×
思维导图备注
机器学习训练秘籍(Machine Learning Yearning 中文版)
首页
白天
夜间
小程序
阅读
书签
我的书签
添加书签
移除书签
Comparing to human-level performance
来源:吴恩达教授(Andrew Ng)
浏览
659
扫码
分享
2020-03-15 12:24:04
为何与人类表现水平进行对比
如何定义人类表现水平
超越人类表现水平
当前内容版权归
吴恩达教授(Andrew Ng)
或其关联方所有,如需对内容或内容相关联开源项目进行关注与资助,请访问
吴恩达教授(Andrew Ng)
.
上一篇:
下一篇:
Getting Started
欢迎阅读
机器学习为什么需要策略
如何使用此书来帮助你的团队
先修知识与符号说明
规模驱动机器学习发展
Setting up development and test sets
开发集和测试集的定义
开发集和测试集应该服从同一分布
开发集和测试集应该有多大?
使用单值评估指标进行优化
优化指标和满意度指标
通过开发集和度量指标加速迭代
何时修改开发集、测试集和指标
小结:建立开发集和测试集
Basic Error Analysis
快速构建并迭代你的第一个系统
误差分析:根据开发集样本评估想法
在误差分析时并行评估多个想法
清洗误标注的开发集和测试集样本
将大型开发集拆分为两个子集,专注其一
Eyeball 和 Blackbox 开发集该设置多大?
小结:基础误差分析
Bias and Variance
偏差和方差:误差的两大来源
偏差和方差举例
与最优错误率比较
处理偏差和方差
偏差和方差间的权衡
减少可避免偏差的技术
训练集误差分析
减少方差的技术
Learning curves
诊断偏差与方差:学习曲线
绘制训练误差曲线
解读学习曲线:高偏差
解读学习曲线:其它情况
绘制学习曲线
Comparing to human-level performance
为何与人类表现水平进行对比
如何定义人类表现水平
超越人类表现水平
Training and testing on different distributions
何时在不同的分布上训练与测试
如何决定是否使用你所有的数据
如何决定是否添加不一致的数据
给数据加权重
从训练集泛化到开发集
辨别偏差、方差和数据不匹配误差
解决数据不匹配问题
人工合成数据
Debugging inference algorithms
优化验证测试
优化验证测试的一般形式
强化学习举例
End-to-end deep learning
端到端学习的兴起
端到端学习的更多例子
端到端学习的优缺点
流水线组件的选择:数据可用性
流水线组件的选择:任务简单性
直接学习更为丰富的输出
Error analysis by parts
根据组件进行误差分析
误差归因至某个组件
误差归因的一般情况
组件误差分析与人类水平对比
发现有缺陷的机器学习流水线
Conclusion
建立超级英雄团队 - 让你的队友阅读这本书吧!
暂无相关搜索结果!
本文档使用
BookStack
构建
×
分享,让知识传承更久远
×
文章二维码
手机扫一扫,轻松掌上读
×
文档下载
普通下载
下载码下载(免登录无限下载)
你与大神的距离,只差一个APP
请下载您需要的格式的文档,随时随地,享受汲取知识的乐趣!
PDF
文档
EPUB
文档
MOBI
文档
温馨提示
每天每在网站阅读学习一分钟时长可下载一本电子书,每天连续签到可增加阅读时长
下载码方式下载:免费、免登录、无限制。
免费获取下载码
下载码
文档格式
PDF
EPUB
MOBI
码上下载
×
微信小程序阅读
您与他人的薪资差距,只差一个随时随地学习的小程序
×
书签列表
×
阅读记录
阅读进度:
0.00%
(
0/0
)
重置阅读进度