吴恩达机器学习训练秘籍整理三十三到三十五章（五）

第三十三章

为何与人类表现水平进行对比：

许多机器学习系统的设计目的是想要自动化一些人类可以处理得很好的事情，可举的例子有图像识别、语音识别以及垃圾邮件分类等等。此外，有许多理由表明在处理人类擅长的任务时，构建机器一个学习系统会更加简单：

1.易于从人为标签中获取数据

2.基于人类直觉进行误差分析

3.使用人类表现水平来估计最优错误率，并设置可达到的“期望错误率”。

面临的难题：

1.很难获取标签数据

2.人类的直觉难以依靠

3.最优错误率和合理的期望错误率难以确定

第三十四章：

如何定义人类表现水平？

如果你的系统目前的误差为 40%，那么不论是让初级医生（10% 误差）还是有经验的医生（5% 误差误）来给你的数据贴上标签，那都没有关系。是如果你的系统误差已经是 10%，那么将人类表现水平定义为 2% 将为你提供更好的途径来改进你的系统。

第三十五章：

超越人类表现水平

假设你的系统在处理识别含有噪音的音频任务时表现已经优于人类，然而在转录语速很快的语音时人类仍然占有优势。因此在机器已经超越人类水平的问题上，进展通常比较慢，而当机器仍在试图赶上人类水平时，进展速度反而更快。

吴恩达机器学习训练秘籍整理三十三到三十五章（五）相关推荐

吴恩达机器学习训练1：线性回归（多变量）
吴恩达机器学习训练1:线性回归(多变量) 本小节为练习1中选做题,为多变量(多特征参数)的线性回归计算. 还是预测房价的例子,假设已经两个特征参数,分别是房子的尺寸和卧室的数量,在数据的第一列和第二列 ...
【深度之眼吴恩达机器学习第四期】笔记（三）
目录线性回归单变量线性回归梯度下降多变量线性回归正规方程逻辑回归准备数据各种函数决策边界正则化比较不同lambda 线性回归单变量线性回归准备工作 # 导入需要使用的包 im ...
吴恩达机器学习作业思路整理
EX2 对于逻辑回归 --解决分类问题首先可以通过绘图看出分割线是一元的还是二元的因为是二分类问题,如果直接是预测函数θ乘以x -y 这样不能保证值只有0和1.因此通过一个变化,外面加g,这样使其 ...
吴恩达机器学习训练2：Logistic回归
Logistic Regression问题实则为分类的问题Classification. 1.数学模型由上图可知,由于最后是要求得y=1的概率,在线性回归的基础上增加了sigmoid函数,将z值映射 ...
吴恩达机器学习笔记整理（Week1-Week5）
吴恩达机器学习笔记整理 1. Week1 1.1 什么是机器学习(What is Machine Learning) 1.2机器学习算法分类 1.3 单变量线性回归(Linear Regression ...
吴恩达机器学习笔记整理（Week6-Week11）
1. Week 6 1.1 应用机器学习的建议(Advice for Applying Machine Learning) 1.1.1 决定下一步做什么到目前为止,我们已经介绍了许多不同的学习算法, ...
吴恩达机器学习作业Python实现(三)：多类分类和前馈神经网络
吴恩达机器学习系列作业目录 1 多类分类(多个logistic回归) 我们将扩展我们在练习2中写的logistic回归的实现,并将其应用于一对多的分类(不止两个类别). import numpy as ...
吴恩达机器学习——第三周学习笔记
二元分类(Binary Classfication) 分类,一种方法是使用线性回归,将所有大于0.5的预测映射为1,将所有小于0.5的预测映射为0.然而,这种方法并不能很好地工作,因为分类实际上不是一 ...
下载量过百万的吴恩达机器学习和深度学习笔记更新了！（附PDF下载）
今天,我把吴恩达机器学习和深度学习课程笔记都更新了,并提供下载,这两本笔记非常适合机器学习和深度学习入门.(作者:黄海广) 0.导语我和同学将吴恩达老师机器学习和深度学习课程笔记做成了打印版,放在g ...

吴恩达机器学习训练秘籍整理三十三到三十五章（五）

吴恩达机器学习训练秘籍整理三十三到三十五章（五）相关推荐

最新文章

热门文章