intro polished

chapter_introduction/index.md

@@ -1,18 +1,27 @@
 # 前言
 :label:`chap_introduction`
 
-时至今日，我们每天使用的的计算机程序几乎都是由软件开发人员从基本原理开始编写的。比如，我们要编写一个程序来管理网上商城。在经过了几个小时的思考之后，我们将提出一个大致可行的解决方案，可能看起来像这样：(1) 用户通过Web浏览器或移动APP与应用程序进行交互；(2) 应用程序与数据库引擎进行交互，以跟踪每个用户的状态并维护交易历史记录；(3) 应用程序的核心——“业务逻辑”，详细说明了程序在各种情况下进行的操作。
+时至今日，我们常用的计算机程序几乎都是软件开发人员从零编写的。
+比如，现在我们要编写一个程序来管理网上商城。
+经过思考，我们可能提出如下一个解决方案：
+首先，用户通过Web浏览器（或移动应用程序）与应用程序进行交互。
+紧接着，应用程序与数据库引擎进行交互，以保存交易历史记录并跟踪每个用户的动态。
+其中，这个程序的核心——“业务逻辑”，详细说明了程序在各种情况下进行的操作。
 
-为了构建应用程序的业务逻辑，我们必须细致地考虑程序所有可能遇到的边界情况，并为这些边界情况设计合适的规则。当买家单击将商品添加到购物车时，我们会向购物车数据库表中添加一个条目，将该用户ID与商品ID关联起来。虽然很少有开发人员一次就能完成完美的应用程序（可能需要一些测试才能解决问题），但在大多数情况下，我们可以从基本原理出发编写这样的程序，并在遇到真正的用户前自信地启动程序。我们能够根据第一原则设计自动化系统，驱动正常运行的产品和系统，是一个人类认知上的非凡壮举。除此之外，当你能够设计出花费100美元内的解决方案时，你不应该使用机器学习。
+为了完善业务逻辑，我们必须细致地考虑应用程序所有可能遇到的边界情况，并为这些边界情况设计合适的规则。
+当买家单击将商品添加到购物车时，我们会向购物车数据库表中添加一个条目，将该用户ID与商品ID关联起来。
+虽然一次编写出完美应用程序的可能性微乎其微，但在大多数情况下，我们可以从基本原理出发编写这样的程序，并不断测试直到满足用户的需求。
+我们能够根据第一原则设计自动化系统，驱动正常运行的产品和系统，是一个人类认知上的非凡壮举。
 
-幸运的是，对于日益壮大机器学习 (machine learning) 科学家群体来说，我们想要实现自动化的很多任务并不容易屈从于人类的聪明才智。想象一下，你和你所知道的最聪明一群人围绕着白板，但这次你正在解决以下问题之一：
+幸运的是，对于日益壮大机器学习科学家群体来说，想要实现很多任务的自动化并不再屈从于人类的聪明才智。
+想象一下，你正和你最聪明一群朋友围绕着白板，试图解决以下问题之一：
 
 * 编写一个程序，给出地理信息、卫星图像和一些历史天气信息，来预测明天的天气。
 * 编写一个程序，给出自然文本表示的问题，并正确回答该问题。
 * 编写一个程序，给出一张图像，识别出图像所包含的人，并在每个人周围绘制轮廓。
 * 编写一个程序，向用户推荐他们可能喜欢但在自然浏览过程中不太可能遇到的产品。
 
-在这些情况下，即使是顶级程序员也无法从零开始，交上完美的解决方案。原因可能各不相同。有时，我们正在寻找的程序遵循一种随着时间的推移而变化的模式，我们需要程序来自动调整。有时，关系（比如像素和抽象类别之间的关系）可能太复杂，需要数千或数百万次的计算。即使我们的眼睛能毫不费力地完成任务，这些计算也超出了我们的意识理解。*机器学习*（machine learning）是强大的
+在这些情况下，即使是顶级程序员也无法从零开始，交上完美的解决方案。原因可能各不相同。有时，我们正在寻找的程序遵循一种随着时间的推移而变化的模式，我们需要程序来自动调整。有时，关系（比如像素和抽象类别之间的关系）可能太复杂，需要数千或数百万次的计算。即使我们的眼睛能毫不费力地完成任务，这些计算也超出了我们的意识理解。*机器学习*（machine learning，ML）是强大的
 可以从经验中学习的技术。随着机器学习算法积累了更多的经验（通常采用观测数据或与环境交互的形式），其性能会提高。将这与刚刚所说的电子商务平台进行对比，电商平台根据相同的业务逻辑执行，无论积累多少经验，直到开发人员自己认识到并决定何时更新软件。在这本书中，我们将教你机器学习的基础知识，并特别关注*深度学习*（deep learning）。这是一套强大的技术，可以推动计算机视觉、自然语言处理、医疗保健和基因组学等不同领域的创新。
 
 ## 日常生活中的机器学习
@@ -202,6 +211,7 @@ Tom has dinner in Washington with Sally
 Ent  -    -    -     Ent      -    Ent
 ```
 
+
 **自动语音识别**。在语音识别中，输入序列是说话人的录音（如:numref:`fig_speech`所示），输出是说话人所说内容的文本记录。挑战在于，与文本相比，音频帧多得多（声音通常以8kHz或16kHz采样），也就是说，音频和文本之间没有1:1的对应关系，因为数千个样本可能对应于一个单独的单词。这也是序列到序列的学习问题，其中输出比输入短得多。
 
 ![`-D-e-e-p- L-ea-r-ni-ng-` 在录音中。](../img/speech.png)
@@ -219,6 +229,7 @@ Ent  -    -    -     Ent      -    Ent
 错误的对齐:  Did you yourself already this excellent tutorial looked-at?
 ```
 
+
 在其他学习任务中会出现许多相关问题。例如，确定用户阅读网页的顺序是二维布局分析问题。对话问题表现出各种额外的复杂性，其中确定下一步要说什么，需要考虑现实世界的知识和跨越长时间距离的对话历史状态。这些都是活跃的研究领域。
 
 ### 无监督学习