机器学习训练秘籍（Machine Learning Yearning 中文版）
首页 白天 夜间 下载 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签
编辑文档

End-to-end deep learning

来源 1 浏览 973 扫码 打印 2020-03-15 12:24:04
  • 流水线组件的选择：数据可用性
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • Basic Error Analysis
    • 快速构建并迭代你的第一个系统
    • 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
    • 误差分析：根据开发集样本评估想法
    • Eyeball 和 Blackbox 开发集该设置多大？
    • 将大型开发集拆分为两个子集，专注其一
    • 小结：基础误差分析
  • Bias and Variance
    • 偏差和方差举例
    • 训练集误差分析
    • 减少方差的技术
    • 与最优错误率比较
    • 偏差和方差：误差的两大来源
    • 偏差和方差间的权衡
    • 减少可避免偏差的技术
    • 处理偏差和方差
  • Comparing to human-level performance
    • 如何定义人类表现水平
    • 为何与人类表现水平进行对比
    • 超越人类表现水平
  • Conclusion
    • 建立超级英雄团队 - 让你的队友阅读这本书吧！
  • Debugging inference algorithms
    • 优化验证测试
    • 强化学习举例
    • 优化验证测试的一般形式
  • End-to-end deep learning
    • 流水线组件的选择：数据可用性
    • 端到端学习的优缺点
    • 端到端学习的兴起
    • 直接学习更为丰富的输出
    • 端到端学习的更多例子
    • 流水线组件的选择：任务简单性
  • Error analysis by parts
    • 组件误差分析与人类水平对比
    • 误差归因至某个组件
    • 发现有缺陷的机器学习流水线
    • 误差归因的一般情况
    • 根据组件进行误差分析
  • Getting Started
    • 先修知识与符号说明
    • 欢迎阅读
    • 如何使用此书来帮助你的团队
    • 机器学习为什么需要策略
    • 规模驱动机器学习发展
  • Learning curves
    • 诊断偏差与方差：学习曲线
    • 解读学习曲线：其它情况
    • 绘制学习曲线
    • 解读学习曲线：高偏差
    • 绘制训练误差曲线
  • Setting up development and test sets
    • 小结：建立开发集和测试集
    • 使用单值评估指标进行优化
    • 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
    • 何时修改开发集、测试集和指标
    • 优化指标和满意度指标
    • 开发集和测试集应该有多大？
    • 通过开发集和度量指标加速迭代
  • Training and testing on different distributions
    • 人工合成数据
    • 解决数据不匹配问题
    • 给数据加权重
    • 辨别偏差、方差和数据不匹配误差
    • 何时在不同的分布上训练与测试
    • 从训练集泛化到开发集
    • 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
暂无相关搜索结果！

    本文档使用 全库网 构建

    展开/收起文章目录

    思维导图备注

    文章二维码

    手机扫一扫，轻松掌上读

    文档下载

    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

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度