第二部分
核心学习算法

学习可以归结为通过观察过去的数据，并以有意义的方式预测未来。当数据是连续的时，比如股票的价格或呼叫中心的呼叫量，我们称之为预测回归。当我们预测的是特定的离散类别的事物时，比如一张图片中是狗、鸟，还是猫，我们称之为预测分类。分类不仅应用在图像，你可以对各种事物进行分类，例如文本，判断文本中是否有积极或消极的情绪。

有时候，你希望在数据中发现自然的模式然后以此进行分组，比如按照相关的属性（比如很大部分是咳嗽声音的音频文件）进行分组，或者是移动手机数据，暗示了手机主人正在做什么，例如走路、谈话，等等。

但是你并不能总是观察到事情的直接原因，这使得预测事情变得很有挑战性。以天气为例，即使以我们先进的建模能力，它也是50/50的赌运气来判断一天将是雨天、晴朗或者多云。原因是，雨天、晴朗、多云是可观测的输出，但它与真正的原因之间的因果关系是隐藏的、无法直接观测的。我们把基于隐含的因果关系做出预测的模型称为马尔可夫模型。这些模型具有极好的可解释性，可以作为你的机器学习基础的一部分，用于预测天气和其他各种事情，例如自动地从书上阅读大量文本并判断一个词是动词还是形容词。

这些技术是你要学习的核心技能。在本书的这一部分，你将学习如何通过使用TensorFlow及其他机器学习工具来部署和应用这些技术，并学习如何评估它们的表现。