和機器學習相比，深度學習的好處非常明顯，或者說「看起來」非常明顯——用上深度學習，就不需要特徵工程和調參啦！
因為本課的主旨是講解統計學習模型的原理，所以很少涉及到特徵工程，也沒有專門講過在實際應用中的模型調參。
自己動過手的同學想必知道，在實踐中，模型、演算法都是工具，支援庫封裝好了，直接呼叫對應介面就可以。最難的，恰恰是調參（超引數）和特徵工程。
注意：特徵工程指根據領域知識生成樣本特徵的過程，一般包括特徵選擇、特徵獲取、特徵處理等步驟。在狹義的機器學習領域（統計學習模型），特徵工程以手工為主。現實的樣本屬性可能有幾百幾千（甚至更多）個，要從裡面選出最具代表性的一部分作為特徵，主要依據領域知識和既往經驗，其他的工程性方法（降維等）只是起輔助作用。
而領域知識和經驗與具體業務緊密相關，恰恰是大多數程式設計師不熟悉的。這就導致了在實踐中總是存在著無法完全釋放樣本資料潛力的問題。
而調參，在超引數稍多（比如多於三個）以後，以何種策略使幾種超引數組合達到最佳，則基本上可以算是一門藝術了。
當深度學習出現後，這兩件讓機器學習工程師頭疼的任務，看起來好像消失了——
第04課 深度學習框架 PyTorch
隨著深度學習的研究熱潮持續高漲，各種開源深度學習框架也層出不窮，包括 tensorflow pytorch caffe2 keras cntk mxnet paddle deeplearning4 lasagne neon 等等。其中，谷歌推出的 tensorflow 無疑在關注度和使用者數上都佔據...
吳恩達深度學習第2課第1周（上）
1.1資料分集 將所有的訓練劃分為3個集 訓練集，驗證集，測試集 驗證集 迭代選擇出最優的幾個演算法 測試集如果不需要做無偏估計時，可省略 資料量小622 73 開 大時可以 98 1 1 或者 99.5 0.4 0.1 開 無偏估計，驗證你的資料是否遵循同乙個分布 1.2 方差，偏差 在神經網路中...
零基礎學習Vue 第40課 js的匯入與匯出
零基礎學習vue 第40課 js的匯入與匯出 index.html 用來在瀏覽器內執行 a.js 用來匯入b.js的資料 b.js 用來匯出資料 以下是index.html檔案內的所有 lang en charset utf 8 引入jstitle head src a.js type module...