Preface
前　　言
我們需要那些能夠夢想從未發(fā)生的事情，并追問自己為什么不能這樣的人。
約翰·F.肯尼迪在愛爾蘭議會的演講，1963年6月
人們對如今的人工智能持有兩種觀點，這兩種觀點都不是排他性的。一種觀點是絕大多數(shù)媒體宣揚和追求的觀點，而另一種觀點則是IT社區(qū)宣揚和追求的觀點。在這兩大陣營中，都有一些真正的專家和權(quán)威人士。
媒體宣揚的觀點關(guān)注的是，人工智能作為一個整體，無論是以已知還是未知的形式，可能對我們的未來生活產(chǎn)生的影響。IT社區(qū)（軟件和數(shù)據(jù)科學(xué)家所屬領(lǐng)域）提出的觀點認(rèn)
為，機器學(xué)習(xí)是新一代軟件服務(wù)的基礎(chǔ)，而新一代軟件服務(wù)只是比現(xiàn)有服務(wù)更智能。
在媒體觸及的大眾與小得多的IT社區(qū)之間的中間地帶是云服務(wù)團隊。他們每天進行研究，使技術(shù)水平向前邁進，發(fā)布新的服務(wù)，為新的和現(xiàn)有的應(yīng)用程序添加智能。
位于人工智能金字塔底部的是經(jīng)理和高管。一方面，他們渴望把從科技新聞中聽到的那些令人驚嘆的服務(wù)應(yīng)用到商業(yè)中，以超越競爭對手。另一方面，他們面臨著以最大的希望開始的項目的驚人賬單。
人工智能不是一根魔杖。
人工智能不是按使用次數(shù)付費的服務(wù)。不過，它既不是資本，也不是經(jīng)營支出。
人工智能只是一種軟件。
如果能從軟件開發(fā)的角度來考慮，包括設(shè)置需求，找到可靠的合作伙伴，制定預(yù)算然后開始工作，在充分考慮敏捷性的前提下重新開始等，那么任何關(guān)于人工智能的商業(yè)決策都會更好。
就那么簡單嗎？
雖然人工智能與軟件開發(fā)有關(guān)，但它與建立電子商務(wù)網(wǎng)站或訂購平臺并不完全一樣。
如果你不清楚要解決的問題、問題的背景和要表達的觀點，就不要從事人工智能項目。
不要以最有力的競爭者為唯一榜樣來開始一個雄心勃勃的冒險項目。
如果你還沒準(zhǔn)備好損失一大筆錢，那就不要開始這樣的項目。
每次只解決一個痛點，構(gòu)建一個跨職能團隊，并提供對數(shù)據(jù)的完全訪問。
誰應(yīng)該讀本書
在準(zhǔn)備本書的過程中，我們收到了很多關(guān)于章節(jié)內(nèi)容安排的反饋，也多次對此進行了詳細(xì)說明。我們至少對目錄進行了三次徹底修改。困難之處在于，我們設(shè)計本書是為了使其獨特且創(chuàng)新，追求的是一種與我們所看到的現(xiàn)實相去甚遠的機器學(xué)習(xí)和軟件開發(fā)的理念。希望我們的愿景也是將來機器學(xué)習(xí)的愿景！
受數(shù)據(jù)科學(xué)的限制，我們把機器學(xué)習(xí)看作交付給開發(fā)人員的組件，將其嵌入某些Web服務(wù)或桌面應(yīng)用程序中。這是一個恰到好處的瀑布式結(jié)構(gòu)。公司和企業(yè)經(jīng)常談?wù)摰拿艚菰谀睦铮棵艚輽C器學(xué)習(xí)意味著數(shù)據(jù)科學(xué)家和開發(fā)人員是在一起工作的，業(yè)務(wù)分析師和領(lǐng)域?qū)＜乙矔�加入團隊。同時為了方便數(shù)據(jù)的訪問和操作，數(shù)據(jù)利益相關(guān)者（無論是IT人員還是DevOps人員，或其他人員）也會加入團隊。這就是敏捷團隊恰到好處。
