1 前言
因爲之前分享了吳恩達老師的《機器學習》和《深度學習》兩門課程的全套筆記，結果好多朋友通過後臺留言獲取了這兩份資料，小湯也因此幸運地結識了不好朋友。
最近一個朋友留言問是否可以分享一下吳恩達老師的新書《Machine Learning Yearning》，因爲StrongerTang的初衷一直是“好資源大家一起分享”，所以就找來了這份資料的中英文版，分享給有需要的小夥伴。
2 簡介
其實這份資料說新也不新，去年就有了，是Andrew NG老師花了大約兩年時間，根據自己多年實踐經驗整理出來的一本機器學習、深度學習實踐經驗寶典。
這份資料的重點不在於教授傳統的機器學習算法理論基礎，而在於傳授如何在實踐中使機器學習算法的實戰經驗。Andrew NG稱：這本書的主題是“如何構建機器學習項目”。
這份資料主要面向機器學習從業者，主要介紹機器學習實際使用時的一些策略和技巧，以便爲開發指明方向，提升開發效率，所以這份資料對於機器學習實戰來說大有益處。
全書52個章節，每個章節並不長，一般1-2頁，更偏向總結類的，閱讀起來比較快，算是大師的高屋建瓴。
本書概述
1.爲什麼要說機器學習策略
2.本書對你和你的團隊有哪些幫助
3.閱讀本書的先決條件
4.驅動機器學習長足進步的因素
構建開發和測試數據集
5.開發和測試數據集的重要性
6.使用同一分佈的開發和測試數據集
7.開發和測試數據集多大合適
8.使用單值衡量指標
9.優化性指標和約束性指標
10.在開發/測試數據集和單值衡量指標的基礎上，加速模型迭代
11.何時需要改變數據集和衡量指標
12.構建開發和測試數據集的注意事項
基本的誤差分析
13.快速構建你的系統，然後迭代
14.誤差分析的重要性和大致過程
15.並行評估多個想法的可行性
16.清除標記錯誤的樣本數據
17.將開發數據集分成人工觀測數據集和模型調參數據集
18.人工觀測數據集和模型調參數據集多大合適
19.總結：基本誤差分析
偏差和方差
20.偏差和方差的概念
21.舉例說明偏差和方差
22.向最優的錯誤率看齊
23.方差和偏差的處理方法
24.權衡模型的方差和偏差
25.減少可避免的偏差方法
26.訓練數據集上的誤差分析
27.減少方差的方法
學習曲線
28.通過學習曲線診斷偏差和方差
29.將訓練錯誤率用圖形繪製出來
30.高偏差時的學習曲線
31.其他情況下的學習曲線
32.學習曲線繪製技巧
與人類的水平進行比較
33.爲社麼要與人類的水平進行比較
34.如何定義人類處於什麼樣的水平
35.超越人類的水平
訓練和測試數據集的分佈不一致
36.何時使用不同分佈的數據集
37.是否要將你的所有數據都用起來呢
38.是否要使用不一致的數據
39.區分不同數據的權重
40.從訓練數據集泛化到開發數據集
41.區分偏差、方差和數據不匹配問題
42.處理數據不匹配問題
43.人工數據合成
算法調試
44.優化驗證實驗
45.優化驗證實現的一般形式
46.強化學習實例
端到端深度學習
47.端到端學習的興起
48.更多的端到端學習實例
49.端到端學習的利與弊
50.選擇管道組件之數據可用性
51.選擇管道組件之任務簡單化
52.讓機器學習輸出更加豐富的內容
英文版目錄
3 資料免費獲取
最後，《Machine Learning Yearning》的中英文電子版也已經打包完畢，需要的可以按照以下方式獲取：
1.長按下方二維碼關注 “StrongerTang” 公衆號
2.公衆號後臺回覆關鍵詞：吳恩達新書
本書官方網址：http://www.mlyearning.org/
聲明：此資料免費分享，僅作知識分享，勿用於任何商業用途。贈人玫瑰，手有餘香！
推薦閱讀：（資料免費領取）
《深度學習入門首推資料–吳恩達深度學習全程筆記分享》
《感動！有人將吳恩達的視頻課程做成了文字版 機器學習入門首推資料–吳恩達機器學習筆記分享》
《Python深度學習(Deep Learning with Python) 中文版+英文版+源代碼 免費下載》
C++Primer Plus第6版&C Primer Plus第6版 中文版免費分享啦