简介

由于有别人翻译好的内容及原文易懂,故本内容不再更新。

machine-learning-yearning

本内容是Andrew NG的 My Machine Learning Yearning 1-22章内容的翻译及其原稿.

本书官网:

http://www.mlyearning.org/

Andrew Ng关于本书介绍

亲爱的朋友,你是如何组织一个人工智能(AI)项目的呢?

人工智能(AI),机器学习(Machine Leaning)和深度学习(Deep learning)正在改变众多行业。我一直在写此书——Machine Learning Yearning,来教你如何构建机器学习项目。

本书的重点不在于教授机器学习算法,而在于使机器学习算法发挥作用。一些人工智能技术会给你一个锤子,而本书教你如何使用锤子。如果你渴望成为人工智能技术的领导者并想学习如何为你的团队设定方向,这本书将会有所帮助。

阅读完Machine Learning Yearning之后,你将能够:

  • 为人工智能项目最有前途的方向设立优先级

  • 诊断机器学习系统中的错误

  • 在复杂设置中构建机器学习,例如不匹配的训练集/测试集

  • 建立一个可以人类比较或超越人类表现的机器学习项目

  • 了解何时以及如何应用端到端学习(end-to-end learning),迁移学习(transfer learning)和多任务学习(multi-task learning)

从历史上看,学习如何制定这些“策略”决策的唯一方法是在研究生课程或公司中做多年的学徒。我正在写的Machine Learning Yearning可以帮你快速的获得这项技能,以便你可以更好地构建人工智能系统。

本书大约100页,包含很多易于阅读的1-2页的章节。如果你希望收到每章完成后的草稿,请注册邮件列表。

—— 吴恩达(Andrew Ng)

翻译版阅读地址:

gitbook阅读体验更好,欢迎来点击下面链接阅读翻译版:

https://yuchenchen.gitbook.io/machine-learning-yearning/

翻译版github地址:

https://github.com/yucc2018/machine-learning-yearning

翻译章节:

1. 为什么是机器学习策略?

2. 如何使用本书来帮助你的团队

3. 预备知识和表示符号

4. 规模推动机器学习进度

下一部分:设置开发和测试集

5. 你的开发集和测试集

6. 你的开发集和测试集应当来自相同的分布

7. 开发集和测试集需要多大?

8. 为你的团队进行算法优化建立一个单数字估指标

9. 优化和满足指标

10. 使用开发集和评估指标来加速迭代

11. 何时更改开发集/测试集和评估指标

12. 小结:设置开发集和测试集

下一部分:基本错误分析

13. 快速构建你的第一个系统,然后迭代

14. 错误分析:查看开发集的例子来评估想法

15. 在错误分析中并行评估多个想法

16. 清理错误标记的开发集和测试集样例

17. 如果你有一个很大的开发集,将它分成两个,而且你只看一个

18. 眼球开发集和黑盒开发集应该多大?

19. 基本错误分析

下一部分:偏差(Bias)和方差(Variance)

20. 偏差(Bias)和方差(Variance):错误的两大来源

21. 偏差(Bias)和方差(variance)的例子

22. 对比最优错误率

待Andrew更新后翻译章节:

  1. Addressing Bias and Variance

  2. Bias vs. Variance tradeoff

  3. Techniques for reducing avoidable bias

  4. Techniques for reducing Variance

  5. Error analysis on the training set

  6. Diagnosing bias and variance: Learning curves

  7. Plotting training error

  8. Interpreting learning curves: High bias

  9. Interpreting learning curves: Other cases

  10. Plotting learning curves

  11. Why we compare to human-level performance

  12. How to define human-level performance

  13. Surpassing human-level performance

  14. Why train and test on different distributions

  15. Whether to use all your data

  16. Whether to include inconsistent data

  17. Weighting data

  18. Generalizing from the training set to the dev set

  19. Addressing Bias, and Variance, and Data Mismatch

  20. Addressing data mismatch

  21. Artificial data synthesis

  22. The Optimization Verification test

  23. General form of Optimization Verification test

  24. Reinforcement learning example

  25. The rise of end-to-end learning

  26. More end-to-end learning examples

  27. Pros and cons of end-to-end learning

  28. Learned sub-components

  29. Directly learning rich outputs

  30. Error Analysis by Parts

  31. Beyond supervised learning: What’s next?

  32. Building a superhero team - Get your teammates to read this

  33. Big picture

  34. Credits

英文原版:

原文原版手稿已经更新到19章,下载链接分别如下:

1-14章下载(2018.04.18版)

15-19章下载(2018.04.25版)

20-22章下载(2018.05.02版)

我自己手动将上面两部分合并,成为1-19章的合集。想下载一个的直接点下面这个链接。

1-22章合并版(2018.05.02更新)

联系方式:

6506666@gmail.com

Last updated