题目仅含中文！！
视频链接：【中英字幕】吴恩达深度学习课程第三课 — 结构化机器学习项目
参考链接：

【中英】【吴恩达课后测验】Course 3 - 结构化机器学习项目 - 第一周测验
吴恩达《深度学习》-课后测验-第三门课结构化机器学习项目（Structuring Machine Learning Projects）-Week1 Bird recognition in the city of Peacetopia (case study)( 和平之城中的鸟类识别(案例研究))

题目

问题陈述

这个例子来源于实际项目，但是为了保护机密性，我们会对细节进行保护。
现在你是和平之城的著名研究员，和平之城的人有一个共同的特点：他们害怕鸟类。为了保护他们，你必须设计一个算法，以检测飞越和平之城的任何鸟类，同时警告人们有鸟类飞过。市议会为你提供了10,000,000张图片的数据集，这些都是从城市的安全摄像头拍摄到的。它们被命名为:

y = 0: 图片中没有鸟类
y = 1: 图片中有鸟类

你的目标是设计一个算法，能够对和平之城安全摄像头拍摄的新图像进行分类。
有很多决定要做：

评估指标是什么？
你如何将你的数据分割为训练/开发/测试集?

问题1

市议会告诉你，他们想要一个算法：

拥有较高的准确度
快速运行，只需要很短的时间来分类一个新的图像。
可以适应小内存的设备，这样它就可以运行在一个小的处理器上，它将用于城市的安全摄像头上。

请注意: 有三个评估指标使您很难在两种不同的算法之间进行快速选择，并且会降低您的团队迭代的速度，是真的吗？
A.正确
B.错误

问题2

经过进一步讨论，市议会缩小了它的标准：

“我们需要一种算法，可以让我们尽可能精确的知道一只鸟正飞过和平之城。”
“我们希望经过训练的模型对新图像进行分类不会超过10秒。”
“我们的模型要适应10MB的内存的设备.”

如果你有以下三个模型，你会选择哪一个？

问题3

根据城市的要求，您认为以下哪一项是正确的？
A.准确度是一个优化指标; 运行时间和内存大小是令人满意的指标。
B.准确度是一个令人满意的指标; 运行时间和内存大小是一个优化指标。
C.准确性、运行时间和内存大小都是优化指标，因为您希望在所有这三方面都做得很好。
D.准确性、运行时间和内存大小都是令人满意的指标，因为您必须在三项方面做得足够好才能使系统可以被接受。

问题4

结构化你的数据
在实现你的算法之前，你需要将你的数据分割成训练/开发/测试集，你认为哪一个是最好的选择？

问题5

在设置了训练/开发/测试集之后，市议会再次给你了1,000,000张图片，称为“公民数据”。显然，和平之城的公民非常害怕鸟类，他们自愿为天空拍照并贴上标签，从而为这些额外的1,000,000张图像贡献力量。这些图像与市议会最初给您的图像分布不同，但您认为它可以帮助您的算法。
你不应该将公民数据添加到训练集中，因为这会导致训练/开发/测试集分布变得不同，从而损害开发集和测试集性能，是真的吗？
A.True
B.False

问题6

市议会的一名成员对机器学习知之甚少，他认为应该将1,000,000个公民的数据图像添加到测试集中，你反对的原因是：（多选）
A.这会导致开发集和测试集分布变得不同。这是一个很糟糕的主意，因为这会达不到你想要的效果。
B.公民的数据图像与其他数据没有一致的 x- >y 映射(类似于纽约/底特律的住房价格例子)。
C.一个更大的测试集将减慢迭代速度，因为测试集上评估模型会有计算开销。
D.测试集不再反映您最关心的数据(安全摄像头)的分布。（博主注：训练集是摄像头拍的，用他人拍的数据去测试摄像头拍的，势必会导致准确度下降，要添加也应该添加到整个数据集中，保证同一分布。）

问题7

你训练了一个系统，其误差度如下（误差度 = 100％ - 准确度）：

这表明，提高性能的一个很好的途径是训练一个更大的网络，以降低4%的训练误差。你同意吗？
A.是的，因为有4%的训练误差表明你有很高的偏差。
B.是的，因为这表明你的模型的偏差高于方差。
C.不同意，因为方差高于偏差。
D.不同意，因为没有足够的信息，这什么也说明不了。

问题8

你让一些人对数据集进行标记，以便找出人们对它的识别度。你发现了准确度如下：

如果您的目标是将“人类表现”作为贝叶斯错误的基准线（或估计），那么您如何定义“人类表现”？
A.0.0% (因为不可能做得比这更好)
B.0.3% (专家1的错误率)
C.0.4% (0.3 到 0.5 之间)
D.0.75% (以上所有四个数字的平均值)

