深度學習之美：AI時代的數據處理與最佳實踐

【4068】深度學習之美：AI時代的數據處理與最佳實踐

（張玉宏著，電子工業出版社，89.2萬字，2018年7月第1版，128元）

△這本書深入淺出地介紹了深度學習的相關理論和實踐。全書共分16章，采用理論和實踐雙主線寫作方式。如，深度學習的大圖；機器學習的相關基礎理論、機器學習實踐、M.P模型、感知機、多層神經網絡、BP神經網絡等知識；……

〇西蒙：學習的核心目的就是改善性能。

〇沒有達到認知升級目的，那么即使表面看起來非常勤奮，其實也僅僅是一個“偽學習者”。

〇深度學習，是一種包括多個隱含層（越多即為越深）的多層感知機。它通過組合低層特征，形成更為抽象的高層表示，用以描述被識別對象的高級屬性類別或特征。能自生成數據的中間表示（雖然這個表示并不能被人類理解），是深度學習區別于其他機器學習算法的獨門絕技。

〇深度學習的學習對象是數據，“大數據+復雜（大）模型”或許能更好地提升學習系統的性能。

〇機器學習要走好的三大步：[1]如何找一系列的函數來實現預期的功能，這是建模問題；[2]如何找出一系列評價標準來評估函數的好壞，這是評估問題；[3]如何快速找到性能最佳的函數，這是優化問題。

〇“中庸之道”就是告訴我們要在靈活性（變）和原則性（不變）之間，保持一個最佳的平衡。

〇強化學習強調的是，在一系列的情景之下，選擇最佳決策，它講究通過多步恰當的決策，來逼近一個最優的目標，因此，它是一種序列多步決策的問題。

〇“忍無可忍，無須再忍”。

〇欲速覽無限風光，必攀險峰；欲速抵山底幽谷，比滾陡坡。這滾山坡的道理，其實就是梯度遞減策略，而梯度遞減策略，則是BP算法成功背后的基礎。

〇紙上談兵終覺淺，絕知積卷要編程。

〇要想戰勝深度學習陡峭的學習曲線，領悟到它的美，其實需要很長的學習時間，也要求具有一定的數學功底。這方面，恰恰是自己最大的短板。