「Deep Learning」Note on Machine Learning Yearning

最新推荐文章于 2020-11-28 22:13:23 发布
最新推荐文章于 2020-11-28 22:13:23 发布
阅读量251 收藏
点赞数
文章标签： 小锋子 吴恩达 机器学习 深度学习 deeplearning.ai
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dgyuanshaofeng/article/details/80198393
版权

Sina Weibo：小锋子Shawn
Tencent E-mail：403568338@qq.com
http://blog.csdn.net/dgyuanshaofeng/article/details/80198393

1 Why Machine Learning Strategy

为什么采用机器学习策略？
因为机器学习是很多重要应用的基石。比如，web搜索，email反垃圾，语音识别，商品推荐，等等。对于我来说，我关注机器学习算法在医学影像、医学信号和医学文本中的应用。

书中第一章假设我们创建并运营一个猫图识别公司，并处于努力提高猫检测器准确率的困境中。我们可能有如下想法：1、收集更多猫图；2、在收集过程中，关注训练集的多样性，比如各种姿势的猫、不同毛色的猫、利用不同sensor拍摄的猫；3、让算法迭代更多更充分；4、尝试更大的神经网络；5、尝试更小的神经网络；6、尝试加入正则项，比如L2惩罚；7、改变神经网络结构。此书的作用就是在开发应用中，告诉我们哪些可行的窍门，那些不可行的窍门，节省我们的时间。

2 How to use this book to help your team

如何使用这本书？

完成这本书的阅读，为机器学习项目设定工程方向，会有深入的理解。

3

Chapter 50

Choosing pipeline components: data availability

针对管道系统是否end-to-end，分析了数据获取的影响。
1、end-to-end系统的数据通常较少，需要设计采集装置进行数据收集；
2、但是，我们可以利用手上的数据开发非end-to-end系统。

