机器学习概念

机器学习简介
框架处理
深入了解机器学习
降低损失
使用TF的基本步骤
泛化
训练集和测试集
验证
表示法
特征组合
正则化：简单性
逻辑回归
分类
正则化：稀疏性
神经网络简介
训练神经网络
多类别神经网络
嵌入

机器学习工程

生产环境机器学习系统
静态训练与动态训练
静态推理与动态推理
数据依赖关系
视频讲座
视频讲座总结
机器学习系统的行为取决于其输入特征的行为和品质。当这些特征的输入数据发生更改时，您的模型也会随之变化。有时，这种变化是可取的，有时则反之。

在传统的软件开发中，您的注意力更多地放在代码而非数据上。在机器学习开发中，虽然编码仍是工作的一部分，但您必须同时关注数据。例如，在传统的软件开发项目中，编写单元测试来验证代码是一种最佳做法。而在机器学习项目中，您还必须不断地对输入数据进行测试、验证和监控。

例如，您应该持续监控您的模型以移除不用（或很少使用）的特征。假设某一特定特征对模型贡献很少或没有贡献。如果该特征的输入数据突然发生更改，则您模型的行为也可能会以意想不到的方式突然发生变化。

可靠性
以下是针对输入数据的可靠性询问的一些问题：

信号是否始终可用？信号来源是否不可靠？例如：
信号是否来自因负载过重而崩溃的服务器？
信号是否来自每年 8 月去度假的人群？
版本控制
以下是针对版本控制询问的一些问题：

计算此数据的系统是否发生过变化？如果是：
多久一次？
您如何知道系统发生变化的时间？
有时数据来自上游进程。如果该进程突然发生变化，您的模型可能会受到影响。

请考虑为从上游进程接收的数据创建您自己的副本。然后，只有当您确定这样做安全时，才跳转到下一版上游数据。

必要性
以下问题可以提醒您留意正则化：

特征的实用性是否能证明值得添加此特征？
人们往往倾向于向模型添加更多特征。例如，假设您找到一个新特征，添加该特征可让您的模型略微准确一点。较高的准确率听起来当然比较低的准确率更好。不过，现在您只是增加了自己的维护负担。添加的特征可能会意外降级，因此需要对它进行监控。在添加会带来短期利好的特征之前，请谨慎考虑。

相关性
某些特征会与其他特征相关联（正相关或负相关）。问问自己以下问题：

是否有任何特征密不可分，以至于需要采取额外策略来梳理它们？
反馈环
有时，模型会影响其自身的训练数据。例如，来自某些模型的结果反过来是同一模型的直接或间接输入特征。

有时，一个模型会影响另一个模型。以下列两个股价预测模型为例：

模型 A - 不理想的预测模型。
模型 B。
由于模型 A 有误，因此会导致错误地决定购买股票 X 的股票，而购买这些股票会抬高股票 X 的价格。模型 B 将股票 X 的股价用作输入特征，因此它很容易对股票 X 的价值得出错误结论。然后，模型 B 会根据模型 A 的错误行为购买或销售股票 X 的股份，反过来，模型 B 的行为会影响模型 A，而这样很可能会触发郁金香狂热效应或导致 X 公司的股价下滑。
检查您的理解情况

机器学习现实世界应用示例

癌症预测
标签泄漏
18世纪文学
数据集的拆分
现实世界应用准则
下面简要说明了有效的机器学习准则：
1.确保第一个模型简单易用。
2.着重确保数据管道的正确性。
3.使用简单且可观察的指标进行训练和评估。
4.拥有并监控您的输入特征。
5.将您的模型配置视为代码：进行审核并记录在案。
6.记下所有实验的结果，尤其是“失败”的结果。

总结

后续步骤
课程是过了一遍，理解十分有限，姑且写写，未完待续。