首页
技术小册
AIGC
面试刷题
技术文章
MAGENTO
云计算
视频课程
源码下载
PDF书籍
「涨薪秘籍」
登录
注册
机器学习为什么需要策略
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
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？
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
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
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
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
优化验证测试
优化验证测试的一般形式
强化学习举例
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
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
当前位置:
首页>>
技术小册>>
机器学习训练指南
小册名称：机器学习训练指南
**机器学习（machine learning）**已然成为无数重要应用的基石——如今，在网络搜索、垃圾邮件检测、语音识别以及产品推荐等领域，你都能够发现它的身影。如果你或你的团队正在研发一款机器学习相关应用，并期待取得较快进展，那么这本书将会是你的得力助手。 案例：建立猫咪图片初创公司 想象一下，你正在建立一家初创公司，这家公司的产品目标是为猫咪爱好者们提供数不尽的猫咪图片，你打算应用**神经网络（neural network）**技术来构建一套计算机视觉系统，通过该系统来识别图片中的猫。  但悲剧的是，目前你的学习算法准确度还不够好。为了改进这个猫咪检测器，你正面临着巨大的压力。可你该怎么做呢？ 你的团队给出了许多建议，例如： - 获取更多的数据，即收集更多的猫咪图片 - 收集更加多样化的训练数据集，图片中猫的位置可能不常见，也有可能颜色奇异，或者拍摄时使用不同的相机参数 - 通过增加梯度下降的迭代次数，使算法训练得久一些 - 尝试一个拥有更多层/更多隐藏元/更多参数的，规模更大的神经网络 - 尝试一个更小的神经网络 - 尝试加入正则化（例如 L2 正则化） - 改变神经网络的架构（激活函数，隐藏元数量等等） - ... 在上面众多的方向中，如果你做出了正确的选择，就将建立起一个效果领先的猫咪图片识别平台，并带领你的公司取得成功。但如果你选择了一个糟糕的方向，则可能因此浪费掉几个月的时间。那么你该如何做出决定呢？ 这本书将告诉你应该怎么做。众多的机器学习问题会留下一些线索，告诉你什么样的尝试有用，什么样的没用。而学会解读这些线索将会节省你几个月甚至几年的开发时间。
下一篇：
开发集和测试集的定义
该分类下的相关小册推荐：
AIGC:内容生产力的时代变革
深度强化学习--算法原理与金融实践(一)
ChatGPT原理与实战：大型语言模型(下)
ChatGPT与提示工程(下)
TensorFlow快速入门与实战
ChatGPT写作超简单
大模型应用解决方案-基于ChatGPT(中)
深度学习推荐系统实战
AI时代产品经理：ChatGPT与产品经理(中)
AIGC原理与实践：零基础学大语言模型(二)
人工智能原理、技术及应用(中)
用ChatGPT轻松玩转机器学习与深度学习
