机器学习基础：模型、训练、推理与评估
甄选并验证：Jiayi Wang, Machine Learning Engineer, Google一个模型落在你的桌上，报告92%的准确率并请求放行。房间里的人点头。你无法判断这是非凡、普通，还是——鉴于没人提及的类别不平衡——实际上比预测多数类更差。等到它上线并在六个月后悄悄地在一个子群体上失败，你才后悔当初没有问清楚该问什么。 本课程赋予你概念上的流畅性，让你知道该问什么，而无需学习用代码训练模型，也无需绕道数学。通过三十八课，它涵盖了机器学习的持久层：从问题框架到监控的生命周期；决定模型可能学到什么的数据纪律；主要模型家族及其各自的优缺点；解释模型为何过拟合或无法泛化的训练机制；以及可能转化为诚实声明——或在错误手中成为戏剧——的评估指标。 一个完整的阶段专注于大多数ML课程忽视的工作：符合实际错误成本的指标、决定“70%概率”是否有意义的校准检查、你无法同时满足的所有公平性定义、匿名化无法提供的隐私属性，以及清晰说明模型将在何处失败的技巧。库名会轮换；基准领先者会更替；本课程建立在不变的层面上。 你离开时将能像资深数据科学家一样阅读ML声明——并提出那个将供应商演示变成真正决策的问题。
课程目录
关于课程作者
Proof before polish—that is the principle behind Jiayi’s work as a machine-learning research engineer. He turns emerging ideas in representation learning, reinforcement learning, and multimodal AI into controlled experiments, then subjects them to ablation studies, error analysis, reproducibility checks, and difficult benchmark comparisons before deciding what deserves to move forward. His contributions have included distributed training infrastructure, synthetic-data pipelines, GPU-optimized model components, evaluation frameworks for language models, and perception systems tested on real robotic hardware. Jiayi is most valuable at the uncertain stage of a project, where the literature offers several plausible directions, the data is imperfect, and progress depends on equal fluency in scientific reasoning and production-quality software.
评价 (8)
- gentle_jay
とても助かりました
- sunlit_piglet
太简单了，没什么挑战。
- earnest_gosling
太好了！
- fluffy_leopard
too easy
- nifty_cub
进度太快，跟不上节奏。