機器學習是許多重要應用的基礎，比如網頁搜索，反垃圾郵件，語音識別，物品推薦等等。如果你或你的團隊正在研究一項機器學習應用，并且你想要取得快速的進展，那么這本書將會給你提供幫助。
示例：建立一個創業公司，其業務是識別貓的圖像
就是說你建立了一個創業公司，可以為貓愛好者提供無窮無盡的貓圖片。你正在使用一個神經網絡建立一個計算機視覺系統來檢測圖片中的貓。
貓示例圖片
但遺憾的是，你的學習算法的準確率目前并不夠好。你面臨巨大的壓力來改善你的“貓檢測器”。你能做些什么呢？
你的團隊有很多想法，比如：
- 獲取更多數據：收集更多貓的圖片
- 收集一個更加多樣化的訓練集。例如：貓處于不同位置的圖片；不同顏色的貓；不同相機（設置）拍攝的圖片
- 通過運行更多次梯度下降的迭代，來增長訓練算法的時間
- 嘗試更大的神經網絡，具有更多的層/隱藏單元/參數
- 嘗試一個小一點的神經網絡（也許是樣本不夠？）
- 試著添加正則項（比如L2正則）
- 改變神經網絡的結構（激活函數，隱藏單元的數量等）
- ...
在這些可能的方案中，如果你選擇的好，那么你將建立一個不錯的貓圖片識別的平臺，并帶領你的公司走向成功；而如果你選擇的很差，那么你可能會白白浪費幾個月的時間。你該怎么辦？
這本書將會告訴你如何做出選擇。大部分機器學習問題都會留下一些線索，這些線索會告訴你什么是有用的嘗試，什么是沒用的。學會閱讀理解這些線索能夠節省你數月或上年的開發時間。
