1.视频网站:mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c
2.详细笔记网站(中文):http://www.ai-start.com/dl2017/
3.github课件+作业+答案:https://github.com/stormstone/deeplearning.ai
1.1 为什么要考虑ML策略 Why ML Strategy?
什么是ML策略呢?
我们从一个启发性的例子(Motivating example)开始讲
如上图,假设你正在调试你的猫分类器,经过一段时间的调整,你的系统达到了90%准确率,但对你的应用程序来说还不够好。
你可能有很多想法去改善你的系统。比如,
- 你可能想去收集更多的训练数据吧
- 或者可能你的训练集的多样性还不够,你应该收集更多不同姿势的猫咪图片
- 或者更多样化的反例集
- 或者你想再用梯度下降训练算法,训练久一点
- 或者你想尝试用一个完全不同的优化算法,比如Adam优化算法
- 或者尝试使用规模更大或者更小的NN
- 或者你想试试dropout
- 或者 L 2 L_2 L2正则化
- 或者你想修改网络的架构
- 比如修改激活函数
- 改变隐藏单元的数目之类的方法。
当你尝试优化一个DL系统时,你通常可以有很多想法可以去试。问题在于,如果你做出了错误的选择,你完全有可能白费6个月的时间,往错误的方向前进,在6个月之后才意识到这方法根本不管用。
比如,我见过一些团队花了6个月时间收集更多数据,却在6个月之后发现,这些数据几乎没有改善他们系统的性能。所以,假设你的项目没有6个月的时间可以浪费,如果有快速有效的方法能够判断哪些想法是靠谱的,或者甚至提出新的想法,判断哪些是值得一试的想法,哪些是可以放心舍弃的。
希望通过这门课程,可以教给你们一些策略,一些分析ML问题的方法,可以指引你们朝着最有希望的方向前进。
这门课中,会分享我在搭建和部署大量DL产品时学到的经验和教训,我想这些内容是这门课程独有的。
很多大学DL课程很少提到这些策略。事实上,ML策略在DL的时代也在变化,因为现在对于DL算法来说能够做到的事情,比上一代ML算法大不一样。
希望这些策略能帮助你们提高效率,让你们的DL系统更快投入实用。