【深度学习】吴恩达深度学习-Course3结构化机器学习项目-第一周机器学习（ML）策略(1)作业

题目仅含中文！！
视频链接：【中英字幕】吴恩达深度学习课程第三课 — 结构化机器学习项目
参考链接：

1. 【中英】【吴恩达课后测验】Course 3 - 结构化机器学习项目 - 第一周测验
2. 吴恩达《深度学习》-课后测验-第三门课 结构化机器学习项目（Structuring Machine Learning Projects）-Week1 Bird recognition in the city of Peacetopia (case study)( 和平之城中的鸟类识别(案例研究))

题目

问题陈述

这个例子来源于实际项目，但是为了保护机密性，我们会对细节进行保护。
现在你是和平之城的著名研究员，和平之城的人有一个共同的特点：他们害怕鸟类。为了保护他们，你必须设计一个算法，以检测飞越和平之城的任何鸟类，同时警告人们有鸟类飞过。市议会为你提供了10,000,000张图片的数据集，这些都是从城市的安全摄像头拍摄到的。它们被命名为:

• y = 0: 图片中没有鸟类
• y = 1: 图片中有鸟类

你的目标是设计一个算法，能够对和平之城安全摄像头拍摄的新图像进行分类。
有很多决定要做：

• 评估指标是什么？
• 你如何将你的数据分割为训练/开发/测试集?

问题1

市议会告诉你，他们想要一个算法：

1. 拥有较高的准确度
2. 快速运行，只需要很短的时间来分类一个新的图像。
3. 可以适应小内存的设备，这样它就可以运行在一个小的处理器上，它将用于城市的安全摄像头上。

请注意: 有三个评估指标使您很难在两种不同的算法之间进行快速选择，并且会降低您的团队迭代的速度，是真的吗？
A.正确
B.错误

问题2

经过进一步讨论，市议会缩小了它的标准：

• “我们需要一种算法，可以让我们尽可能精确的知道一只鸟正飞过和平之城。”
• “我们希望经过训练的模型对新图像进行分类不会超过10秒。”
• “我们的模型要适应10MB的内存的设备.”

如果你有以下三个模型，你会选择哪一个？

问题3

根据城市的要求，您认为以下哪一项是正确的？
A.准确度是一个优化指标; 运行时间和内存大小是令人满意的指标。
B.准确度是一个令人满意的指标; 运行时间和内存大小是一个优化指标。
C.准确性、运行时间和内存大小都是优化指标，因为您希望在所有这三方面都做得很好。
D.准确性、运行时间和内存大小都是令人满意的指标，因为您必须在三项方面做得足够好才能使系统可以被接受。

问题4

结构化你的数据
在实现你的算法之前，你需要将你的数据分割成训练/开发/测试集，你认为哪一个是最好的选择？

问题5

       在设置了训练/开发/测试集之后，市议会再次给你了1,000,000张图片，称为“公民数据”。 显然，和平之城的公民非常害怕鸟类，他们自愿为天空拍照并贴上标签，从而为这些额外的1,000,000张图像贡献力量。 这些图像与市议会最初给您的图像分布不同，但您认为它可以帮助您的算法。
       你不应该将公民数据添加到训练集中，因为这会导致训练/开发/测试集分布变得不同，从而损害开发集和测试集性能，是真的吗？
A.True
B.False

问题6

市议会的一名成员对机器学习知之甚少，他认为应该将1,000,000个公民的数据图像添加到测试集中，你反对的原因是：（多选）
A.这会导致开发集和测试集分布变得不同。这 是一个很糟糕的主意，因为这会达不到你想要的效果。
B.公民的数据图像与其他数据没有一致的 x- >y 映射(类似于纽约/底特律的住房价格例子)。
C.一个更大的测试集将减慢迭代速度，因为测试集 上评估模型会有计算开销。
D.测试集不再反映您最关心的数据(安全摄像头)的分布。（博主注：训练集是摄像头拍的，用他人拍的数据去测试摄像头拍的，势必会导致准确度下降，要添加也应该添加到整个数据集中，保证同一分布。）

