http://blog.csdn.net/u011239443/article/details/78117155
1.1 为什么是 ML 策略
各种各样的机器学习策略。如何选择、使用？
1.2 正交化
调参时，应将两个参数进行正交，降低操作的复杂：
1.3 单一数字评估指标
用平均值来代替多个值：
1.4 满足和优化指标
准确率和运行时间之间的协调：
1.5 训练 / 开发 / 测试集划分
1.6 开发集合测试集的大小
传统开发集合测试集的大小：
深度学习下，数据量很大，1%的开发集 和 1%的测试集数据已足够。而且，深度学习来说，训练集规模需求比较大：
1.7 什么时候该改变开发 / 测试集和指标
对不同的数据记录设置不同的代价权重：
1.8 为什么是人的表现
1.9 可避免偏差
1.10 理解人的表现
我们用人类变现的误差来估算贝叶斯误差，但是我们的训练误差越接近人类误差，用人类误差越无法准确的用于估计贝叶斯误差：
1.11 超过人的表现
当训练误差小于人类误差，就很难去判断是误差还是偏差的问题：