优化参数以提高学习算法的性能
指定表示线性分类器的超平面
扩展模型的参数集以提高性能
进行参数调优,导致性能下降
当一个预测模型是准确的,但运行时间太长时
当模型学习到训练数据中不能很好地泛化到新数据集的细节时
当你将一个强大的深度学习算法应用到一个简单的机器学习问题时
当执行超参数调优时,性能会下降
回归学习
序列的分类
像素分割
语义分割
预测数值响应,如温度、日期或时间的变化
将数据分配给预定义的类别
通过基于相似性将响应聚类到组中来发现模式
比较预测数据分类和数据中的实际类标签
数据的预言
监督式学习
无监督学习
监管逻辑
长短期记忆网络
YOLO-v3网络
生成对抗的网络
超分辨率网络
机器学习
预测
关注网络
暹罗网络
Mini-batch算法
测试模型是否超拟合数据
来衡量一个模型的复杂性
评估训练完成后的模型拟合情况
测试模型在训练过程中的泛化能力