1.5 训练集、开发集和测试集的划分 训练集和开发集应该具有相同的分布（可通过随机化实现）   真实的失败案例：在中等收入地区邮编数据上开发（验证），却在低收入地区邮编上测试，浪费了3个月左右的时间 建议：训练集和开发集应该具有相同的分布   1.6 开发集和测试集的大小   旧的划分方法（70%训练数据，30%测试数据）在如今的大数据时代不再适用   开

20230607 updated:       C3W1 Quiz - Bird recognition in the city of Peacetopia (case study) Ans: True Ans: D 3. Ans: A 4. Ans: C 5. Ans: False 6. Ans: A、D

1.9 可避免偏差 人类水平和训练误差的差距称作可避免误差（avoidable bias）。相同的训练集误差和验证集误差条件下，优化策略取决于人类水平（可看作贝叶斯误差）的高低。比如，图片质量很低时，连人类都难以辨识，此时就不应期望机器能够识别的很好。 详细说明：     1.10 理解人的表现 问题引入：在以下图像识别示例中，应该如何定义“人类水平误差”？ 因为要