机器学习策略 22
- 10 是否使用端到端深度学习（Whether to use end-to-end learning?）
- 09 端到端深度学习（End-to-End Deep Learning）
- 08 多任务学习（Multi-task Learning）
- 07 迁移学习（Transfer Learning）
- 06 处理数据不匹配问题（Addressing Data Mismatch）
- 05 数据分布不匹配时的偏差与方差分析（Bias and Variance with Mismatched Data Distributions）
- 04 使用来自不同分布的数据进行训练和测试（Training and testing on different distributions）
- 03 快速搭建你的第一个系统，并进行迭代
- 02 清除标注错误的数据（Cleaning up Incorrectly Labeled Data）
- 01 进行误差分析（Carrying out error analysis）
- 09 可避免偏差（Avoidable Bias）
- 12 改善你的模型的表现（Improving your model performance）
- 11 超越人类水平表现（Surpassing Human-Level Performance）
- 10 理解人类水平表现（Understanding human-level performance）
- 08 为什么关注“人类水平表现”？（Why Human-Level Performance?）
- 07 何时应改变开发、测试集和评估指标（When to change dev、test sets and metrics）
- 06 开发集和测试集的大小（Size of dev and test sets）
- 05 训练集、开发集、测试集划分（Train、Dev、Test Distributions）
- 04 满足指标（Satisficing Metrics）与优化指标（Optimizing Metrics）
- 03 单一数字评估指标（Single Number Evaluation Metric）
- 02 正交化（Orthogonalization）
- 01 为什么是ML策略？（Why ML Strategy?）