欢乐生肖_欢乐生肖官方 - 由欢乐生肖,欢乐生肖官方社主办的《欢乐生肖,欢乐生肖官方》是我国消费领域中一张全国性、全方位、大容量的综合性日报。其立足消费网投领域,依托轻工行业,面向城乡市场,最先发布相关的专业权威资讯。

Machine Learning Yearning 中文翻译稿

  • 时间:
  • 浏览:1

51、选折 管道组件:任务简单性

52、直接学习冗杂的输出

43、人工合成数据

经验即要领,一块儿单词「yearning」读音和「要领」例如,故以此名之。

27、减少方差的技巧

38、怎样才能决定与否蕴藏不一致的数据

20、偏差和方差:两大误差来源

端到端的角度学习 「End-to-end deep learning」

在原稿中,Andrew NG 把每一一个多多主题都浓缩到 1-2 页的阅读量,是非常精炼的。然后太大地方是在经过当时人的理解后后并尽量遵照原文进行翻译,可是我倘若尽原应的读起来通顺。

22、比较最优误差

11、何时更改开发/训练集和评估指标

Andrew NG 提到他原本负责开发过一一个多多大型端到端语音识别系统,并取得的很好的效果,然后他一块儿表示盲目使用该技术并全是好事。本章内容将探讨哪些是端到端的角度学习? 哪些后后应该使用它,哪些后后应该处置它?一块儿给出了当不适合使用端到端学习技术之时,怎样才能将机器学习任务分解成多个子任务的建议

focused not on teaching you ML algorithms, but on how to make ML algorithms work.

36、当你不得不出不同分布中进行训练和测试

15、在误差分析中并行评估多个想法

45、优化验证测试的一般形式

29、绘制训练误差曲线

37、怎样才能决定与否使用所有数据

48、更多的端到端学习的例子

13、快速搭建第一一个多多系统并刚结束迭代

本章内容将通过描述手动分析误差的流程,来为项目优化选折 大慨的方向。

33、为哪些大伙 要比较人类表现水平

42、处置数据不匹配的问题报告

57、发现有欠缺的机器学习管道

1、为哪些需要机器学习策略

49、端到端学习的优点和缺点

14、误差分析:查看开发集样原本评估想法

31、解读学习曲线:太大情况报告

32、绘制学习曲线

21、举例说明偏差和方差

46、强化学习的例子

12、小结:设置开发和测试集

50、选折 管道组件:数据可用性

28、诊断偏差和方差:学习曲线

本章学习到怎样才能进行机器学习管道的误差分析,怎样才能利用冗杂系统的组件来为误差分析提供帮助。

本章内容将探讨用于调试语音识别系统、机器翻译系统和增强学习系统的共享 AI 设计模式是哪些?

4、规模化驱动下的机器学习发展

在本书中,你将学习多达 50 多个 Andrew NG 多年总结的工程要领:

40、从训练集到开发集的泛化

8、为团队进行算法优化建立单一数字评估指标

50、解读学习曲线:高偏差

根据组件执行误差分析 「Error analysis by parts」

58、全书结语

24、权衡偏差和方差

3、预备知识和符号约定

对于书名《Machine Learning Yearning》,我将其翻译为《机器学习要领》,希望能表达出 Andrew NG 编写这本书的目的:

17、 原应你有一一个多多很大的开发集,拆分为两半,并只关注其中一一个多多

传统的关于偏差和方差的观点在现代机器学习项目中变得如此 不适用,是后后更新哪些传统的指导方针了,本章将教你怎样才能利用偏差和方差来优化现代机器学习项目。

26、在训练集上的误差分析

19、小结:基本误差分析

56、组件误差分析与人类时延单位的比较

本章内容将提供一一个多多更加充裕和直观的最好的办法,来帮助你更好地将偏差归因到可处置偏差原应是方差上。

绪论 「Introduction」

23、处置方差和偏差

本文来自云栖社区合作协议者伙伴“大数据挖掘DT机器学习”,了解相关信息可不可否 关注“大数据挖掘DT机器学习”。

本章内容将提出通过和人类表现水平的比较来加快机器学习发展的策略。学习算法的性能表现在太大的领域超越了人类水平表现,从语音识别到图像识别(狭义领域)。在角度学习领域,与人类水平表现竞争已然成为一项新兴的运动,当你的算法表现超越人类的后后该处在哪些呢?

34、怎样才能定义人类水平表现

本章内容将探讨当训练集的数据分布和开发/测试集的分布不一致的后后原应再次出现的情况报告。有后后不得不将与测试集不同分布的训练集用在构建模型上,那哪些后后你这人 做法大慨呢?怎样才能确保你的算法表现总能在目标分布中表现良好呢?此外,本章一块儿将教会你怎样才能诊断出数据不匹配,你也将学习怎样才能处置数据不匹配的技术。

随着机器学习正朝着更大的数据集方向发展,关于配置开发/测试集的准则也在处在变化,本章内容将指导你怎样才能在团队中调整机器学习策略,以及怎样才能设置开发集和测试集,以适应现代化的机器学习项目。

39、数据加权

53、根据组件执行误差分析

6、发集和测试集应当服从同一分布

55、误差归因的一般情况报告

41、辨别偏差、方差和数据不匹配原应的误差

44、优化验证测试

7、开发集/测试集多大大慨

25、减少可处置偏差的技巧

47、端到端学习技术的兴起

5、你的开发集和测试集

原文发布时间为:2018-11-1

54、将误差归因到某个组件

10、使用开发集和评估指标加速迭代

2、怎样才能利用本书帮助你的团队

18、眼球开发集和黑盒开发集应该多大

9、优化和满足指标

35、超越人类表现水平

16、清除标注错误的开发/测试集数据