リモートでのML／GenAIインターンシップのレビュー日。 3つの動画。1つのルール。 トレーニングスコアは証拠ではない。 私が押さえたポイント： 1. 選択 行を保留する。 トレーニングで学習。バリデーションで調整。テストは1つの正直なスコア。 テストセットで調整してはいけない。 k-foldも同じ考え方で、回転させる。 2. フィット アンダーフィット：トレーニングとテストの両方で悪い。あまりに単純すぎる。 オーバーフィット：トレーニングでは優秀、テストでは悪い。宿題を暗記しただけ。 3. 損失 損失は誤差：実際値から予測値を引いたもの。 負にならないように二乗し、平均を取る。 数値にはMSEが必要。クラスには交差エントロピーが必要。 パラメータはその誤差を縮小する方向に動く。 3つの鍵： 損失はモデルにどれほど間違っていたかを教える。 バリデーションはその変更が一般化したかを教えてくれる。 オーバーフィットとは、トレーニング誤差が小さく、テスト誤差が大きいこと。 まだ疑問に残っていること：2つのモデルのテスト損失が似ている場合、より単純な方を選ぶべきか？