以代码实现为重，撇去数学公式，快速掌握并应用AI，Pinterest、Google、Broadcom、Walmart、华为、微软“重”咖力赞

　　随着AI技术的普及，如何快速理解、掌握并应用AI技术，成为绝大多数程序员亟需解决的问题。本书基于Keras框架并以代码实现为核心，详细解答程序员学习AI算法时的常见问题，对机器学习、深度神经网络等概念在实际项目中的应用建立清晰的逻辑体系。本书分为上下两篇，上篇（第1～4章）可帮助读者理解并独立开发较简单的机器学习应用，下篇（第5～9章）则聚焦于AI技术的三大热点领域：推荐系统、自然语言处理（NLP）及图像处理。其中，第1章通过具体实例对Keras的机器学习实现进行快速介绍并给出整体概念；第2章从简单的神经元开始，以实际问题和代码实现为引导，逐步过渡到多层神经网络的具体实现上，从代码层面讲解神经网络的工作模式；第3章讲解Keras的核心概念和使用方法，帮助读者快速入门Keras；第4章讲解机器学习中的常见概念、定义及算法；第5章介绍推荐系统的常见方案，包括协同过滤的不同实现及Wide＆Deep模型等；第6章讲解循环神经网络（RNN）的原理及Seq2Seq、Attention等技术在自然语言处理中的应用；第7～8章针对图像处理的分类及目标识别进行深度讨论，从代码层面分析Faster RCNN及YOLO v3这两种典型识别算法；第9章针对AI模型的工程部署问题，引入TensorFlow Serving并进行介绍。

　　张力柯
　　腾讯某AI实验室负责人、AI系统设计专家。在操作系统内核、网络安全、搜索引擎、推荐系统、大规模分布式系统、图像处理、数据分析等领域具有丰富的实践经验。
　　于美国德克萨斯大学圣安东尼奥分校获得计算机科学博士学位，曾先后在美国微软、BCG、Uber及硅谷其他创业公司担任研发工程师及项目负责人等。
　　潘晖
　　阿里巴巴某算法中心小组负责人。在推荐系统、自然语言处理、图像处理、数据分析等领域具有丰富的实践经验。
　　于美国佛罗里达理工大学获得计算机科学博士学位，曾先后在中国微软、美团、腾讯从事

版权信息
内容简介
推荐序一
推荐序二
推荐序三
上篇
第1章 机器学习的Hello World
1.1 机器学习简介
1.2 机器学习应用的核心开发流程
1.3 从代码开始
1.4 本章小结
1.5 本章参考文献
第2章 手工实现神经网络
2.1 感知器
2.2 线性回归、梯度下降及实现
2.3 随机梯度下降及实现
2.4 单层神经网络的Python实现
2.5 本章小结
2.6 本章参考文献
第3章 上手Keras
3.1 Keras简介
3.2 Keras开发入门
3.3 Keras的概念说明
3.4 再次代码实战
3.5 本章小结
3.6 本章参考文献
第4章 预测与分类：简单的机器学习应用
4.1 机器学习框架之sklearn简介
4.2 初识分类算法
4.3 决策树
4.4 线性回归
4.5 逻辑回归
4.6 神经网络
4.7 本章小结
4.8 本章参考文献
下篇
第5章 推荐系统基础
5.1 推荐系统简介
5.2 相似度计算
5.3 协同过滤
5.4 LR模型在推荐场景下的应用
5.5 多模型融合推荐模型：Wide＆Deep模型
5.6 本章小结
5.7 本章参考文献
第6章 项目实战：聊天机器人
6.1 聊天机器人的发展历史
6.2 循环神经网络
6.3 Seq2Seq原理介绍及实现
6.4 Attention
6.5 本章小结
6.6 本章参考文献
第7章 图像分类实战
7.1 图像分类与卷积神经网络
7.2 卷积神经网络的工作原理
7.3 案例实战：交通图标分类
7.4 优化策略
7.5 本章小结
7.6 本章参考文献
第8章 目标识别
8.1 CNN的演化
8.2 YOLO
8.3 YOLO v3的具体实现
8.4 本章小结
8.5 本章参考文献
第9章 模型部署与服务
9.1 生产环境中的模型服务
9.2 TensorFlow Serving的应用
9.3 本章小结
9.4 本章参考文献

　　这是一本写给程序员看的机器学习指南。它有针对性地从程序员的视角切入（而非像市面上的大多数机器学习教程一样，从数学的角度切入），介绍了工业界流行的若干模型及应用场景，同时涵盖了神经网络的原理和基础实现、Keras库的使用方法和TensorFlow的部署方案，可谓有的放矢。这是一本有代码的谈工程实现的书，不存在浅尝辄止，也不存在天书符号，正是机器学习领域所缺少的那一类教程。
　　——周竟舸，Pinterest机器学习平台技术负责人

　　打开本书，我惊喜地发现它并非像市面上的其他书籍那样，直接把各种新鲜概念放到读者面前并强迫他们接受。它一开始就没有在机器学习概念上过多纠缠，而是先快速展示了简短的AI实现代码的结构和流程，然后带出一些常常让初学者疑惑的问题，针对这些问题再带出新的内容。
　　——喻杰博士，华为智能车云首席技术官

