DeepLearning.ai深度学习课程笔记
  • Introduction
  • 第一门课 神经网络和深度学习(Neural-Networks-and-Deep-Learning)
    • 第一周：深度学习引言(Introduction to Deep Learning)
      • 1.1 神经网络的监督学习(Supervised Learning with Neural Networks)
      • 1.2 为什么神经网络会流行？(Why is Deep Learning taking off?)
    • 第二周：神经网络的编程基础(Basics of Neural Network programming)
      • 2.1 二分类(Binary Classification)
      • 2.2 逻辑回归(Logistic Regression)
      • 2.3 逻辑回归的代价函数（Logistic Regression Cost Function）
      • 2.4 逻辑回归的梯度下降（Logistic Regression Gradient Descent）
      • 2.5 梯度下降的例子(Gradient Descent on m Examples)
      • 2.6 向量化 logistic 回归的梯度输出（Vectorizing Logistic Regression’s Gradient Output）
      • 2.7 （选修）logistic 损失函数的解释（Explanation of logistic regression cost function ）
      • Logistic Regression with a Neural Network mindset 代码
      • lr_utils.py
    • 第三周：浅层神经网络(Shallow neural networks)
      • 3.1 神经网络概述（Neural Network Overview）
      • 3.2 神经网络的表示（Neural Network Representation ）
      • 3.3 计算一个神经网络的输出（Computing a Neural Network's output ）
      • 3.4 多样本向量化（Vectorizing across multiple examples ）
      • 3.5 激活函数（Activation functions）
      • 3.6 为什么需要（ 非线性激活函数？（why need a nonlinear activation function?）
      • 3.7 激活函数的导数（Derivatives of activation functions ）
      • 3.8 神经网络的梯度下降（Gradient descent for neural networks）
      • 3.9 （选修）直观理解反向传播（Backpropagation intuition ）
      • 3.10 随机初始化（Random+Initialization）
      • Planar data classification with one hidden layer
      • planar_utils.py
      • testCases.py
    • 第四周：深层神经网络(Deep Neural Networks)
      • 4.1 深层神经网络（Deep L-layer neural network）
      • 4.2 前向传播和反向传播（Forward and backward propagation）
      • 4.3 深层网络中的前向传播（Forward propagation in a Deep Network ）
      • 4.4 为什么使用深层表示？（Why deep representations?）
      • 4.5 搭建神经网络块（Building blocks of deep neural networks）
      • 4.6 参数 VS 超参数（Parameters vs Hyperparameters）
      • Building your Deep Neural Network Step by Step
      • dnn_utils.py
      • testCases.py
      • Deep Neural Network Application
      • dnn_app_utils.py
  • 第二门课 改善深层神经网络：超参数调试、 正 则 化 以 及 优 化 (Improving Deep Neural Networks:Hyperparameter tuning, Regulariza
    • 第二门课 改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and
      • 第一周：深度学习的实用层面(Practical aspects of Deep Learning)
        • 1.1 训练，验证，测试集（Train / Dev / Test sets）
        • 1.2 偏差，方差（Bias /Variance）
        • 1.3 机器学习基础（Basic Recipe for Machine Learning）
        • 1.4 正则化（Regularization）
        • 1.5 为什么正则化有利于预防过拟合呢？（Why regularization reduces overfitting?）
        • 1.6 dropout 正则化（Dropout Regularization）
        • 1.7 理解 dropout（Understanding Dropout）
        • 1.8 其他正则化方法（Other regularization methods）
        • 1.9 归一化输入（Normalizing inputs）
        • 1.10 梯度消失/梯度爆炸（Vanishing / Exploding gradients）
        • 1.11 神经网络的权重初始化（Weight Initialization for Deep Networks）
        • 1.12 梯度的数值逼近（Numerical approximation of gradients）
        • 1.13 梯度检验（Gradient checking）
        • 1.14 梯度检验应用的注意事项（Gradient Checking Implementation Notes）
        • Initialization
        • Gradient Checking
        • Regularization
        • reg_utils.py
        • testCases.py
      • 第二周：优化算法 (Optimization algorithms)
        • 2.1 Mini-batch 梯度下降（Mini-batch gradient descent）
        • 2.2 理解 mini-batch 梯度下降法（Understanding mini-batch gradient descent）
        • 2.3 指数加权平均数（Exponentially weighted averages）
        • 2.4 理解指数加权平均数（Understanding exponentially weighted averages ）
        • 2.5 指 数 加 权 平 均 的 偏 差 修 正 （ Bias correction in exponentially weighted averages ）
        • 2.6 动量梯度下降法（Gradient descent with Momentum ）
        • 2.7 RMSprop( root mean square prop)
