构建机器学习项目的一些经验

摘要: 构建机器学习项目的一些经验

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

Andrew Ng 《构建机器学习项目》手写笔记。共 8 页。

---

• 1 Why ML Strategy 得到初版模型后，希望从多方面优化
• 2 Orthogonalization 正交化方法
• 3 单值评价指标
• 4 优化指标和满意指标
• 5 Train/Dev/Test 分割
• 6 Dev/Test 的分配量
• 7 动态改变评价标准
• 8 Why Human-level performance 人类级别的性能
• 9 Avoidable bias 也就是 human-error, train error 与 dev error 的相对值
• 10 Understand Human-level performance 如何定义人类级别的性能
• 11 Surpassing human-level performance 自然感知类 ML 不如人类，但很多方面 ML 已经超过人类
• 12 Improving your model performance 提高 ML 性能要解决 bias 和 variance 两个问题

---

• 1 Why ML Strategy 得到初版模型后，希望从多方面优化

• 2 Orthogonalization 正交化方法

• 3 单值评价指标
• 4 优化指标和满意指标
• 5 Train/Dev/Test 分割
• 6 Dev/Test 的分配量

• 7 动态改变评价标准

• 8 Why Human-level performance 人类级别的性能

• 9 Avoidable bias 也就是 human-error, train error 与 dev error 的相对值

• 10 Understand Human-level performance 如何定义人类级别的性能

• 11 Surpassing human-level performance 自然感知类 ML 不如人类，但很多方面 ML 已经超过人类
• 12 Improving your model performance 提高 ML 性能要解决 bias 和 variance 两个问题

---