MLY翻译 -- 2.How to use this book to help your team?

最新推荐文章于 2024-10-04 21:21:54 发布
最新推荐文章于 2024-10-04 21:21:54 发布
阅读量370 收藏
点赞数
分类专栏： 项目 文章标签： 团队 机器学习 工作

在读完这本书后，你将会对“如何为机器学习项目设定技术方向”有一个深入的理解。
但是你的队友可能不理解你为什么偏向那个技术方向，例如你想让你队友们定义一个单数评价矩阵，但是他们对此不信服。你将会如何说服他们？
这就是我将章节设置得如此短的原因：你可以将1-2页的内容打印出来，让你的队友读一读。
对事务优先级的改变，将对你的团队的工作效率有很大的影响。多提几个对团队有帮助的改变策略，你就会成为众人眼中的超人啦！

mengmengmiao
关注
专栏目录
MLY翻译 -- 1.Why Machine Learning Strategy?
mengmengmiao的博客
02-27 367
机器学习是很多应用的基础，如网页搜索，反垃圾邮件，语音识别，推荐系统等。如果你的团队正在做一个基于机器学习的应用，这本书能够帮你的团队取得快速的进步。一个例子：提供猫图片的创业公司假如你现在正在创建一个为猫奴提供很多猫图片的公司，你用神经网络建立一个从图片中检测猫的计算机视觉系统。但悲剧的是，你发现你的学习算法精度不够，面临提高猫检测器精度的巨大压力，你要怎么做？ 你的小团队很给力，他们提出以下解
MLY -- 7.How large do the dev/test sets need to be?
mengmengmiao的博客
02-27 288
开发集应该足够大，大到可以检测出多个算法之间的不同。例如，分类器A的分类精度是90.0%，分类器B的精度为90.1%，开发集有100个样例，则开发集不能检测出这0.1%的不同（将开发集输入分类器A、B进行分类，A、B的结果都是90个样例的类标签正确，所以不能区分A、B）。就我所见过的机器学习问题来说，100个样例的开发集确实小了点儿。一般，开发集都是1000到10000这么大。当你有了10000个样
MLY -- 8.Establish a single-number evaluation metric for your team to optimize
mengmengmiao的博客
02-27 396
分类准确率(classification accuracy)是一个单数值的评价度量：将开发集（或测试集）输入分类器分类，分类器返回“被分类器正确分类的数据占输入数据集的比例”。如果分类器A获得97%的准确率，分类器B获得90%的准确率费，根据评价度量，分类器A较好。 与此不同的是，精度率和召回率（precision and recall）就不是一个单数值评价度量：它用两个数值去评价分类器。多数
MLY翻译 -- 3.Prerequisites and Notation
mengmengmiao的博客
02-27 375
如果你学习过机器学习课程，或者有使用监督学习的经验，你将能够更好理解这本书。 本书中，我在讲述下面的章节时，会假设你对监督学习很熟悉。监督学习是在有标签的数据(x,y)中学习从x映射到y的一个函数，线性回归、逻辑回归、神经网络都是监督学习算法。目前存在很多机器学习的形式，但机器学习产生的实际价值多数都是监督学习带来的。 在这本书中，我将会多次提到神经网络（即深度学习）。为学习这本书，你需要对神经
MLY翻译 -- 4.Scale drivers machine learning progress
mengmengmiao的博客
02-27 359
深度学习（神经网络）的很多想法已经存在几十年了，为什么这些想法现在才流行起来？ 促使机器学习进来的进步的两大因素是： 可得到的数据。现在，人们会花费更多的时间在数字设备上（例如笔记本，手机）。人们的数字行为产生了大量的数据，而这些数据可以用来训练我们的学习算法。 计算的规模。 也就是在近几年，我们才有计算能力训练足够大的神经网络，这种足够大的网络能利用我们拥有的巨大的数据集。
MLY -- 11.When to change dev/test sets and metrics
mengmengmiao的博客
02-27 305
当开始做一个新项目时，我会快速选择开发集和测试集，因为这会给团队一个明确的目标。 通常，我会要求我的团队在一周之内提出初始的开发集、测试集和度量，大多时候都不会多于一周。先提出一些不完美的东西使项目能前进下去，比过多考虑开发集、测试集、度量好的多。但是，一周时间线并不适用于成熟的应用。例如，垃圾邮件是一个成熟的深度学习应用。我曾见到在已经很成熟的系统上工作的团队花费数月的时间去获得好点儿的开发
MLY -- 13.Error analysis:look at dev set examples to evaluate ideas
mengmengmiao的博客
02-27 570
当你在玩你的猫app时，你发现几个把狗狗分类成猫的例子。但是有些狗狗真的很像猫！ 你的团队成员提出结合第三方软件将会使系统在处理狗狗图片上更好。但这将会花费一个月，团队成员对此很是热情。你应该要求他们做吗？ 在投入一个月在这个项目上之前，我建议你首先评估一下这样做后系统的准确率会提高多少。然后你能更理性地决定这样做是否值得，或者你最好把时间用在其他任务上。 具体来说，你可以这样做：