问题7

你训练了一个系统，其误差度如下（误差度 = 100％ - 准确度）：

这表明，提高性能的一个很好的途径是训练一个更大的网络，以降低4%的训练误差。你同意吗？
A.是的，因为有4%的训练误差表明你有很高的偏差。
B.是的，因为这表明你的模型的偏差高于方差。
C.不同意，因为方差高于偏差。
D.不同意，因为没有足够的信息，这什么也说明不了。

问题8

你让一些人对数据集进行标记，以便找出人们对它的识别度。你发现了准确度如下：

如果您的目标是将“人类表现”作为贝叶斯错误的基准线（或估计），那么您如何定义“人类表现”？
A.0.0% (因为不可能做得比这更好)
B.0.3% (专家1的错误率)
C.0.4% (0.3 到 0.5 之间)
D.0.75% (以上所有四个数字的平均值)

问题9

您同意以下哪项陈述？
A.学习算法的性能可以优于人类表现，但它永远不会优于贝叶斯错误的基准线。
B.学习算法的性能不可能优于人类表现，但它可以优于贝叶斯错误的基准线。
C.学习算法的性能不可能优于人类表现，也不可能优于贝叶斯错误的基准线。
D.学习算法的性能可以优于人类表现，也可以优于贝叶斯错误的基准线。

问题10

你发现一组鸟类学家辩论和讨论图像得到一个更好的0.1%的性能，所以你将其定义为“人类表现”。在对算法进行深入研究之后，最终得出以下结论：

根据你的资料，以下四个选项中哪两个尝试起来是最有希望的？（两个选项。）
A.尝试增加正则化。
B.获得更大的训练集以减少差异。
C.尝试减少正则化。
D.训练一个更大的模型，试图在训练集上做得更好。

问题11

你在测试集上评估你的模型，并找到以下内容：

这意味着什么？（两个最佳选项。）
A.你的开发集欠拟合了。
B.你应该尝试获得更大的开发集。
C.你应该得到一个更大的测试集。
D.你的开发集过拟合了。

问题12

在一年后，你完成了这个项目，你终于实现了：

你能得出什么结论？ （多选）
A.现在很难衡量可避免偏差，因此今后的进展将会放缓。
B.统计异常(统计噪声的结果)，因为它不可能超过人类表现。
C.只有0.09％的进步空间，你应该很快就能够将剩余的差距缩小到0％
D.如果测试集足够大，使得这0.05%的误差估计是准确的，这意味着贝叶斯误差是小于等于0.05的。

问题13

事实证明，和平之城也雇佣了你的竞争对手来设计一个系统。您的系统和竞争对手都被提供了相同的运行时间和内存大小的系统，您的系统有更高的准确性。然而，当你和你的竞争对手的系统进行测试时，和平之城实际上更喜欢竞争对手的系统，因为即使你的整体准确率更高，你也会有更多的假阴性结果(当鸟在空中时没有发出警报)。你该怎么办？
A.查看开发过程中开发的所有模型，找出错误率最低的模型。
B.要求你的团队在开发过程中同时考虑准确性和假阴性率。
C.重新思考此任务的指标，并要求您的团队调整到新指标。
D.选择假阴性率作为新指标，并使用这个新指标来进一步发展。

问题14

你轻易击败了你的竞争对手，你的系统现在被部署在和平之城中，并且保护公民免受鸟类攻击！ 但在过去几个月中，一种新的鸟类已经慢慢迁移到该地区，因此你的系统的性能会逐渐下降，因为您的系统正在测试一种新类型的数据。（博主注：以系统未训练过的鸟类图片来测试系统的性能）
你只有1000张新鸟类的图像，在未来的3个月里，城市希望你能更新为更好的系统。你应该先做哪一个？
A.使用所拥有的数据来定义新的评估指标（使用新的开发/测试集），同时考虑到新物种，并以此来推动团队的进一步发展。
B.把1000张图片放进训练集，以便让系统更好地对这些鸟类进行训练。
C.尝试数据增强/数据合成，以获得更多的新鸟的图像。
D.将1,000幅图像添加到您的数据集中，并重新组合成一个新的训练/开发/测试集