        • 2.8 Adam 优化算法(Adam optimization algorithm)
        • 2.9 学习率衰减(Learning rate decay)
        • 2.10 局部最优的问题(The problem of local optima)
        • Optimization
        • opt_utils.py
        • testCases.py
      • 第 三 周 超 参 数 调 试 、 Batch 正 则 化 和 程 序 框 架 （Hyperparameter tuning）
        • 3.1 调试处理（Tuning process）
        • 3.2 为超参数选择合适的范围（Using an appropriate scale to pick hyperparameters）
        • 3.3 超参数训练的实践： Pandas VS Caviar（Hyperparameters tuning in practice: Pandas vs. Caviar）
        • 3.4 归一化网络的激活函数（ Normalizing activations in a network）
        • 3.5 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a neural network）
        • 3.6 Batch Norm 为什么奏效？（Why does Batch Norm work?）
        • 3.7 测试时的 Batch Norm（Batch Norm at test time）
        • 3.8 Softmax 回归（Softmax regression）
        • 3.9 训练一个 Softmax 分类器（Training a Softmax classifier）
        • tensorflow tutorial
        • improv_utils.py
        • tf_utils.py
  • 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
    • 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
      • 第一周 机器学习（ML）策略（1）（ML strategy（1））
        • 1.1 为什么是 ML 策略？（Why ML Strategy?）
        • 1.2 正交化（Orthogonalization）
        • 1.3 单一数字评估指标（Single number evaluation metric）
        • 1.4 满足和优化指标（Satisficing and optimizing metrics）
        • 1.5 训练/开发/测试集划分（Train/dev/test distributions）
        • 1.6 开发集和测试集的大小（Size of dev and test sets）
        • 1.7 什么时候该改变开发/测试集和指标？（When to change dev/test sets and metrics）
        • 1.8 为什么是人的表现？（ Why human-level performance?）
        • 1.9 可避免偏差（Avoidable bias）
        • 1.10 理解人的表现（Understanding human-level performance）
        • 1.11 超过人的表现（Surpassing human- level performance）
        • 1.12 改善你的模型的表现（Improving your model performance）
      • 第二周：机器学习策略（2）(ML Strategy (2))
        • 2.1 进行误差分析（Carrying out error analysis）
        • 2.2 清楚标注错误的数据（Cleaning up Incorrectly labeled data）
        • 2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）
        • 2.4 在不同的划分上进行训练并测试（Training and testing on different distributions）
        • 2.5 不匹配数据划分的偏差和方差（Bias and Variance with mismatched data distributions）
        • 2.6 定位数据不匹配（Addressing data mismatch）
        • 2.7 迁移学习（Transfer learning）
        • 2.8 多任务学习（Multi-task learning）
        • 2.9 什么是端到端的深度学习？（What is end-to-end deep learning?）
        • 2.10 是否要使用端到端的深度学习？（Whether to use end-to-end learning?）
  • 第四门课 卷积神经网络（Convolutional Neural Networks）
    • 第四门课 卷积神经网络（Convolutional Neural Networks）
      • 第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
        • 1.1 计算机视觉（Computer vision）
        • 1.2 边缘检测示例（Edge detection example）
        • 1.3 更多边缘检测内容（More edge detection）
        • 1.4 Padding
        • 1.5 卷积步长（Strided convolutions）
        • 1.6 三维卷积（Convolutions over volumes）
        • 1.7 单层卷积网络（One layer of a convolutional network）
        • 1.8 简单卷积网络示例（A simple convolution network example）
        • 1.9 池化层（Pooling layers）
        • 1.10 卷积神经网络示例（Convolutional neural network example）
        • 1.11 为什么使用卷积？（Why convolutions?）
        • Convolution model Step by Step
        • Convolutional Neural Networks: Application
        • cnn_utils
      • 第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）
        • 2.1 经典网络（Classic networks）
        • 2.2 残差网络（Residual Networks (ResNets)）
        • 2.3 残差网络为什么有用？（Why ResNets work?）
        • 2.4 网络中的网络以及 1×1 卷积（Network in Network and 1×1 convolutions）
        • 2.5 谷歌 Inception 网络简介（Inception network motivation）
        • 2.6 Inception 网络（Inception network）
        • 2.7 迁移学习（Transfer Learning）
        • 2.8 数据扩充（Data augmentation）
