【机器学习】吴恩达新书-Machine Learning Yea

吴恩达新书《Machine Learning Yearning 》中文版

吴恩达这本新书面向的用户群体为机器学习从业者，主要介绍机器学习实际使用时的一些策略和技巧，以便为开发指明方向，提升开发效率。中文版已经翻译完成。

这本书是吴恩达新书的草稿。在书中，吴恩达总结了机器学习过程中，可能会发生的问题，并给出了解决问题的思路和建议。 这本书对于机器学习从业者来说，具有很高的参考价值。

全书包含了9章52节，每章都很短，方便大家阅读和传阅。 书中的内容大部分都是跟实践相关的，数学知识很少，读起来相对简单，非常适合机器学习实践人员。

我翻译这本书的目的：一来我自己可以了解更多的机器学习知识，二来让英语相对差的同学能快速的浏览本书。

如果你对书中的内容有任何疑问或翻译有误，欢迎联系我，共同讨论。

点击查看中文版单页版本

全书目录

本书概述

1.为什么要说机器学习策略

2.本书对你和你的团队有哪些帮助

3.阅读本书的先决条件

4.驱动机器学习长足进步的因素

构建开发和测试数据集

5.开发和测试数据集的重要性

6.使用同一分布的开发和测试数据集

7.开发和测试数据集多大合适

8.使用单值衡量指标

9.优化性指标和约束性指标

10.在开发/测试数据集和单值衡量指标的基础上，加速模型迭代

11.何时需要改变数据集和衡量指标

12.构建开发和测试数据集的注意事项

基本的误差分析

13.快速构建你的系统，然后迭代

14.误差分析的重要性和大致过程

15.并行评估多个想法的可行性

16.清除标记错误的样本数据

17.将开发数据集分成人工观测数据集和模型调参数据集

18.人工观测数据集和模型调参数据集多大合适

19.总结：基本误差分析

偏差和方差

20.偏差和方差的概念

21.举例说明偏差和方差

22.向最优的错误率看齐

23.方差和偏差的处理方法

24.权衡模型的方差和偏差

25.减少可避免的偏差方法

26.训练数据集上的误差分析

27.减少方差的方法

学习曲线

28.通过学习曲线诊断偏差和方差

29.将训练错误率用图形绘制出来

30.高偏差时的学习曲线

31.其他情况下的学习曲线

32.学习曲线绘制技巧

与人类的水平进行比较

33.为社么要与人类的水平进行比较

34.如何定义人类处于什么样的水平

35.超越人类的水平

训练和测试数据集的分布不一致

36.何时使用不同分布的数据集

37.是否要将你的所有数据都用起来呢

38.是否要使用不一致的数据

39.区分不同数据的权重

40.从训练数据集泛化到开发数据集

41.区分偏差、方差和数据不匹配问题

42.处理数据不匹配问题

43.人工数据合成

算法调试

44.优化验证实验

45.优化验证实现的一般形式

46.强化学习实例

端到端深度学习

47.端到端学习的兴起

48.更多的端到端学习实例

49.端到端学习的利与弊

50.选择管道组件之数据可用性

51.选择管道组件之任务简单化

52.让机器学习输出更加丰富的内容