Chapter 51

Choosing pipeline components: task simplicity

分析任务简单性，并建议我们分治困难问题。

Chapter 52

Directly learning rich outputs

简单地说，神经网络很强大，我们的欲望也更多，希望输出更多有用的信息。

小锋子Shawn
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Machine_Learning_Yearning_V01
04-26
Table of Contents (draft) Why Machine Learning Strategy 4 ........................................................................................... How to use this book to help your team 6 ................................................................................ Prerequisites and Notation 7 .................................................................................................... Scale drives machine learning progress 8 ................................................................................ Your development and test sets 11 ............................................................................................ Your dev and test sets should come from the same distribution 13 ........................................ How large do the dev/test sets need to be? 15 .......................................................................... Establish a single-number evaluation metric for your team to optimize 16 ........................... Optimizing and satisficing metrics 18 ..................................................................................... Having a dev set and metric speeds up iterations 20 ............................................................... When to change dev/test sets and metrics 21 .......................................................................... Takeaways: Setting up development and test sets 23 .............................................................. Build your first system quickly, then iterate 25 ........................................................................ Error analysis: Look at dev set examples to evaluate ideas 26 ................................................ Evaluate multiple ideas in parallel during error analysis 28 ................................................... If you have a large dev set, split it into two subsets, only one of which you look at 30 ........... How big should the Eyeball and Blackbox dev sets be? 32 ...................................................... Takeaways: Basic error analysis 34 .......................................................................................... Bias and Variance: The two big sources of error 36 ................................................................. Examples of Bias and Variance 38 ............................................................................................ Comparing to the optimal error rate 39 ................................................................................... Addressing Bias and Variance 41 .............................................................................................. Bias vs. Variance tradeoff 42 ..................................................................................................... Techniques for reducing avoidable bias 43 .............................................................................. Techniques for reducing Variance 44 ....................................................................................... Error analysis on the training set 46 ........................................................................................ Diagnosing bias and variance: Learning curves 48 ................................................................. Plotting training error 50 .......................................................................................................... Interpreting learning curves: High bias 51 ............................................................................... Interpreting learning curves: Other cases 53 .......................................................................... Plotting learning curves 55 ....................................................................................................... Why we compare to human-level performance 58 .................................................................. How to define human-level performance 60 ........................................................................... Surpassing human-level performance 61 ................................................................................ Why train and test on different distributions 63 ...................................................................... Page!2 Machine Learning Yearning-Draft V0.5 Andrew NgWhether to use all your data 65 ................................................................................................ Whether to include inconsistent data 67 .................................................................................. Weighting data 68 .................................................................................................................... Generalizing from the training set to the dev set 69 ................................................................ Addressing Bias and Variance 71 ............................................................................................. Addressing data mismatch 72 ................................................................................................... Artificial data synthesis 73 ........................................................................................................ The Optimization Verification test 76 ...................................................................................... General form of Optimization Verification test 78 ................................................................... Reinforcement learning example 79 ......................................................................................... The rise of end-to-end learning 82 ........................................................................................... More end-to-end learning examples 84 .................................................................................. Pros and cons of end-to-end learning 86 ................................................................................ Learned sub-components 88 .................................................................................................... Directly learning rich outputs 89 .............................................................................................. Error Analysis by Parts 93 ....................................................................................................... Beyond supervised learning: What’s next? 94 ......................................................................... Building a superhero team - Get your teammates to read this 96 ........................................... Big picture 98 ............................................................................................................................ Credits 99
吴恩达：Machine+Learning+Yearning
04-30
吴恩达新书《Machine_Learning_Yearning》。。。。。。
Machine_Learning_Yearning_V0.5_01.pdf
12-10
Andrew Ng的新书《Machine Learning Yearning》01部分
吴恩达-Machine Learning Yearning-（1-52）完结中英文版本
10-28
吴恩达-Machine Learning Yearning（1-52章）完结中英文版本
Machine Learning Yearning完整版
09-30
吴恩达的书，很全。合并而成，希望对大家有帮助。。。
Machine Learning Yearning (Andrew Ng)
12-17
吴恩达（Andrew Ng）在Coursa上的教程的概括性总结和实战经验。涵盖了吴老师纵横深度学习10多年的经验，是掌握深度学习不可多得的入门法宝。无论是网络选择，初始条件选择，参数调节，还是预处理，吴老师都给出了...
MachineLearning Yearning
09-06
Deep Learning.ai 公司的吴恩达博士进行撰写内容原创为吴恩达博士，学习小组成员只对文献内容进行翻译，对于翻译有误的部分，欢迎大家提出。欢迎大家一起努力学习、提高，共同进步！
吴恩达：Machine Learning Yearning
05-12
Machine learning is the foundation of countless ... I assume that you or your team is working on a machine learning application, and that you want to make rapid progress. This book will help you do so.
machine learning yearning Ch. 1-14
05-02
吴恩达分享的链接国内下载不了，分享一下方便下载machine learning yearning Ch. 1-14
Machine Learning Yearning（吴恩达老师最新章节）
05-10
Once you have identified whether your algorithm has high bias or variance, these chapters discuss specific techniques to address the two.
Machine Learning Yearning28~30
sunyao_123的博客
05-17 566
1.通过画学习曲线来观察。学习曲线：横坐标是不同数量的训练样本，纵坐标是dev set的error。随着训练样本的增加，error降低。一般来说，我们有一个期望误差率，希望网络能够达到。比如：人类的误差率；直觉上任务应该达到的误差率；长期目标需要达到的误差率。 通过观察上述曲线，可以推断还需要多少训练样本才能达到期望误差率。但是如果误差曲线最后是平的： 那么，通过增加训练数据是不能够达...
【资源】吴恩达新书《Machine Learning Yearning》完整中文版免费下载
湾区人工智能
10-18 200
来自 | 机器学习算法与自然语言处理吴恩达新书《Machine Learning Yearning》完整中文版开源，整理给大家。《Machine Learning Yea...
吴恩达新书《Machine Learning Yearning》手稿完工，现在全集免费下载！（附pdf下载）
极市平台的技术博客
09-27 1302
极市平台是专业的视觉算法平台，主要为开发者提供真实项目需求，视觉算法开发等服务，加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师**等大牛群内互动！同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。扫描以下二维码，立刻申请入群~ 来源：量子位 △ 吴恩达 吴恩达老师的推特消息 发布7小时后...
Machine Learning Yearning book draft - 读记（更新至Chapters 14）
喔吼的博客
12-05 6440
废话不多说，先上书封面！ 首先，非常感谢Andrew NG对于本书《Machine Learning Yearning》的贡献，本书总共大概50多章，昨天收到了1-12章（1-2页/章）的手稿，也是让各位读者先一睹为快。 一、前言 先说说我对于此书的期待，本书作者是Andrew NG，我相信这个名字对于所有做机器学习的朋友来说都不陌生，斯坦福大学计算机科学系和电子工程系副教授
吴恩达新书《Machine Learning Yearning》完整中文版 PDF 下载！
Datawhale
10-03 894
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale资源推荐人：GithubDaily，Datawhale伙伴《Mach...
endnote20设置为中文版_吴恩达新书《Machine Learning Yearning》完整中文版（附下载）...
weixin_39882589的博客
11-28 4457
红色石头的个人网站：红色石头的个人博客-机器学习、深度学习之路​www.redstonewill.com我相信红色石头的很多读者朋友都受惠于吴恩达的 deeplearning.ai 专项课程。红色石头也不例外，之前在我的公众号里连载了 deeplearning.ai 的所有课程笔记，需要的朋友请戳下面的传送门：【干货】吴恩达deeplearning.ai专项课程历史文章汇总吴恩达在 AI 普及之路...
吴恩达新书-Machine Learning Yearning 中英文版（全）
我爱智能
11-06 4933
介绍一本吴恩达新书，说新也不新，出来也有好大半年了，也许你早就看过，如果没有可以看看。 这是一本面向实战类的书，讲述的是吴恩达自己关于项目类的比较高认识的总结，吴恩达称：这本书的主题是“如何构建机器学习项目”。 “这本书的重点不在于教授具体的机器学习算法，而在于如何使机器学习算法真正发挥作用。有一些技术类的人工智能课程会给你一个锤子；而这本书会教你如何使用这个锤子。如果你渴望成为人工智能领域的技术...
linux安装Yearning
最新发布
05-11
Yearning是一个开源的数据库WEB化管理工具，可以帮助用户管理MySQL、PostgreSQL、MongoDB等数据库。在Linux系统上安装Yearning可以按照以下步骤进行： 1. 下载Yearning的安装包： ``` wget ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值