前言
吴恩达的课程堪称经典,有必要总结一下。
学以致用,以学促用,通过笔记总结,巩固学习成果,复习新学的概念。
目录
正文
图像激活的例子
电视调节的例子。
机器学习的链式假设。
正则化的链式假设。
使用单一指标评估原则,在一次训练时仅选取一个指标作为优化你的目标。
使用另一个例子。
常用的评价标准,F1score,召回率。
另一类猫分类问题。
统计和最优化指标。
猫分类问题,开发/测试集。
真实案例,训练集和测试集不匹配,白工作了三个月。
指导原则。
训练,开发和测试分布。
常规的数据划分方法,但在数据集特别大的时候,可以考虑,更改划分原则。
开发集的规模,设置你的开发集足够大来侦测算法和模型里的区别。
测试集的规模,测试集的规模足够大以使我们对结果有足够的置信度。
针对不同的数据规模,采取不同的开发测试训练集划分方法。
猫数据集划分方法。
对于猫分类图片的正交化。
有可能你的训练集和实际训练集不同,最终造成错误率增加。
改变测试训练开发集的分布原则。
和人类级别的性能进行比较。
使用人类处理结果作为基准的依据。
补充材料
偏差和方差。
不同的状况会导致不同的表现性能。
对于错误进行分类与调试。
拒绝偏差。
人类级别的错误率可以作为贝叶斯错误率。
错误分析例子
偏差误差分析的总结。
理解人类级别的性能表现。
超过人类性能的表现。
超过人类级别的表现能力。
监督学习的两个基本假设。
减少偏差和误差。
提高你的模型性能