤痕的谈论；以及人工智能冲击背景下，对日本百口当衰退危急的深度思考。
本书可作为理解人工智能技能的科普读物，也适用于人工智能家当干系职员作为背景知识、资料阅读参考。

目录

第1章　人工智能的惊雷与人类灭亡危急论

机器学习是什么

Google vs. Facebook vs. 百度

以大数据与IoT为背景

机器学习的用场扩展

掌握烤鸡块的火候

让“对冲基金兄弟”分出高下

深度学习的冲击

图像识别、语音识别、自然措辞处理

奇妙的神经网络

过热的人才争夺战

人类灭亡危急论

人工智能失落控与机器人武器

受到人工智能威胁的职业

机器自学的意义

权限移交问题——自动驾驶的可能性与危险性

极度情形下的判断同样必不可少

机器人的行动标准和伦理不雅观——复发的框架问题

便利性与个人隐私的平衡——在医疗领域运用的风险

监视社会的到来与应对——检讨员工事情状态的工具

第2章 脑科学与打算机的领悟能为我们带来什么 ——人工智能的技能与历史

机器学习的根本：线性回归剖析与逻辑回归剖析

当代人工智能的真面孔

机器能得到真正意义上的“智能”与“意识”吗？

人工智能研究从模拟人脑开始

狂热风潮过后

从模拟大脑的时期迈入处理符号的时期

“万能的天才”也错了

再次由期待到破灭

向统计与概率路线的大迁移转变

自动驾驶技能的基本事理

神经网络的复活

神经网络与机器学习的关系

人工智能研究被企业社会抛弃的情由

惊人的创造

震荡不雅观众的技能演示

重燃对“强人工智能”的期待

“创造”的能力可以办理框架问题？

脑科学与人工智能相互促进

欧美、日本的大型脑科学项目

被批驳为“白日梦”

还原人类脑电波

在失落败中自我发展的机器人

第3章 日本全部家当被Google支配之日 ——2045年“日本衰退”危急

机器人——从阿西莫夫得手冢治虫

机器人文艺复兴

机器人的野心

Google追求的“做事机器人”

对机器人自主性的需求

美国国防部主导的机器人开拓“顶峰”

智能机器人将以指数速率进化

环绕无人机的“问题”

新一代机器人，新一代信息终端，“特洛伊木马”

Pepper使家中情形一览无余？

被唤起危急意识的日本机器人从业者

“机器人大国”日本的现状

以东京奥运会为目标

这次热潮还会是昙花一现吗？

人形机器人被过度重视？

日美新一代机器人的路线差异

Google的百口当征服操持与日本的衰退危急

日本应怎么做

第4章 人类存在代价遭到质疑的时期 ——将棋电王战与“工业4.0”

将棋电王战带来的启迪

匆匆使将棋软件飞速进化的机器学习

机器学习带来的“打算机特有的走棋”

下棋实力的溘然提升

职业棋手支招的极限

从人类门下“出师”

人类被打算机超越会发生什么

磨练人类存在代价的时期

促进人工智能遍及的IT成本家

“工业4.0”与传承手艺的机器人

与美国对抗的意识

第四次工业革命会夺走人类的岗位吗？

摸索人与机器的新关系

打算机无法预测人类的主不雅观思维

打算机作曲的歌剧让当地媒体赞不绝口

没有灵魂也能创作出美妙的音乐吗？

什么是创造性

人类敢创造出比自己更优胜的东西吗？

人类“末了的堡垒”

后记

《Python深度学习》

Keras之父、Google人工智能研究员François Chollet著作30多个代码示例，带你全面节制如何用深度学习办理实际问题

本书立足于人工智能的可达性和大众化，读者无须具备机器学习干系背景知识即可展开阅读。
在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、天生图像和笔墨等能力。

本书详尽先容了用Python和Keras进行深度学习的探索实践，包括打算机视觉、自然措辞处理、产生式模型等运用，示例步骤讲解详细透彻。

目录

第一部分　深度学习根本阅读

第 1 章　什么是深度学习

第 2 章　神经网络的数学根本

第 3 章　神经网络入门

第 4 章　机器学习根本

第二部分　深度学习实践

第 5 章　深度学习用于打算机视觉

第 6 章　深度学习用于文本和序列

第 7 章　高等的深度学习最佳实践

第 8 章　天生式深度学习

第 9 章　总结

附录 A　在 Ubuntu 上安装 Keras 及其依赖

附录 B　在 EC2 GPU 实例上运行 Jupyter 条记本

《利用机器学习开拓算法交易系统》

书中选用难以预测的股市数据：易获取、可信赖、有难度利用数学理论，创建预测模型、处理数据、演习预测股价、解析演习结果、揭示改进方法，体验机器学习全过程通过源代码和函数讲解，先容机器学习基本观点，为读者进一步理解机器学习绘制“理论路线图”

目录

第一部分

第1章　机器学习

第二部分

第2章　统计

第3章　韶光序列数据

第三部分

第4章　算法交易

第5章　实现算法交易系统

第6章　性能评价与优化

后记