最近在 survey 一些東西，注意到各網站都有屬於它們的白皮書，讓我有點好奇它的定義到底是什麼，又有那些顏色的皮書，所以就有了這篇。

本週主題：Types of Learning，介紹機器學習各種類型的問題，將問題依照不同的標準進行分類。

前一陣子工作上在 Survey 的東西，想了解深度學習在醫療影像上目前的近況、模型訓練的難易度和應用場景…等。最後挑選了吳恩達的團隊所設計的 CheXNet 來入手。

本週主題 ：Learning to Answer Yes/No，就是學會說 Yes/No 問句，其實是學會進行二元分類（Binary classification）

過年大掃除的時候發現，我的草稿夾內塞滿之前寫一半的草稿，想說欠都欠過年了，還是讓它繼續欠下去吧(誤)…

這是第一週的的上課筆記，有四支上課影片，另外還有一些閱讀教材，不過因為是第一周課程，所以上課內容不外乎是：

1. 這堂課程的簡介與進度安排之類的
2. 機器學習簡介

最近終於想到要來還債了，明明修了這門課，但卻老是不乖乖上課，現在來還債了 orz
這堂課有分上下，上集是數學的部份，下集則是討論演算法的部份（應該是吧，還沒修課，不太確定…）

記錄一下最近使用的影像資料增強工具 - Augmentor，可用來做訓練圖像生成與雜訊添加…等

大家應該或多或少遇過這樣的情境：

當您開發作到一半時，遇到緊急的 issue 要先修。
或是遇到老闆要插單，要求先完成哪個 function 。

人家是衣食父母也不好不甩人家，只好先擱置手邊的工作啦…

當評估（Evaluation）一個模型的好壞時，不能總是依靠體感來挑選，因此需要一些量化指標去判定它的好壞。常見的量化指標有 Accuracy、Precision、Recall 與 F1-Measure。有時也會使用 ROC-AUC 與 PR-AUC 還評估在相同資料集下的表現結果。