机器学习是很多应用程序的基础，包括Web搜索、垃圾邮件过滤系统、语音识别、产品推荐等等。如果你的团队正在研究一个机器学习的程序，希望本书可以帮助你快速的取得进展。
例子：构建基于猫咪图片的公司
假如你正在创建一个公司，主要业务为向爱猫人士提供许多猫咪的图片。
你使用神经网络来建立一个计算机视觉系统来检测图片中的猫咪。
不幸的是，你的神经网络学习算法的准确性还不够好，你需要去改进算法，你会怎么做？
你的团队可能会有许多想法，比如：
• 更多的数据： 收集更多的猫咪图片。
• 收集更多样化的训练集，比如，在各种角度拍的猫咪的图片，不同颜色的猫的图片，拍摄照片时相机的各种设置等等。
• 增加算法的训练时间，运行更多次数的梯度下降迭代。
• 构建一个更大的神经网络，拥有更多的层数/隐藏单元/参数。
• 尝试更小的神经网络
• 尝试添加正则化（比如L2正则化）
• 尝试改变神经网络的架构（激活函数，隐藏单元数等）
• …
在这些可能的方案中，如果你选择正确，你将建立一个相比原来更加完善的系统，并取得成功。如果你选择失误，那么可能会白白浪费几个月的时间。如果是你，你会怎么选择呢？
本书将会告诉你应该如何去选择。许多机器学习的问题都会留下一些线索，告诉你什么是有用的，什么是没用的。如果你可以什么学习理解这些线索获取可以帮你节省数月或数年的开发时间。