问题9

您同意以下哪项陈述？
A.学习算法的性能可以优于人类表现，但它永远不会优于贝叶斯错误的基准线。
B.学习算法的性能不可能优于人类表现，但它可以优于贝叶斯错误的基准线。
C.学习算法的性能不可能优于人类表现，也不可能优于贝叶斯错误的基准线。
D.学习算法的性能可以优于人类表现，也可以优于贝叶斯错误的基准线。

问题10

你发现一组鸟类学家辩论和讨论图像得到一个更好的0.1%的性能，所以你将其定义为“人类表现”。在对算法进行深入研究之后，最终得出以下结论：

根据你的资料，以下四个选项中哪两个尝试起来是最有希望的？（两个选项。）
A.尝试增加正则化。
B.获得更大的训练集以减少差异。
C.尝试减少正则化。
D.训练一个更大的模型，试图在训练集上做得更好。

问题11

你在测试集上评估你的模型，并找到以下内容：

这意味着什么？（两个最佳选项。）
A.你的开发集欠拟合了。
B.你应该尝试获得更大的开发集。
C.你应该得到一个更大的测试集。
D.你的开发集过拟合了。

问题12

在一年后，你完成了这个项目，你终于实现了：

你能得出什么结论？（多选）
A.现在很难衡量可避免偏差，因此今后的进展将会放缓。
B.统计异常(统计噪声的结果)，因为它不可能超过人类表现。
C.只有0.09％的进步空间，你应该很快就能够将剩余的差距缩小到0％
D.如果测试集足够大，使得这0.05%的误差估计是准确的，这意味着贝叶斯误差是小于等于0.05的。

问题13

事实证明，和平之城也雇佣了你的竞争对手来设计一个系统。您的系统和竞争对手都被提供了相同的运行时间和内存大小的系统，您的系统有更高的准确性。然而，当你和你的竞争对手的系统进行测试时，和平之城实际上更喜欢竞争对手的系统，因为即使你的整体准确率更高，你也会有更多的假阴性结果(当鸟在空中时没有发出警报)。你该怎么办？
A.查看开发过程中开发的所有模型，找出错误率最低的模型。
B.要求你的团队在开发过程中同时考虑准确性和假阴性率。
C.重新思考此任务的指标，并要求您的团队调整到新指标。
D.选择假阴性率作为新指标，并使用这个新指标来进一步发展。

问题14

你轻易击败了你的竞争对手，你的系统现在被部署在和平之城中，并且保护公民免受鸟类攻击！但在过去几个月中，一种新的鸟类已经慢慢迁移到该地区，因此你的系统的性能会逐渐下降，因为您的系统正在测试一种新类型的数据。（博主注：以系统未训练过的鸟类图片来测试系统的性能）
你只有1000张新鸟类的图像，在未来的3个月里，城市希望你能更新为更好的系统。你应该先做哪一个？
A.使用所拥有的数据来定义新的评估指标（使用新的开发/测试集），同时考虑到新物种，并以此来推动团队的进一步发展。
B.把1000张图片放进训练集，以便让系统更好地对这些鸟类进行训练。
C.尝试数据增强/数据合成，以获得更多的新鸟的图像。
D.将1,000幅图像添加到您的数据集中，并重新组合成一个新的训练/开发/测试集

问题15

市议会认为在城市里养更多的猫会有助于吓跑鸟类，他们对你在鸟类探测器上的工作感到非常满意，他们也雇佣你来设计一个猫探测器。（哇~猫探测器是非常有用的，不是吗？）由于有多年的猫探测器的工作经验，你有一个巨大的数据集，你有100,000,000猫的图像，训练这个数据需要大约两个星期。你同意哪些说法？（多选）
A.需要两周的时间来训练将会限制你迭代的速度。
B.购买速度更快的计算机可以加速团队的迭代速度，从而提高团队的生产力。
C.如果100,000,000个样本就足以建立一个足够好的猫探测器，你最好用100,000,00个样本训练，从而使您可以快速运行实验的速度提高约10倍，即使每个模型表现差一点因为它的训练数据较少。
D.建立了一个效果比较好的鸟类检测器后，您应该能够采用相同的模型和超参数，并将其应用于猫数据集，因此无需迭代。

