21. Whether to user End-to-End Deep Learning
2023. 9. 15. 01:12ㆍGoogle ML Bootcamp/3. Structuring Machine Learning Projects
End-to-End
장점
- 충분한 데이터가 있다면 오히려 인간의 선입견이 담긴 중간과정들을 제외할 수 있다. (Let the data speak)
- 중간 파이프라인을 더 정확하게 하기위한 노력을 기울이지 않아도 된다. (Less hand-designing of components needed)
단점
- 많은 양의 데이터가 필요하다.
- 중간 파이프라인(hand-designed)에서 오는 이점들을 막아버릴 수도 있다.
'Google ML Bootcamp > 3. Structuring Machine Learning Projects' 카테고리의 다른 글
| 20. What is End-to-end Deep Learning (0) | 2023.09.15 |
|---|---|
| 19. Multi-task Learning (0) | 2023.09.15 |
| 18. Transfer Learning (0) | 2023.09.15 |
| 17. Addressing Data Mismatch (0) | 2023.09.15 |
| 16. Bias and Variance with Mismatched Data Distributions (0) | 2023.09.15 |