我們看到了從數(shù)據(jù)科學(xué)到軟件開發(fā)、從軟件開發(fā)到數(shù)據(jù)科學(xué)的技術(shù)融合的（商業(yè)）需求。而這本入門書對這兩方面都有好處。在深入分析機器學(xué)習(xí)算法的機理之前，它與開發(fā)人員進行對話并展示ML.NET的實際運行情況（通過Python）。它還與需要了解更多軟件需求的數(shù)據(jù)科學(xué)家進行了對話。
如果你是一名軟件開發(fā)人員，想學(xué)習(xí)數(shù)據(jù)科學(xué)和機器學(xué)習(xí)技能，那么本書就是你的理想選擇。如果你是一名數(shù)據(jù)科學(xué)家，想學(xué)習(xí)更多關(guān)于軟件的知識，那么本書也是非常理想的選擇。不過，這兩類人員都需要更多地了解對方。
這是本書的理念。我們將其歸類為介紹性的，因為它拓展的是寬度而不是深度。它提供了.NET的例子，因為我們認(rèn)為，盡管Python生態(tài)系統(tǒng)非常豐富和繁榮，但是沒有理由不去尋找允許你在更接近軟件應(yīng)用程序、軟件服務(wù)和微服務(wù)的基本硬件的情況下進行機器學(xué)習(xí)的平臺，以便最終可以使用任意的學(xué)習(xí)管道（包括TensorFlow、PyTorch及Python代碼）。
誰不應(yīng)該讀本書
這是一本入門級的書，清晰、準(zhǔn)確地概述了使用ML.NET平臺進行實驗的機器學(xué)習(xí)技術(shù)。如果你正在尋找大量的Python示例，那么本書并不是理想選擇。如果你正在尋找如何在解決方案（無論是Python還是ML.NET）中復(fù)制和粘貼的示例，我們不確定本書是否理想選擇。如果你正在尋找算法背后的數(shù)學(xué)細(xì)節(jié)，或者一些算法實現(xiàn)的注釋，同樣，本書也不是理想選擇（我們確實包括了一些數(shù)學(xué)知識，但只是皮毛）。
本書的章節(jié)安排
本書分為五個部分。第一部分簡要介紹人工智能、智能軟件的基礎(chǔ)，以及任意機器學(xué)習(xí)項目在端到端解決方案中的基本步驟。第二部分重點介紹ML.NET庫，并概述其核心部分，比如回歸和分類等常見問題中的數(shù)據(jù)處理、訓(xùn)練及評估等任務(wù)。第三部分涉及一系列算法的數(shù)學(xué)細(xì)節(jié)，這些算法包括線性回歸、決策樹、集成方法、貝葉斯分類器、支持向量機、K-Means、在線梯度，它們通常被訓(xùn)練用來解決現(xiàn)實生活中的問題。第四部分致力于研究神經(jīng)網(wǎng)絡(luò)，當(dāng)淺層算法都不適用時，神經(jīng)網(wǎng)絡(luò)可能會發(fā)揮作用。第五部分是關(guān)于人工智能（特別是機器學(xué)習(xí)）的商業(yè)愿景，簡單回顧了云平臺（特別是Azure平臺）提供的數(shù)據(jù)處理和計算的運行時服務(wù)。
代碼示例
本書中演示的所有代碼，包括可能的勘誤表和擴展，都可以在MicrosoftPressStore.com/IntroMachineLearning/downloads中找到。
勘誤表和圖書支持
我們已盡力確保本書及其配套內(nèi)容的準(zhǔn)確性。你可以在MicrosoftPressStore.com/IntroMachineLearning/errata上提交勘誤表及其相關(guān)更正。如果你發(fā)現(xiàn)一個尚未列出的錯誤，請在同一頁面提交給我們。如需更多圖書支持，請訪問http://www.MicrosoftPressStore.com/Support。
請注意，對微軟軟件和硬件產(chǎn)品的支持不是通過前面的網(wǎng)址提供的。有關(guān)微軟軟件或硬件的幫助，請訪問http://support.microsoft.com。