本文档概述了深度学习工作流程，包括目标设定、数据收集、模型设计、训练和评估等关键步骤。作者讨论了数据多样性、模型架构设计及性能指标等技术细节，强调了拟合不足和过拟合的问题。最终，文档还探讨了如何通过学习曲线和推理过程来改善模型性能。

1. 從開始到哭泣
深度學習⼯作流程

2. 前⾔
▸ ,
▸
▸ -
▸ -
,
▸ ,
,

3. 深度學習⼯作流程
▸
▸
▸
▸
▸
▸
▸

4. 預期與現實的殘酷
"Hidden Technical Debt in Machine Learning Systems" NIPS 2015, Google Inc.

5. 確定⽬標
▸
▸

6. 不同種類的預測操作
https://www.coursera.org/specializations/deep-learning

7. 不同種類的RNN 模型
https://www.coursera.org/specializations/deep-learning

8. 收集數據集 -挑選有效數據
▸ ,
▸ ,
,
,
▸
,

9. 收集數據集 - 增加數據多樣性
▸
▸ ,
▸ ,

10. 收集數據集 - 幫數據打上標籤
▸ , ,
▸ , ,

11. 舉例：⽤⽣產率，溫度和振動, 判斷機械異常
▸ ,
▸ 10

12. 設計模型架構的考量
▸
▸
- , , ,
-
-
▸
▸ ,
▸

13. 數據表⽰法
▸ 0 42
▸ , 1 [42 35 8]
▸ : 2D , 2
[[1 2 3]
[4 5 6]
[7 8 9]]
▸ :
[[[10 20 30]
[40 50 60]
[70 80 90]
[[11 21 31]
[41 51 61]
[71 81 91]]

14. 根據數據⽣成特徵
▸ ,
▸
,
▸ ,
▸ ,
HxWxC RGB

15. 不同取樣時間的數據 - 加窗處理
▸
▸ [102, 34, .18]

16. 正規化
▸ ,
0 1 , .
▸ , 8 0 255
0 1 255

17. 模型訓練
▸ ,
.
https://playground.tensorflow.org/

18. ⽤機器學習的⽅式思考
▸
, , , ,

19. 常⾒的性能指標是損失和準確性
▸
.
▸ Loss Accuracy

20. 訓練，驗證和測試
▸ ,
60 20 20
▸

21. 擬合不⾜和擬合過度
▸ , ,
▸

22. 擬合不⾜
▸
▸
,

23. ▸ ,
,
▸
▸ , , ,
DropOut ...,
擬合過度

24. 計算學習曲線的偏差與⽅差
▸
,
▸ ,
, ,

25. 透過學習曲線觀察模型訓練狀況

26. 改善模型的性能
▸ , ,
▸ ,
, ...
▸ , ,
▸ , , ,
▸ , .
▸
(Deadline )

27. ⽤模型進⾏推理
▸
▸ , ,
10
6

28. 評估和故障排除
▸
▸
▸ , , ,
▸
▸
▸
▸
▸
▸
▸