　　本书以从代码出发，再回归AI相关原理为宗旨，深入浅出、循序渐进地讲解了Keras及常见的深度学习网络，还讲解了深度学习在不同领域的应用及模型的部署与服务。读者在一步步探索AI算法奥秘的同时，也在享受解决问题的喜悦和成就感，并开启深度学习之旅。
　　——王昀绩，Google AI高级研究员

　　本书对于AI初学者来说是一本很好的入门书，对于AI大咖来说是一本很好的理论联系代码的参考书。作者在书中介绍AI概念、动手写代码及测试代码时下了一番苦功，在阐述算法的背景和内容时既有深度又有直观形象的介绍，对数学公式的引用对于有程序员背景的读者来说恰到好处，并且在实际代码的解释上紧扣主题、讲解清晰。
　　——龙门博士，Broadcom首席工程师

　　机器学习已经成为计算机视觉、自然语言处理和AI领域的重要基石，但是其抽象的理论让很多初学者望而却步。本书将机器学习中的经典理论与实践相结合，由浅入深地介绍了每种理论的原理、代码实现和应用，让初学者即刻体验和实践算法，在实践中深入理解和熟练掌握机器学习理论，为今后进行机器学习应用打下扎实的基础。
　　——卢亦娟，微软Cloud AI首席科学家、美国德克萨斯州立大学计算机系教授

　　这是一本干货满满且附带详细实例的深入浅出机器学习的优秀参考工具书。
　　——蒋良骏，Walmart电商平台高级架构师、蚂蚁金服硅谷中心前技术专家

　　本书通俗易懂，并且覆盖了AI在多个领域的应用场景，是非常好的AI程序员入门教材。
　　——耿秀波，微软高级应用科学家

　　推荐序一
　　认识力柯兄多年，一直认为他是一员虎将——能用代码说话，便绝不打无谓的嘴仗；能用技术与产品直接证明，便绝不空谈“形式”和“主义”。这次，通过力柯兄写的这本书，一如既往地看到他“心有猛虎”的一面：直截了当、大开大合。
　　在机器学习或者说工业界AI火起来的这几年，程序员这一受众群体一直缺少优秀的教程。有些教程过于浅显，很难称其为“入门教程”，只能称其为科普书；有些教程则过于贴近理论推导，对夯实读者的数理基础大有裨益，也能给研究生提供参考，但对程序员来说，则理论有余而实践不足，常常令注重工程实践的他们一头雾水：毕竟不是每个程序员都有耐心、有必要一门一门地捡回微积分、概率统计、偏微分方程、线性代数和数值计算等基础学科的知识，再真正实现一个属于自己的模型。如何在数学理论和工程实践之间找到一个平衡点，让具有工程背景的广大读者从中获得实际的价值，而非进行简单的脑力或数学训练，这一直是我评价机器学习教程时最为看重的要素。现在，我有幸从力柯兄的成书中找到了这些要素，实乃幸事！
　　这是一本写给程序员看的机器学习指南。它有针对性地从程序员的视角切入（而非像市面上的大多数机器学习教程一样，从数学的角度切入），介绍了工业界流行的若干模型及应用场景，同时涵盖了神经网络的原理和基础实现、Keras库的使用方法和TensorFlow的部署方案，可谓有的放矢。另外，本书章节不多，却简短有力。这不是一本科普读物，不存在浅尝辄止；也不是一本百科全书，不存在天书符号。这是一本有代码的书，是一本谈工程实现的书。我认为，这正是机器学习领域所缺少的那一类教程。
　　本书的上篇，让我不由得想起多年前力柯兄刚从硅谷回国高就时，与我围绕“怎样的面试题对于机器学习程序员是合适的”这一话题展开的讨论。那时AI正在升温，无数有着各种背景、能力和水平的人都在尝试接触AI方面的内容，但对于人才的选拔和录用，却似乎没有一个行业内的公认标准和规范。力柯兄的面试题十分简单粗暴，要求面试者仅使用一些基础的Python库去实现一个深度神经网络。这听起来有点让人匪夷所思，但事后细想，却是大道至简。这可以让人抛去繁杂的模型，回归神经网络最本质的前向传播和反向传播，将一切都落实在代码层面。虽然需要运用的数学知识不过是一点高等数学的皮毛，却可以同时从工程和数学两个角度考察候选人的基本功。这几年间，机器学习和深度学习教程及相关公开课越来越多，我阅课无数，竟发现很少有一门课能够沉下心来，仔仔细细地告诉读者和学员，搭建和实现这些神经网络的基础元素从何而来，又为何如此。而本书的上篇，尤其是在第2章中，一丝不苟地介绍了神经元、激活函数和损失函数，从偏微分方程层面严谨地推导反向传播，又从代码层面给出了那道面试题的答案。这都让我不由得敬佩力柯兄在工程上的执着。本书的下篇，则是标准的实战深度学习入门。
　　至此，我不再“剧透”，因为当你从实战角度阅读这些章节时，会有一种不断发现珍宝的惊喜感，而我更愿意把这些“珍宝”留给本书的读者。
　　周竟舸，Pinterest机器学习平台技术负责人
　　2019年12月