信息

本书网站见，https://udlbook.github.io/udlbook/

如何阅读这本书

第一章是概论，作者讲了应该如何学习这本书，

本书中大多数剩余章节包含主体文本、注释部分和一组习题。

主体文本旨在自成一体，可以在不参考章节其他部分的情况下阅读。尽可能地，背景数学被纳入主体文本中。然而，对于较大的主题，如果它会分散论点的主线，背景材料会被附录处理，并在边缘提供参考。书中大多数符号遵循附录A的符号标准。然而，一些约定不太广泛使用，鼓励读者在继续之前查阅附录A。

主体文本包括许多关于深度学习模型和结果的新插图和可视化。我努力提供现有思想的新解释，而不仅仅是整理他人的工作。深度学习是一个新领域，有时现象并不完全清楚。我会明确指出哪些地方情况不明，以及我的解释应谨慎对待。

参考文献仅在章节主体中包含结果被展示的地方。相反，参考文献可以在章节末尾的注释部分找到。我通常不在主体文本中尊重历史先例；如果某个当前技术的前身不再有用，我将不会提及。然而，领域的历史发展在注释部分中进行了描述，并且希望能公平地给予相应的信用。

注释部分按段落组织，提供进一步阅读的指引。它们应帮助读者在子领域内定位自己，并理解其与机器学习其他部分的关系。与主体文本相比，注释部分的自成体系程度较低。根据你的背景知识和兴趣水平，你可能会发现这些部分的用处有所不同。

每章都有若干相关习题。在主体文本中，当应该尝试习题时，会在边缘进行引用。正如乔治·波利亚所言："数学，您看，不是一项观众运动。"他是对的，我强烈建议您在阅读过程中尝试习题。在某些情况下，它们提供的见解将帮助您理解主体文本。对于在相关网站（http://udlbook.com）上提供答案的习题，会用星号进行标注。此外，帮助您理解本书中思想的Python笔记本也可以通过该网站获得，这些笔记本也在文本的边缘进行了引用。实际上，如果您觉得自己有些生疏，现在可能值得先学习一下关于背景数学的笔记本。

不幸的是，人工智能研究的快速发展使得本书不可避免地将是一项持续的工作。如果您发现某些部分难以理解、明显的遗漏或似乎多余的部分，请通过相关网站与我们联系。我们可以共同努力使下一版更好。

有监督学习

监督学习模型是一个函数 ，它将输入 与输出 关联起来，具体关系由参数 决定。为了训练模型，我们在训练数据集 上定义损失函数 ，量化模型预测 与观察到的输出 之间的差异。接着，我们寻找最小化损失的参数，并在不同的测试数据集上评估模型，以检验其对新输入的泛化能力。

接下来的章节（3-9）扩展了这些概念。第3章讨论了浅层神经网络，它比线性回归稍复杂，但能描述更广泛的输入/输出关系。第4章介绍深层神经网络，能够用更少的参数描述复杂函数，并在实践中表现更好。第5章研究不同任务的损失函数，并揭示最小二乘损失的理论基础。第6和第7章讨论训练过程，第8章探讨如何衡量模型性能，第9章考虑正则化技术，以提高模型性能。