参考答案

A。这道题我的理解是，应该是问题应当存在一个可优化指标，一个满足指标吧。但是当同时出现三个要求就很难进行选择了。
D。很简单，对于分类不超过十秒、适应10MB的内存的设备属于满足指标。在这一项上，显然B就不满足了，因为运行时间花费了13sec。在A、C、D中选择，肯定让可优化指标（测试精准度）尽可能高，则选择D。
A。像第二题所说的。
C。有百万条数据，那么在选择上我们尽量将大部分数据分配给训练集进行训练，开发集合测试集的数据可以不需要那么多。百万条数据时，给训练集分配的数据可以达到95%。如题。
B。其实这题我一下子没理解。。引用一位网友的解释就很清晰了：可以把新数据添加进训练集中，添加到训练集只会有好处没会有坏的影响，但是不能添加到开发集和测试集，不然会影响实际部署效果。
AD。不能使得训练集与开发/测试集不处于同一分布，这样子会产生一定的影响。
D。想一下贝叶斯最优误差，我们至少还要一个人们对图片的识别误差值。
B。选人类错误率最低的作为贝叶斯最优错误率
A。课上说过的，不用解释了，目前也有很多ML在一些领域方面的能力超过了人类。我们平时说的人类错误率作为贝叶斯最优错误率只是一个大概。
CD。由题意，这是存在可避免偏差(2.0-1.0>2.1.2.0)。之所以产生这样的原因是因为没有很好的拟合数据。正则化是用于避免过拟合的，所以减少正则化的选项可以选择。（后边半句不知道对不对）有时候过多的数据也不一定会产生正向作用，采用新的模型效果可能会更好。
BD。开发集误差低，训练集误差高就意味着过拟合。
AD。B选项不可能超过人的表现错误。C选项，0.09#的进步空间都不知道是从哪来的？A选项是正确的，因为已经很难衡量可避免误差了，对于D选项，如果测试集也能达到非常准确的效果，说明贝叶斯误差更低。
C。A选项，错误率最低的时候精确度不一定高。
A。若你把数据放进数据集之后，训练的话就会造成对原有的图像进行再训练，这将会导致过拟合、新样本相对于总样本比例非常低、系统性能下降、时间过长等问题，所以把这1000张数据放进原有的数据集里面是不合理的。仅仅是改变dev/test的话，需要使用所拥有的数据来定义新的评估指标。（回答来自参考链接1的评论区）
ABC。用100,000,00个样本训练的意思是说，将这100,000,00个样本作为训练、开发、测试集的总数。从而提高训练速度。D选项，超参数并不是通用的。

【深度学习】吴恩达深度学习-Course3结构化机器学习项目-第一周机器学习（ML）策略(1)作业相关推荐

深度学习-吴恩达（C3）结构化你的机器学习工程
结构化你的机器学习工程改变了深度学习的错误比如你分割数据的方法,分割成train,development(dev)或叫valid,test,所以最好的实践方法是什么?了解更多端对端的深度学习,进而了 ...
深度学习笔记第三门课结构化机器学习项目第一周机器学习（ML）策略（1）...
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
（一，1NN-QI）神经网络与深度学习——吴恩达深度学习配套笔记
从神经网络基础到量化投资应用疫情当前,国难当头,当灾难来临的时候才深刻的感觉到了自己的弱小,对国家,对亲人,是这么的无能为力,希望做点什么,可是却什么也做不了.不过庆幸的是我们还年轻,现在也不是自怜 ...
coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第一周课后习题（3）Gradient Checking
改正后 differrence降到了 e−7 e − 7 e^{-7}
吴恩达深度学习编程作业报错解决方法汇总
概述及资源分享大二结束后的暑假,学习吴恩达深度学习([双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili)的课程,在做编程作业的时候总是遇到一些报错,尤其是导入所需要 ...
[转载]《吴恩达深度学习核心笔记》发布，黄海广博士整理！
红色石头深度学习专栏深度学习入门首推课程就是吴恩达的深度学习专项课程系列的 5 门课.该专项课程最大的特色就是内容全面.通俗易懂并配备了丰富的实战项目.今天,给大家推荐一份关于该专项课程的核心笔记 ...
737 页《吴恩达深度学习核心笔记》发布，黄海广博士整理！
点击上方"AI有道",选择"置顶"公众号重磅干货,第一时间送达深度学习入门首推课程就是吴恩达的深度学习专项课程系列的 5 门课.该专项课程最大的特色就是内容 ...
吴恩达深度学习笔记1-Course1-Week1【深度学习概论】
2018.5.7 吴恩达深度学习视频教程网址网易云课堂:https://mooc.study.163.com/smartSpec/detail/1001319001.htm Coursera:htt ...
799页！吴恩达深度学习笔记.PDF
吴恩达深度学习课程,是公认的最优秀的深度学习课程之一,目前没有教材,只有视频,本文提供完整笔记下载,这本笔记非常适合和深度学习入门. 0.导语黄海广博士和同学将吴恩达老师深度学习视频课程做了完整的笔 ...

【深度学习】吴恩达深度学习-Course3结构化机器学习项目-第一周机器学习（ML）策略(1)作业

目录

题目