1 前言
因为之前分享了吴恩达老师的《机器学习》和《深度学习》两门课程的全套笔记，结果好多朋友通过后台留言获取了这两份资料，小汤也因此幸运地结识了不好朋友。
最近一个朋友留言问是否可以分享一下吴恩达老师的新书《Machine Learning Yearning》，因为StrongerTang的初衷一直是“好资源大家一起分享”，所以就找来了这份资料的中英文版，分享给有需要的小伙伴。
2 简介
其实这份资料说新也不新，去年就有了，是Andrew NG老师花了大约两年时间，根据自己多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。
这份资料的重点不在于教授传统的机器学习算法理论基础，而在于传授如何在实践中使机器学习算法的实战经验。Andrew NG称：这本书的主题是“如何构建机器学习项目”。
这份资料主要面向机器学习从业者，主要介绍机器学习实际使用时的一些策略和技巧，以便为开发指明方向，提升开发效率，所以这份资料对于机器学习实战来说大有益处。
全书52个章节，每个章节并不长，一般1-2页，更偏向总结类的，阅读起来比较快，算是大师的高屋建瓴。
本书概述
1.为什么要说机器学习策略
2.本书对你和你的团队有哪些帮助
3.阅读本书的先决条件
4.驱动机器学习长足进步的因素
构建开发和测试数据集
5.开发和测试数据集的重要性
6.使用同一分布的开发和测试数据集
7.开发和测试数据集多大合适
8.使用单值衡量指标
9.优化性指标和约束性指标
10.在开发/测试数据集和单值衡量指标的基础上，加速模型迭代
11.何时需要改变数据集和衡量指标
12.构建开发和测试数据集的注意事项
基本的误差分析
13.快速构建你的系统，然后迭代
14.误差分析的重要性和大致过程
15.并行评估多个想法的可行性
16.清除标记错误的样本数据
17.将开发数据集分成人工观测数据集和模型调参数据集
18.人工观测数据集和模型调参数据集多大合适
19.总结：基本误差分析
偏差和方差
20.偏差和方差的概念
21.举例说明偏差和方差
22.向最优的错误率看齐
23.方差和偏差的处理方法
24.权衡模型的方差和偏差
25.减少可避免的偏差方法
26.训练数据集上的误差分析
27.减少方差的方法
学习曲线
28.通过学习曲线诊断偏差和方差
29.将训练错误率用图形绘制出来
30.高偏差时的学习曲线
31.其他情况下的学习曲线
32.学习曲线绘制技巧
与人类的水平进行比较
33.为社么要与人类的水平进行比较
34.如何定义人类处于什么样的水平
35.超越人类的水平
训练和测试数据集的分布不一致
36.何时使用不同分布的数据集
37.是否要将你的所有数据都用起来呢
38.是否要使用不一致的数据
39.区分不同数据的权重
40.从训练数据集泛化到开发数据集
41.区分偏差、方差和数据不匹配问题
42.处理数据不匹配问题
43.人工数据合成
算法调试
44.优化验证实验
45.优化验证实现的一般形式
46.强化学习实例
端到端深度学习
47.端到端学习的兴起
48.更多的端到端学习实例
49.端到端学习的利与弊
50.选择管道组件之数据可用性
51.选择管道组件之任务简单化
52.让机器学习输出更加丰富的内容
英文版目录
3 资料免费获取
最后，《Machine Learning Yearning》的中英文电子版也已经打包完毕，需要的可以按照以下方式获取：
1.长按下方二维码关注 “StrongerTang” 公众号
2.公众号后台回复关键词：吴恩达新书
本书官方网址：http://www.mlyearning.org/
声明：此资料免费分享，仅作知识分享，勿用于任何商业用途。赠人玫瑰，手有余香！
推荐阅读：（资料免费领取）
《深度学习入门首推资料–吴恩达深度学习全程笔记分享》
《感动！有人将吴恩达的视频课程做成了文字版 机器学习入门首推资料–吴恩达机器学习笔记分享》
《Python深度学习(Deep Learning with Python) 中文版+英文版+源代码 免费下载》
C++Primer Plus第6版&C Primer Plus第6版 中文版免费分享啦