1为什么选择机器学习策略
机器学习（machinelearning）是无数重要应用的基础，其包含网络搜索、垃圾邮件检测、语音识别以及产品推荐等内容。假如你和你的团队正在研发一项机器学习应用，并且想要取得较为快速的进展，本书的一些内容将会有所帮助。
案例：建立猫咪图片初创公司
假设你正在建立一家初创公司，该公司将为猫咪爱好者们提供不计其数的猫咪图片。与此同时，你决定使用神经网络（neuralnetwork）技术来构建一套计算机视觉系统，用来识别图片中的猫。
你的团队有许多的改进方案，例如：
获取更多的数据，即收集更多猫的图片收集更加多样化的训练数据集，比如处于不常见位置的猫的图片，颜色奇异的猫的图片，以及使用不同相机参数拍摄的猫的图片通过增加梯度下降（gradientdescent）的迭代次数，使算法训练得久一些尝试一个拥有更多层（layer）/更多隐藏元（hiddenunits）/更多参数（parameters）的，规模更大的神经网络尝试加入正则化（例如L2正则化）改变神经网络的架构（激活函数，隐藏元数量等等）...
如果你能够在以上可能的方向中做出正确的选择，那么你将建立起一个领先的猫咪图片识别平台，并带领你的公司获得成功。但如果你选择了一个糟糕的方向，则可能因此浪费掉几个月甚至数年的开发时间。
2如何使用本书帮助你的团队
完成本书的阅读后，你将对于“如何在机器学习项目中设定一个技术方向”有着深层次的了解，但你的团队成员可能不理解你为何要推荐一个特定的方向。例如你希望你的团队定义一个单值的评估指标，但他们并不赞成你的观点，此时你将如何说服他们？
这正是我决定缩短章节篇幅的原因——这样你就能够将它们打印出来，并在需要之时让你的团队成员选择阅读其中的1至2页即可。
优先级的稍加改变会对团队的生产力产生巨大的影响，我希望你能通过帮助团队进行一些有效的改变，从而成为团队里的超级英雄！
3先修知识与符号标记
如果你已经学习过机器学习课程（例如我在Coursera开设的机器学习MOOC），或者你有着应用监督学习的经验，则能够理解本文的内容。
监督学习（supervisedlearning）是指使用已标记（labeled）的训练样本来学习一个从映射到的函数。监督学习算法主要包括线性回归（linearregression）、对数几率回归（logisticregression，又译作逻辑回归）和神经网络（neuralnetwork）。虽然机器学习的形式有许多种，但当前具备实用价值的大部分机器学习算法都来自于监督学习。
我将经常提及神经网络（和“深度学习”中所提到的一致），但你只需对此有基础的了解就可以阅读后面的内容。
如果对上文提到的一些概念你还不是很熟悉，可以在Coursera观看《机器学习》前三周的课程内容。（课程