- 为什么需要机器学习策略
- 怎么使用本书来帮助你的团队
- 先决条件和符号表示
- 规模驱动了机器学习的进展
- 你的开发集和测试
- 你的开发集和测试集应该来自于同一发行版(distribution)
- 开发集和测试集需要有多大规模
- 你的团队为优化设立单一数量的评估指标
- 优化并满足度量标准
- 开发集和度量标准能够加快迭代
- 何时更改开发集或者测试集以及度量标准
- 小结：创建开发集和测试集
- 快速创建第一个系统并进行迭代
- 误差分析：观察测试结果并对点子(idea)进行评估
- 在错误分析期间并行评估多个想法
- 如果你的开发集规模很大，将其分割成两个子集，并只对其中一个进行观测
- 白盒测试和黑盒测试的测试集需多大规模
- 小结：基本误差分析
- 偏差和方差：误差的两大来源
- 偏差和方差的例子
- 与标准错误率进行比较
- 定位偏差和方差
- 权衡偏差和方差
- 减少可避免偏差的例子
- 减少方差的例子
- 对训练集进行错误分析
- 诊断偏差和方差：学习曲线
- 绘制训练误差
- 解释学习曲线：高偏差
- 解释学习曲线：其他例子
- 绘制学习曲线
- 为什么要和人的表现进行比较
- 怎样定义人的表现
- 超越人的表现
- 为什么要训练和测试不同的发行版
- 是否使用所有数据
- 是否包含不一致的数据
- 数据加权
- 训练集到开发集的一般化
- 解决偏差和方差
- 解决数据不匹配的问题
- 人工数据合成
- 优化验证测试
- 优化验证测试的一般形式
- 强化学习的例子
- 端到端学习的兴起
- 更多端到端学习的例子
- 端到端学习的优点和缺点
*已学习的子组件 - 直接学习丰富的输出
- 按部分误差分析
- 超越监督学习：接下来是什么？
- 组建超级英雄团队--让你的成员阅读本书
- 远景
- 学分
网友评论