机器如何学习？机器学到的是什么？为什么机器经过学习能够神奇的预测用户的喜好、股票的涨跌？人们好奇又渴望。在这，作者将试着为开发工程师，产品经理、设计师、所有希望了解学习机器学习的人，介绍机器学习的原理、方法和实战技巧。

这篇文章将以深度卷积生成对抗网络（Deep Convolutional GAN，DCGAN）为例，介绍如何基于 Keras 2.0 框架，以 Tensorflow 为后端，在 200 行代码内搭建一个真实可用的 GAN 模型，并以该模型为基础自动生成 MNIST 手写体数字。

你是否也有过那么一时三刻的不自信，所谓 “以史为鉴，可以知兴亡”，从历史中总结出的规律，是否真的能在未来的预测中被信赖？文章中我们将试着解答这个疑惑。

作者搬运的来自 DataCamp 的实用 cheatsheet，包含基础和五个常用库。

介绍如何使用 Python 分析 NBA 比赛以往的统计数据，来判断每个球队的战斗力，及预测某场比赛结果。项目实例是利用 NBA 在 2015~2016 年的比赛统计数据进行回归模型建立，最终预测 2016~2017 的常规赛中每场比赛的输赢情况。

有理论有代码地告诉你循环神经网络。

入门教程。

这一篇我们将真正展开学习可行性的定量分析和讨论。它属于机器学习的研究方向之一——计算学习理论 (Computational Learning Theory)。

这篇文章里就让大家看看数据长什么样，了解现实中的机器学习输入数据是怎么来的。