这本书详细介绍了如何使用Scikit-Learn和TensorFlow进行机器学习实践，适合希望深入了解这两种流行Python库的数据科学家和技术爱好者。
当大多数人听到“机器学习”这个词时，脑海中浮现的往往是机器人：要么是可靠的仆人，要么就是《终结者》中的致命威胁。然而，机器学习不仅仅是一个遥远未来的幻想，它已经存在了多年，在一些专门的应用中如光学字符识别（OCR）就已经开始应用。不过真正让数百万人生活受益的第一个大众化的机器学习应用程序是在1990年代出现的：那就是垃圾邮件过滤器。虽然这并不是自我意识的“天网”，但它确实符合机器学习的标准定义（它已经学得如此之好，你几乎不需要再手动将电子邮件标记为垃圾邮件）。随后出现了数百种其他机器学习应用，现在它们静静地支持着我们日常使用的各种产品和功能，从更精准的产品推荐到语音搜索。那么问题来了：机器学习的边界在哪里？究竟什么是“让机器学会”某种东西呢？如果我下载了一份维基百科的副本，我的电脑真的“学到了”什么吗？它变得更聪明了吗？
在这一章中，我们将首先澄清一下机器学习是什么以及你可能为何想要使用它的原因。然后，在我们开始探索这个广阔的机器学习领域之前，我们会先查看一张地图来了解主要区域和标志性地标：监督式与非监督式的区别、在线学习与批处理的区别、基于实例的学习与模型驱动的方法等概念。接下来我们将讨论一个典型的机器学习项目的工作流程，探讨可能会遇到的主要挑战，并涵盖如何评估和微调一个机器学习系统。
本章介绍了每个数据科学家都应该烂熟于心的基本概念（以及一些专业术语）。这将是整个书中唯一没有太多代码的高层面概述章节，内容相对简单。但在继续阅读本书之前，请确保你对所有这些概念都有清晰的理解。所以请准备好咖啡，让我们开始吧！
5星
