为什么需要机器学习策略（译）

机器学习是很多重要应用的基石，这些应用包括搜索引擎、邮件反垃圾、语音识别、产品推荐系统等等。我假定你和你的团队正在做关于机器学习的应用，并且你想快速取得进展，本书可以帮你做到这一点。

示例：创建识别猫图片的应用。

假设你想要创建一个应用，这个应用将向吸猫者提供无穷尽的猫主子图片。你使用神经网络建立计算机识别系统来检测猫主子的图片。 可爱的猫咪

但悲剧的是，这个系统的机器学习算法的准确率还不够好，你面临巨大的压力去改进猫识别器，你应该怎么做呢？
团队提出了很多建议，包括：

• 获取更多数据： 收集更多关于猫的图片
• 收集更加多样化的训练集。 例如，不寻常位置的猫图片; 不寻常颜色的猫; 用各种相机设置拍摄的照片等等
• 通过梯度下降算法更多的迭代次数， 将算法训练更长的时间。
• 尝试更大规模的神经网络，更多的层/隐藏单元/参数
• 尝试小一点规模的神经网络
• 尝试添加正则化（比如L2正则化）
• 改变神经网络架构（激活函数、隐藏单元的数量）
• ....

如果你选择了正确的建议，走向了正确的方向，你将会建立先进的猫图片平台，并引领公司走向成功，否则，你可能会浪费掉几个月的实际。你讲如何继续？

本书将告诉你怎么做。大部分的机器学习问题都会留给你一些线索，告诉你什么样的尝试是有用的，什么样的尝试毫无效果。学习并读懂这些线索将会节省几个月甚至几年的开发时间。