zgljl2012

> Machine Learning Yearning: 3 Prerequisites and Notation 如果你上过机器学习课程，比如我在Coursera上的机器学习MOOC，或者有监督学习的项目经验，那么就能理解下面这些东西。 我假设您熟悉监督学习 ：学习一个从x映射到y的函数，使用标记的训练库(x,y)。监督学习算法包括线性回归、逻辑回归和神经网络。机器学习有很多种形式，但今天机器学习的大部分实用价值来自监督学习。 我会经常提到神经网络(也被称为“深度学习”)。你只需要对他们是什么有一个基本的了解就可以理解这篇文章。 如果您不熟悉这里提到的概念，请在Coursera的 http://ml-class.org 上观看前三周的视频。

> Machine Learning Yearning: 2 How to use this book to help your team 在学习本书之后，在创建机器学习项目时确立技术方向上你会有一个深刻的理解。 但你的同事可能会不理解为什么你会建议这个特定的技术方向。也许，你会建议使用单个评估指标，但同事们却不同意。这时候，该怎么劝说他们呢? 这就是为什么我会把章节写得很短，所以你可以将章节打印数来以让你的同事能阅读你需要他们了解的那一、两页。 优先级的变化会对团队的生产力产生巨大的影响。通过用这些细小的变化帮助团队，我相信你会成为团队的英雄！

> Machine Learning Yearning 机器学习是无数重要应用的基石，包括web搜索、电子邮件反垃圾邮件、语音识别、产品推荐等等。我假设您或您的团队正在开发一个机器学习应用程序，并且您希望快速取得进展。这本书将帮助你做到这一点。 示例：从小猫图片开始 你用神经网络建立了一个计算机视觉系统来检测图片中的猫。但不幸的是，学习算法的准确性还不够好。你需要在巨大的压力下改进你的猫探测器。那做些什么呢? 你的团队会有无数想法，比如： * 获取更多数据：更多猫的图片 * 收集更多样化的训练集，比如，在不同位置的小猫的图片：有不寻常颜色的猫；使用各种相机设置拍摄的照片.... * 进行更多次数的梯度下降迭代，延长算法运行时间 * 尝试增加单元和层，以创建更大的神经网络 * 尝试更小的神经网络 * T尝试正则化（