        • 2.9 计算机视觉现状（The state of computer vision）
        • Residual Networks
        • Keras tutorial - the Happy House
        • kt_utils.py
      • 第三周 目标检测（Object detection）
        • 3.1 目标定位（Object localization）
        • 3.2 特征点检测（Landmark detection）
        • 3.3 目标检测（Object detection）
        • 3.4 卷积的滑动窗口实现（Convolutional implementation of sliding windows）
        • 3.5 Bounding Box预测（Bounding box predictions）
        • 3.6 交并比（Intersection over union）
        • 3.7 非极大值抑制（Non-max suppression）
        • 3.8 Anchor Boxes
        • 3.9 YOLO 算法（Putting it together: YOLO algorithm）
        • 3.10 候选区域（选修）（Region proposals (Optional)）
        • Autonomous driving application - Car detection
        • yolo_utils.py
      • 第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）
        • 4.1 什么是人脸识别？（What is face recognition?）
        • 4.2 One-Shot学习（One-shot learning）
        • 4.3 Siamese 网络（Siamese network）
        • 4.4 Triplet 损失（Triplet 损失）
        • 4.5 面部验证与二分类（Face verification and binary classification）
        • 4.6 什么是深度卷积网络？（What are deep ConvNets learning?）
        • 4.7 代价函数（Cost function）
        • 4.8 内容代价函数（Content cost function）
        • 4.9 风格代价函数（Style cost function）
        • 4.10 一维到三维推广（1D and 3D generalizations of models）
        • Art Generation with Neural Style Transfer
        • nst_utils.py
        • Face Recognition for the Happy House
        • fr_utils.py
        • inception_blocks.py
  • 第五门课 序列模型(Sequence Models)
    • 第五门课 序列模型(Sequence Models)
      • 第一周 循环序列模型（Recurrent Neural Networks）
        • 1.1 为什么选择序列模型？（Why Sequence Models?）
        • 1.2 数学符号（Notation）
        • 1.3 循环神经网络模型（Recurrent Neural Network Model）
        • 1.4 通过时间的反向传播（Backpropagation through time）
        • 1.5 不同类型的循环神经网络（Different types of RNNs）
        • 1.6 语言模型和序列生成（Language model and sequence generation）
        • 1.7 对新序列采样（Sampling novel sequences）
        • 1.8 循环神经网络的梯度消失（Vanishing gradients with RNNs）
        • 1.9 GRU单元（Gated Recurrent Unit（GRU））
        • 1.10 长短期记忆（LSTM（long short term memory）unit）
        • 1.11 双向循环神经网络（Bidirectional RNN）
        • 1.12 深层循环神经网络（Deep RNNs）
        • Building your Recurrent Neural Network
        • rnn_utils.py
        • Dinosaurus Island -- Character level language model final
        • utils.py
        • shakespeare_utils.py
        • Improvise a Jazz Solo with an LSTM Network
      • 第二周 自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）
        • 2.1 词汇表征（Word Representation）
        • 2.2 使用词嵌入（Using Word Embeddings）
        • 2.3 词嵌入的特性（Properties of Word Embeddings）
        • 2.4 嵌入矩阵（Embedding Matrix）
        • 2.5 学习词嵌入（Learning Word Embeddings）
        • 2.6 Word2Vec
        • 2.7 负采样（Negative Sampling）
        • 2.8 GloVe 词向量（GloVe Word Vectors）
        • 2.9 情感分类（Sentiment Classification）
        • 2.10 词嵌入除偏（Debiasing Word Embeddings）
        • Operations on word vectors
        • w2v_utils.py
        • Emojify
        • emo_utils.py
      • 第三周 序列模型和注意力机制（Sequence models & Attention mechanism）
        • 3.1 基础模型（Basic Models）
        • 3.2 选择最可能的句子（Picking the most likely sentence）
        • 3.3 集束搜索（Beam Search）
        • 3.4 改进集束搜索（Refinements to Beam Search）
        • 3.5 集束搜索的误差分析（Error analysis in beam search）
        • 3.6 Bleu 得分（选修）（Bleu Score (optional)）
        • 3.7 注意力模型直观理解（Attention Model Intuition）
        • 3.8注意力模型（Attention Model）
        • 3.9语音识别（Speech recognition）
        • 3.10触发字检测（Trigger Word Detection）
        • Neural machine translation with attention
        • nmt_utils.py
        • Trigger word detection
        • td_utils.py
Powered by GitBook
On this page

