一站式了解深度学习算法，结合实际工作中的常见问题举一反三、快速上手！

前言
随着机器智能的进步，人类预测技能的价值将会降低。原因在于机器预测比人工预测更为低价和优质，正如机器算数肯定比人力算数更为迅速准确。然而，这却并不像许多专家预言的意味着人类工作的末日，因为人类判断技能的价值将得以凸显。用经济学语言表述就是，判断是预测的互补品，因此当预测的成本降低，对判断的需求就会增大。
——The Simple Economics of Machine Intelligence，《哈佛商业评论》
当年互联网的大潮席卷一切时，数字通信技术被认为将颠覆商业、改变一切。之后的移动互联网也在某种程度上被认为将颠覆商业。经济学家总体上并没有被当时的互联网泡沫所忽悠。
现如今，有关人工智能的报道铺天盖地，有昔日“新经济”泡沫之势。这一次，基本的经济学原理和框架就足以帮助我们理解和预测这一技术形态对商业产生的影响。技术革命往往会使某些重要活动的成本降低，比如说通信或搜索信息等活动。究其实质，人工智能或者机器智能（Machine Intelligence）是一项预测技术，因此它的经济影响将围绕降低预测成本这个中心来展开。
对于已经身处这个大潮中的开发者、架构师、数据分析人员等，只能去拥抱这项技术。深度学习并不是一项凭空冒出来的技术，它在机器学习之上做了很多优化。本质上所有的有监督学习都是在探讨怎样无限地逼近目标函数（强化学习另外讨论），而深度网络就是让机器代替人类提取特征的工作变得更有可能真正实现。在经济学家的眼里，现阶段人工智能的本质是从预测（或分类问题）开始，我想通过几个实际的例子来和大家聊聊这个话题；另一方面，我的团队在工作中积累了一些实际经验，我们也希望能将这些经验贡献出来，如果能在某种程度上对读者有所帮助那就最好不过了。以上两点，促成了本书的诞生。
我的前一本书（《神经网络与深度学习》，电子工业出版社出版）偏向于概念讲解，因为写的时候深度学习并不普及，让大众了解深度学习的基本概念是最急迫的目标。现在这本书大部分内容则偏向于应用，因为无论是降低社会成本，还是发明创造出新算法，都离不开实践；如果还能从实践中思考一些东西，那就是举一反三的能力了——这是我们人类独特的价值。所以在本书后面的强化学习、股票预测等章节，我们都会留一些问题，读者可以亲自实践，用深度学习这个工具创造出更多的价值，更长远地说，为推动强人工智能贡献自己的一份力量。
我一直相信，创造具有意识的AI，对所有的科技人员是一种诱惑，尽管有可能造出来就意味着人类的边缘化，但即便如此，仍然还要憋着劲去研究如何把它造出来——这简直就不像人类的自由意志了，更像背后有一只手在推动着，我想上帝在造人时的心情也不过如此吧。
本书面向有一定基础、在工作中对深度学习有一定实际需求的读者；另外也面向那些有志于从传统的软件工程领域转型的工程师们。
本书一共分为6 章。
第1 章，主要讲从工程思维到算法思维的转变，对于有基础的读者来说稍显啰嗦，但很重要，希望读者能仔细阅读。
第2 章，阐述文本分析、文本深度特征等内容，已有基础的读者可以根据自己的需求部分略过。
第3 章，主要介绍对话机器人的相关技术和发展。
第4 章，主要介绍视觉，以人脸检测为例，从传统的OpenCV 模式识别做人脸检测到用CNN 网络做人脸表情识别。勾勒CNN 的传承发展，讲述做图像分类、目标识别等其他一些应用。
第5 章，主要讲区别于一般的有监督学习的另一个问题：强化学习和DQN 网络实践。
第6 章，主要讲预测与推荐，以股票为例，并同时讨论了深度学习在推荐领域的应用。
本书的完成得到了团队的大力支持：张帅、郭晓璐提供了图像方面的支持；周维提供了强化学习内容上的支持，在此衷心地感谢他们。
下面是本书所用到的环境说明。
为保持一致性，本书所有的代码如无特殊说明都基于Python 2.7 版本，系统环境为Ubuntu 16.04，以及所用到的Keras、TensorFlow、MXNet、Caffe、Openface、openai、OpenCV、Dlib、NumPy、SciPy、gensim、Theano 等均为2016 年9 月的最新版本。
本书的部分源代码整理在： https://github.com/wac81/Book_DeepLearning_Practice，仅供研究使用，使用时请注明来源，如需用作商业或其他用途，请联系作者取得授权。