Machine Learning Yearning 其实是吴恩达早期的一个项目，今年 2 月 Deep Learning Specialization 最后一课上线之后，吴恩达又捡起了这个荒废已久的项目。\
在 4 月初的时候，吴恩达曾经介绍过这本书：这本书的重点不是教你机器学习的算法，而是教会你如何使用这些算法，为己所用。就像一些技术型的人工智能课程会给你一把锤子，但是这本书会教你如何使用这把锤子。如果你渴望成为人工智能领域的技术领导者，并希望学习如何为你的团队设定方向，那么这本书将会有所助益。
在读完本书之后，你将学会：
为人工智能项目确定最有前景的方向；
诊断机器学习系统中的错误；
在复杂设置（如不匹配的训练/测试集）中构建 ML；
设置一个 ML 项目，与人类的表现相比较；
了解何时以及如何应用端到端学习、迁移学习和多任务学习。
内容截图：
完整内容目录：\
1 机器学习为什么需要策略?\
2 如何使用此书来帮助你的团队
3 先修知识与符号说明
4 规模驱动机器学习发展
5 开发集和测试集的定义
6 开发集和测试集应该服从同一分布
7 开发集和测试集应该有多大？?
8 使用单值评估指标进行优化
9 优化指标和满意度指标
10 通过开发集和度量指标加速迭代
11 何时修改开发集、测试集和指标
12 小结：建立开发集和测试集
13 快速构建并迭代你的第一个系统
14 误差分析：根据开发集样本评估想法
15 在误差分析时并行评估多个想法
16 清洗误标注的开发集和测试集样本
17 将大型开发集拆分为两个子集，专注其一
18 Eyeball 和 Blackbox 开发集该设置多大？
19 小结：基础误差分析
20 偏差和方差：误差的两大来源
21 偏差和方差举例
22 与最优错误率比较
23 处理偏差和方差
24 偏差和方差间的权衡
25 减少可避免偏差的技术
26 训练集误差分析\
27 减少方差的技术
28 诊断偏差与方差：学习曲线
29 绘制训练误差曲线
30 解读学习曲线：高偏差
31 解读学习曲线：其它情况
32 绘制学习曲线
33 为何与人类表现水平进行对比
34 如何定义人类表现水平
35 超越人类表现水平
36 何时在不同的分布上训练与测试
37 如何决定是否使用你所有的数据
38 如何决定是否添加不一致的数据
39 给数据添加权重
40 从训练集泛化到开发集
41 辨别偏差、方差和数据不匹配误差
42 解决数据不匹配问题
43 人工合成数据
44 优化验证测试
45 优化验证测试的一般形式
46 强化学习举例
47 端到端学习的兴起
48 端到端学习的更多例子
49 端到端学习的优缺点
50 流水线组件的选择：数据可用性
51 流水线组件的选择：任务简单性
Page 4 Machine Learning Yearning-Draft Andrew Ng
52 直接学习更为丰富的输出
53 根据组件进行误差分析
54 误差归因至某个组件
55 误差归因的一般情况
56 组件误差分析与人类水平对比
57 发现有缺陷的机器学习流水线
58 建立超级英雄团队 - 让你的队友阅读这本书吧
deeplearning.ai公众号公布了这本书的翻译版，现本站转发下载：
提取码：zr03
若链接失效，请回复“训练秘籍”获取下载地址。
机器学习爱好者qq群：654173748\
请关注和分享本公众号：\
精华文章：
