coursera 吴恩达 -- 第三课第二周 : Autonomous driving

Week2	总结	例子
Error Analysis
Carrying out error analysis	找出分类结果中出错最多的情况，并减少错误，以提高整体精确率	猫识别中，将猫错识别成狮子等的概率为43%。
Cleaning up incorrectly labeled data	当出现标签错误时，考虑标签错误所带来的影响，决定是否要修正错误标签。训练集标签错误一般不需要修改。	标签错误率为6%。实际上有一些错误不是神经网络的输出错误，而是标签错误。
Build your first system quickly, then iterate	Build your first system quickly, then iterate	Speech recognition Face recognition
Mismatched training and dev/test set
Training and testing on different distributions	当训练集、dev集和测试集来自不同的数据来源时，dev集和测试集使用系统真正要判断的数据。	200000张网页图片和10000张手机图片，未来要识别的是用户手机的图片，故dev集和测试集都使用这10000张图片。具体分配：205000训练集（其中200000来自网页图片，5000来自手机图片）、2500张dev集、2500张测试集。 Smart mirror
Bias and Variance with mismatched data distributions	当训练集、dev集、测试集来自不同数据来源时，若训练集和dev集精确率相差较大，可拆分训练集为training和training-dev集，从而判断variance是由于过拟合training集还是由于两个数据集的来源不同(data mismatch)造成的 bias; variance; data mismatch	Smart mirror
Addressing data mismatch	Carry out manual error analysis to try to understand difference between training and dev/test sets Speech recognition system Make training data more similar; or collect more data similar to dev/test sets Car recognition Artificial data synthesis	Speech recognition system Car recognition
Learning from multiple tasks
Transfer learning	去掉已经训练好的神经网络的最后一层及其权值，增加新的输出层，再使用新的数据训练神经网络。若数据较多，训练神经网络时可调整整个神经网络的w和b；若数据较少，可以仅调整最后一层，或后两层的w和b。 Transfer learning适用于：from的数据很多，to的数据很少	Image recognition -> radiology diagnose Speech recognition -> trigger
Multi-task learning	输出层的神经元不止一个，使用一个大的神经网络来解决多任务学习，而不是使用几个小系统来分别实现单个任务	交通系统：车识别、信号灯识别、路标识别、行人识别
End-to-end deep learning
What is end-to-end deep learning	把许多大问题拆分成几个步骤来实现会使问题变得简单，且可以有更多的数据	人脸识别系统：定位人脸->识别 测手骨年龄：数骨头数目->测年龄
Whether to use end-to-end deep learning	Key question: Do you have sufficient data to learn a function of the complexity needed to map x to y?	人脸识别系统 测手骨年龄

还是等了八小时提交了4次
有一些答案都不知道是为啥0.0