2024-01-28-机器学习工程师的生产实践（MLOps）之建模（三）- 吴恩达

摘要

2024-02-01 周四 家 大雪

小记: 北方大雪纷飞，南方艳阳高照；

课程内容

1. 关键挑战

AI system=Code + Data

• 建模挑战

总结: 训练集如何做好优化；如何在开发测试训练集做好；如何更好的达到商业目标；

• 为什么低平均错误率还不够好？

心得: 机器学习训练的过程中，我们不能简单的追求测试集数据足够好，同时需要结合实际生产的业务使其训练目标符合预期，尽善尽美。

• 建立基准: 快速建立基准线是性能统计的最佳方式

小节: 建立好测试基准线就会帮助机器学习团队取得更长远的发展和进步，因此一开始建立合适有效的基准线是十分重要的，我们需要知道平均水平，才可以更好的进步和发展，更可以制定合理的目标进而实现。

开始提示

• 从建模开始

• 数据量化

错误分析示例

• 标签中有用的测量指标

确定优先处理的内容

待学习

总结