MLY -- 5.your development and test sets
mengmengmiao的博客
02-27 355
让我们回想一下猫图片那个例子：你们公司运行一个手机app，用户往app上上传许多不同物体的图片，而你想从这些图片中让机器自动找到猫图片。 你的团队从不同的网站上获得了包含猫的图片（正样例）和不包含猫的图片（负样例）。然后将70%的图片用作训练集，30%的图片用作测试集。使用这些图片，你的团队构建了一个猫检测器，这个检测器在训练集和测试集上表现很好。 但是，当你将这个分类器发布到移动端app时，其
MLY -- 6.Your dev and test sets should come from the same distribution
mengmengmiao的博客
02-27 288
根据你app应用的市场：（i）US，（ii）China，（iii）India，（iv）Other，你将猫图片数据分为四个部分。 若想要一个开发集和一个测试集时，我们可以随机地选两个作为开发集，剩下的两个作为测试集。例如，可以选US和India作为开发集，China和Other作为测试集。 一旦确定好了开发集和测试集，你的小团队将专注于提高学习算法在开发集上的表现。因此，开发集应该反映你想
MLY-zh-cn.rar
10-23
资源“MLY-zh-cn.pdf”可能涵盖了上述内容的详细解读，包括具体案例、实践建议和代码示例，帮助读者深入理解并掌握机器学习和深度学习的调参技巧。对于开发者而言，这份资源无疑是宝贵的参考资料，可以极大地缩短...
Ng-MLY01-12
10-13
吴恩达最新深度学习书籍，适合正在学习deep learning的小伙伴们
四阶五级matlab,科学网—标准四阶Runge-Kutta公式用于解微分方程的MATLAB程序 - 王福昌的博文...
weixin_30516429的博客
03-16 621
标准四阶Runge-Kutta公式在一般的数值计算方法中都有，其一元常微分方程初值问题对应形式为$\begin{align*}\label{eq:odeipv1rk44}y_{n+1} &= y_n+\dfrac{h}{6} (k_1+2k_2+2k_3+k_4),\\k_1 &= f(x_n,y_n),\\k_2 &= f(x_n+\dfrac{1}{2}h,y_n+\d...
【机器学习-无监督学习】降维与主成分分析
Morse_Chen的博客
10-01 2026
本文介绍了数据降维的常用算法之一：PCA算法。数据降维是无监督学习的重要问题，在机器学习中有广泛的应用。利用特征分解进行PCA，动手实现了PCA算法，并使用sklearn实现PCA算法。
机器学习Python实战-第三章-分类问题-1.K近邻算法
Hdejac的博客
09-28 726
详细解析K近邻算法，提供源码以及对应效果图。
GAN生成对抗网络介绍
m0_58941767的博客
10-04 405
生成对抗网络（Generative Adversarial Networks，简称GANs）是由Ian Goodfellow等人在2014年提出的一种深度学习模型。它由两部分组成：生成器（Generator）和判别器（Discriminator），两者在训练过程中相互竞争，从而提高生成数据的质量和判别数据真伪的能力。一、GAN是什么？Generative Adversarial Networks ,生成对抗网络是一种深度学习模型。
第十四周：机器学习笔记
Zcymatics的博客
09-29 799
本周周报在机器学习的理论内容中，概述了Transformer里面Decoder的内容，其中包括Decoder的结构、autoregressive decoder（自回归解码器）以及non-autoregressive decoder（非自回归解码器），此外还讲述了Transformer 的训练过程，并在最后提供了序列到序列模型训练常用的Tips。在Pytorch代码学习中，本周报详细的讲述了训练模型的一些常用手段和流程，并通过代码实现了包括数据收集、模型搭建、模型训练、结果展示等过程。
【AI知识点】负对数似然损失函数（Negative Log-Likelihood Loss，NLL）
虾米记的博客
10-01 926
介绍：负对数似然损失函数（Negative Log-Likelihood Loss，NLL）
机器学习-树模型算法
最新发布
weixin_47102187的博客
10-04 215
仅个人笔记使用，感谢点赞关注，希望可以帮到你！
ModuleNotFoundError：No module named 'email.mime', 'email' is not a package
05-26
2. 确认你正确导入了email模块中的mime子模块，可以通过以下方式导入：from email import mime 第二个错误信息表示Python认为'email'不是一个包，可能是因为你在代码中使用了类似于'import email.something'的语句...
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