本書從數據集、數據清理開始談起, 在介紹機器學習的建模方式後, 第2章詳細說明了機器學習與深度學習所涉及的矩陣、向量等技術。第3章使用Keras搭建深度學習模型, 也介紹了激活函數、損失函數、反向傳播、過擬合或欠擬合等問題。第4章給出了訓練深度學習模型的過程中可能存在的交叉驗證問題。當需要提高模型精度時, 可以考慮參考第5章中的L1/L2正則化、丟棄正則化、早停等方式。第6章講解模型評估問題, 在太平洋颶風數據集上指出準確率的局限性, 從而引出混淆矩陣、ROC曲線、AUC評分等概念。接下來的3章介紹卷積神經網絡、遷移學習、循環神經網絡等問題, 這些內容在工業實際項目中佔據核心地位, 值得大家多寫代碼、多實踐。
