实例介绍
【实例截图】
【核心代码】
目录
1 机器学习为什么需要策略?
2 如何使用此书来帮助你的团队
3 先修知识与符号说明
4 规模驱动机器学习发展
5 开发集和测试集的定义
6 开发集和测试集应该服从同一分布
7 开发集和测试集应该有多大？?
8 使用单值评估指标进行优化
9 优化指标和满意度指标
10 通过开发集和度量指标加速迭代
11 何时修改开发集、测试集和指标
12 小结：建立开发集和测试集
13 快速构建并迭代你的第一个系统
14 误差分析：根据开发集样本评估想法
15 在误差分析时并行评估多个想法
16 清洗误标注的开发集和测试集样本
17 将大型开发集拆分为两个子集，专注其一
18 Eyeball 和 Blackbox 开发集该设置多大？
19 小结：基础误差分析
20 偏差和方差：误差的两大来源
21 偏差和方差举例
22 与最优错误率比较
23 处理偏差和方差
24 偏差和方差间的权衡
25 减少可避免偏差的技术
Page 3 Machine Learning Yearning-Draft Andrew Ng
26 训练集误差分析
27 减少方差的技术
28 诊断偏差与方差：学习曲线
29 绘制训练误差曲线
30 解读学习曲线：高偏差
31 解读学习曲线：其它情况
32 绘制学习曲线
33 为何与人类表现水平进行对比
34 如何定义人类表现水平
35 超越人类表现水平
36 何时在不同的分布上训练与测试
37 如何决定是否使用你所有的数据
38 如何决定是否添加不一致的数据
39 给数据添加权重
40 从训练集泛化到开发集
41 辨别偏差、方差和数据不匹配误差
42 解决数据不匹配问题
43 人工合成数据
44 优化验证测试
45 优化验证测试的一般形式
46 强化学习举例
47 端到端学习的兴起
48 端到端学习的更多例子
49 端到端学习的优缺点
50 流水线组件的选择：数据可用性
51 流水线组件的选择：任务简单性
Page 4 Machine Learning Yearning-Draft Andrew Ng
52 直接学习更为丰富的输出
53 根据组件进行误差分析
54 误差归因至某个组件
55 误差归因的一般情况
56 组件误差分析与人类水平对比
57 发现有缺陷的机器学习流水线
58 建立超级英雄团队 - 让你的队友阅读这本书吧！
相关软件
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论