吴恩达新书《Machine Learning Yearning》翻译目录索引

吴恩达出了一本新书，关于机器学习或者说深度学习的tricks。封面如下。

我打算将此书看一遍，也翻译总结一下，方便此后查阅。
这是本书的官网，大家可以输入自己的邮箱订阅，因为目前此书还没有更新完全，但是每更新一部分，就会发到填写的邮箱中。
http://www.mlyearning.org/

这本书的目的是教给大家如何建立一个机器学习工程。并不是教一些机器学习算法，而是如何让ML(machine learning)算法运行起来。其他课程教给你的是工具，但这本书是教你如何使用工具。如果你想成为一名技术领导并且想知道如何为你的团队指定方向，那么这本书会派上用场。

阅读完这本书之后，你将会学到：
1.AI中最有前景的方向
2.诊断出ML系统中的错误
3.如何建立复杂的ML，例如训练集/测试集不匹配的数据
​4.建立一个可以和人类水平相当甚至超越人类的ML工程
5.了解到何时以及如何去使用端对端学习、转移学习、多任务学习

从历史来看，这些策略的唯一获取方法是在研究生课程或者公司里进行多年的学习。我写这本书的目的是让大家本办法更快地获取这些技巧以便更好地建立一个AI系统。

这本书大约有100页，每一章大概1-2页，如果你想要在手稿完成时立刻收到，那么请填写邮箱地址。

以下是已经翻译好的部分，后续将实时更新。

第1章 Why Machine Learning Strategy
第2章 How to use this book to help your team
第3章 Prerequisites and Notation
第4章 Scale drives machine learning progress

Part1 Setting up development and test sets （第5章-第12章）
第5章 Your development and test sets
第6章 Your dev and test sets should come from the same distribution
第7章 How large do the dev/test sets need to be?
第8章 Establish a single-number evaluation metric for your team to optimize
第9章 Optimizing and satisficing metrics
第10章 Having a dev set and metric speeds up iterations
第11章 When to change dev/test sets and metrics
第12章 Takeaways: Setting up development and test sets

Part 2 Basic Error Analysis
第13章 Build your first system quickly, then iterate
第14章 Error analysis: Look at dev set examples to evaluate ideas
第15章 Evaluating multiple ideas in parallel during error analysis
第16章 Cleaning up mislabeled dev and test set examples
第17章 If you have a large dev set, split it into two subsets, only one of which you look at
第18章 How big should the Eyeball and Blackbox dev sets be?
第19章 Takeaways: Basic error analysis
第20章 Bias and Variance: The two big sources of error
第22章 Examples of Bias and Variance
第22章 Comparing to the optimal error rate
第23章 Addressing Bias and Variance
第24章 Bias vs. Variance tradeoff
第25章 Techniques for reducing avoidable bias
第26章 Error analysis on the training set
第27章 Techniques for reducing variance
第28章 Diagnosing bias and variance: Learning curves
第29章 Plotting training error
第30章 Interpreting learning curves: High bias
第31章 Interpreting learning curves: Other cases
第32章 Plotting learning curves
第33章 Why we compare to human-level performance
第34章 How to define human-level performance
第35章 Surpassing human-level performance
第36章 When you should train and test on different distributions
第37章 How to decide whether to use all your data
第38章 How to decide whether to include inconsistent data
第39章 Weighting data
第40章 Generalizing from the training set to the dev set
第41章 Addressing Bias and Variance
第42章 Addressing data mismatch
第43章 Artificial data synthesis
第44章 The Optimization Verification test
第45章 General form of Optimization Verification test
第46章 Reinforcement learning example
第47章 The rise of end-to-end learning
第48章 More end-to-end learning examples
第49章 Pros and cons of end-to-end learning
第50章 Learned sub-components
第51章 Directly learning rich outputs Error analysis on the training set
第52章 Error Analysis by Parts
第53章 Beyond supervised learning: What’s next?
第54章 Building a superhero team - Get your teammates to read this
第55章 Big picture
第56章 Credits