Was this helpful?

  1. 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
  2. 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
  3. 第二周：机器学习策略（2）(ML Strategy (2))

2.2 清楚标注错误的数据（Cleaning up Incorrectly labeled data）

Previous2.1 进行误差分析（Carrying out error analysis）Next2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）

Last updated 6 years ago

Was this helpful?

监督学习问题的数据由输入xxx和输出标签yyy 构成，如果发现有些输出标签 yyy 是错的，是否值得花时间去修正这些标签？

倒数第二不是猫，是标记错误的样本。“标记错误的样本”表示学习算法输出了错误的 yyy 值，如果数据有一些标记错误的样本，该怎么办？

训练集：深度学习算法对于训练集中的随机错误是相当健壮的（robust）。只要这些错误样本离随机错误不太远，有时可能做标记的人没有注意或者不小心，按错键了，如果错误足够随机，放着这些错误不管可能也没问题，而不要花太多时间修复它们，只要总数据集足够大，实际错误率可能不会太高

深度学习算法对随机误差很健壮，但对系统性的错误没那么健壮。如果做标记的人一直把白色的狗标记成猫，那就成问题。因为分类器学习之后，会把所有白色的狗都分类为猫。但随机错误或近似随机错误，对于大多数深度学习算法来说不成问题

开发集和测试集有标记出错的样本：在错误分析时，添加一个额外的列，统计标签 y=1y=1y=1错误的样本数。统计因为标签错误所占的百分比，解释为什么学习算法做出和数据集的标记不一样的预测1

是否值得修正6%标记出错的样本：

  • 如果标记错误严重影响了在开发集上评估算法的能力，应该去花时间修正错误的标签

  • 如果没有严重影响到用开发集评估成本偏差的能力，不应该花时间去处理

看3个数字来确定是否值得去人工修正标记出错的数据：

  • 看整体的开发集错误率，系统达到了90%整体准确度，10%错误率，应该看错误标记引起的错误的数量或者百分比。6％的错误来自标记出错，10%的6%是0.6%，剩下的占9.4%，是其他原因导致的，比如把狗误认为猫，大猫图片。即有9.4%错误率需要集中精力修正，而标记出错导致的错误是总体错误的一小部分而已，应该看其他原因导致的错误

  • 错误率降到了2％，但总体错误中的0.6%还是标记出错导致的。修正开发集里的错误标签更有价值

开发集的主要目的是从两个分类器AAA和BBB中选择一个。当测试两个分类器AAA和BBB时，在开发集上一个有2.1%错误率，另一个有1.9%错误率，但是不能再信任开发集，因为它无法告诉你这个分类器是否比这个好，因为0.6%的错误率是标记出错导致的。现在就有很好的理由去修正开发集里的错误标签，因为右边这个样本标记出错对算法错误的整体评估标准有严重的影响，而左边相对较小

如果决定要去修正开发集数据，手动重新检查标签，并尝试修正一些标签，这里还有一些额外的方针和原则需要考虑：

  • 不管用什么修正手段，都要同时作用到开发集和测试集上，开发和测试集必须来自相同的分布。开发集确定了目标，当击中目标后，希望算法能够推广到测试集上，这样能够更高效的在来自同一分布的开发集和测试集上迭代

  • 如果打算修正开发集上的部分数据，最好也对测试集做同样的修正以确保它们继续来自相同的分布。可以让一个人来仔细检查这些标签，但必须同时检查开发集和测试集

  • 要同时检验算法判断正确和判断错误的样本，如果只修正算法出错的样本，算法的偏差估计可能会变大，会让算法有一点不公平的优势

修正训练集中的标签相对没那么重要，如果训练集来自稍微不同的分布，对于这种情况学习算法其实相当健壮，通常是一件很合理的事情

几个建议：

  • 构造实际系统时，需要更多的人工错误分析，更多的人类见解来架构这些系统

  • 搭建机器学习系统时，花时间亲自检查数据非常值得，可以帮你找到需要优先处理的任务，然后确定应该优先尝试哪些想法，或者哪些方向