学习篇ML Yearning--Anderw Ng(1 做机器学习为什么需要策略)

本文探讨了为何在机器学习项目中需要策略,通过识别猫的应用举例,展示如何在模型表现不佳时进行改进,如获取更多数据、优化训练集、改变模型结构等。还介绍了监督学习的基本概念和深度学习的重要性,强调了数据量和计算资源对深度学习发展的影响。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

写在前面

Anderw Ng 被称为深度学习教父,其在Coursera上的深度学习课程DeepLearning 专项课程已经被数十万学生,社会人士学习。在此他又根据自己的教学经验以及在企业的实践经验总结出Machine Learning Yearning 这本书。全书只有110多页,总共58个topic,可谓个个精华,因此在这里好好的学习一下。站在巨人的肩膀上。

为什么需要机器学习策略

机器学习已经有许多成功的应用了,包括网络搜索,垃圾邮件过滤,语音识别,个性化样品推荐。这本书能够帮助你在建立一个机器学习应用时能够快速的迭代。

例子----一个识别猫的应用

假设我们正在搭建一个为猫爱好者提供猫图片的应用。我们使用了一个神经网络来检测图片中是否有猫。当识别的准确率不是太高的时候,我们应该如何改进,有以下可以改进的选择:

  • 获取更多的数据:更好含有猫的图片
  • 收集一个更有代表性的训练集。例如,猫在图中比较特殊的位置, 特殊颜色的猫,特殊的图片设置的含有猫的图片
  • 训练模型更长时间,使用梯度下降的优化方法迭代更多轮。
  • 训练一个更加强大的神经网络模型,多层,更多隐藏单元,更优的模型参数。
  • 训练一个小的简单的网络。
  • 施加一些正则化(L2 正则化)
  • 更改模型(激活函数,残差单元,损失函数)
    如果你可以选择出正确的优化方向,那么你就可以建立一个杰出的识猫平台,反之那么你可能浪费数月在错误的方向上,那么应该如何去选择呢?

预备知识和符号说明

监督学习:使用成对的(x,y)训练数据,学习输入数据x, 到标签数据y的映射的学习方法。线性回归,逻辑回归,神经网络都算是监督学习的范畴。
机器学习里面定义了许多的学习方法,但监督学习是到目前为止产生了大量实用价值并广泛得到应用的一种学习方法。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值