问题15

市议会认为在城市里养更多的猫会有助于吓跑鸟类，他们对你在鸟类探测器上的工作感到非常满意，他们也雇佣你来设计一个猫探测器。（哇~猫探测器是非常有用的，不是吗？）由于有多年的猫探测器的工作经验，你有一个巨大的数据集，你有100,000,000猫的图像，训练这个数据需要大约两个星期。你同意哪些说法？（多选）
A.需要两周的时间来训练将会限制你迭代的速度。
B.购买速度更快的计算机可以加速团队的迭代速度，从而提高团队的生产力。
C.如果100,000,000个样本就足以建立一个足够好的猫探测器，你最好用100,000,00个样本训练，从而使您可以快速运行实验的速度提高约10倍，即使每个模型表现差一点因为它的训练数据较少。
D.建立了一个效果比较好的鸟类检测器后，您应该能够采用相同的模型和超参数，并将其应用于猫数据集，因此无需迭代。

参考答案

1. A。这道题我的理解是，应该是问题应当存在一个可优化指标，一个满足指标吧。但是当同时出现三个要求就很难进行选择了。
2. D。很简单，对于分类不超过十秒、适应10MB的内存的设备属于满足指标。在这一项上，显然B就不满足了，因为运行时间花费了13sec。在A、C、D中选择，肯定让可优化指标（测试精准度）尽可能高，则选择D。
3. A。像第二题所说的。
4. C。有百万条数据，那么在选择上我们尽量将大部分数据分配给训练集进行训练，开发集合测试集的数据可以不需要那么多。百万条数据时，给训练集分配的数据可以达到95%。如题。
5. B。其实这题我一下子没理解。。引用一位网友的解释就很清晰了：可以把新数据添加进训练集中，添加到训练集只会有好处没会有坏的影响，但是不能添加到开发集和测试集，不然会影响实际部署效果。
6. AD。不能使得训练集与开发/测试集不处于同一分布，这样子会产生一定的影响。
7. D。想一下贝叶斯最优误差，我们至少还要一个人们对图片的识别误差值。
8. B。选人类错误率最低的作为贝叶斯最优错误率
9. A。课上说过的，不用解释了，目前也有很多ML在一些领域方面的能力超过了人类。我们平时说的人类错误率作为贝叶斯最优错误率只是一个大概。
10. CD。由题意，这是存在可避免偏差(2.0-1.0>2.1.2.0)。之所以产生这样的原因是因为没有很好的拟合数据。正则化是用于避免过拟合的，所以减少正则化的选项可以选择。（后边半句不知道对不对）有时候过多的数据也不一定会产生正向作用，采用新的模型效果可能会更好。
11. BD。开发集误差低，训练集误差高就意味着过拟合。
12. AD。B选项不可能超过人的表现错误。C选项，0.09#的进步空间都不知道是从哪来的？A选项是正确的，因为已经很难衡量可避免误差了，对于D选项，如果测试集也能达到非常准确的效果，说明贝叶斯误差更低。
13. C。A选项，错误率最低的时候精确度不一定高。
14. A。若你把数据放进数据集之后，训练的话就会造成对原有的图像进行再训练，这将会导致过拟合、新样本相对于总样本比例非常低、系统性能下降、时间过长等问题，所以把这1000张数据放进原有的数据集里面是不合理的。仅仅是改变dev/test的话，需要使用所拥有的数据来定义新的评估指标。（回答来自参考链接1的评论区）
15. ABC。用100,000,00个样本训练的意思是说，将这100,000,00个样本作为训练、开发、测试集的总数。从而提高训练速度。D选项，超参数并不是通用的。