吴恩达《深度学习专项》笔记（九）：错误分析与处理、数据集配准、多任务学习与应用、端到端模型构建

学习提示

本周末将重点掌握以下四种核心内容！对常见错误的识别与分类！在数据来源不一致的情况下！多任务并行处理的学习方法！系统化的全环节学习过程。

其中，在前两项内容的基础上是对上周学习内容的拓展。学习完这些知识后有助于制定后续改进计划。面对分布不一致的数据情况时，则可以掌握诊断一种新问题的方法：数据分布不匹配的问题。随后通过应用错误分析技术找出模型的具体错误样本，并进一步优化模型性能

后两项内容包括两项深度学习的应用技巧。我们将学会迁移学习以及多任务 learning这两种处理多个 learning 任务的方法。我们还将学会利用 deep learning 将问题一步到位地解决,而无需分成几个步骤进行。

课堂笔记

错误分析

分析具体错误

在尝试提高模型准确率的过程中，在分析这些错误样本时识别哪些数据类型更容易导致模型犯错

比如，在提高小猫分类器准确率的过程中

这时，我们可以考虑去提升模型在小狗图片上的表现。

在决定朝着某个方向进行模型改进之前，在没有充分依据的情况下我们不应该仓促采取行动

更为系统性地讲授数据驱动的方法论框架, 我们将构建