系列文章
前言 | ML#Day1
AI和資料科學在最近幾年是非常火紅的話題，日常已經可以隨處可見各種廣告或者企業將AI掛在嘴邊，聲稱其應用採用AI人工智慧，幫助產品或者使用方式更加智能，為生活帶...
了解必要的概論 | ML#Day2
ML 最主要的目的是得到一個數學函式，或者是說數學模型，然後運用該模型來得到想要的結果。 所謂模型，以資訊工程的角度簡單解釋，可以像是MD5或者sha1 那樣的...
ML是一種方法 | ML#Day3
在踏入ML領域的第一步，也是最核心的關鍵，就是決定命題。 那麼會想解決什麼樣的問題呢？ 若要在工作上落地應用，想必是與業務相關的問題，也因此本身題目的決定就是很...
挑選命題的要件 | ML#Day4
過去那一段時間，直到感受做不出明確的實作成果，和夥伴才意識到題目有問題。 經驗整理一下，或許可以用幾個面向來決定我們的題目： 1. 結果的資料型態： 連續型資...
模型有適用性 | ML#Day5
一開始因為不太清楚怎麼理解ML的學習脈絡，而盲目的亂看各種數學模型的基本原理，以及訓練用的參數和函式怎麼挑選等等，甚至回頭唸了一段統計，試圖從中挑選最好的方式，...
用題目找參數的困難 | ML#Day6
我們遇到了一些困擾與令人印象深刻的問題與經驗。 有個問題是這樣：先決定題目後再挖掘參數，還是看已有的參數有什麼去想像能做什麼題目？面臨到的是決定好題目但系統卻沒...
特徵處理的概念 | ML#Day7
所謂參數，是在ML裡面最關鍵也最麻煩的部分，俗話說garbage in garbage out，輸入的內容不洽當，模型做得再好也無用武之地。 在ML裡面會納入的...
特徵萃取 | ML#Day8
需要發展「特徵工程」的另一個入門大問題，是沒有想過會需要做特徵提取的工作，也就是從參數裡面得到新的參數，沒踏入這個領域，真的沒想到還要做這個。 這個步驟其實可以...
資料的含義 | ML#Day9
實務上，我們可能並沒有自己想的那麼了解系統的真實面，這也造就一些起步上的困難，反思一下，這也關於問題的選定，與挑選參數的過程與方式，有些相關延伸思考的地方。 打...
前兩次題目的結論 | ML#Day10
接下來跟大家分享我們的入門命題，其實是第三次的題目了，就這點而言，感謝團隊擁有這樣的彈性，並願意一同檢討過去的得失，將經驗成為下次施做的養分。 前二次題目的出發...