系列文章
目前的命題 | ML#Day11
根據前面作業做個檢討，決定新的題目需要有這些條件： 簡單、明確，即使團隊未參與ml研究的同仁，對於我們要做什麼也完全明白，沒有歧異。 可以擁有確定答案。 不論...
用訂便當講解訂定題目的用途 | ML#Day12
我們做一個題目，基本上簡單可分成兩種用途： 了解關係 預測未來 故事例子 假設工作日常之中，我負責幫忙大家訂中午的便當，一開始團隊有10個人，會訂11個便...
資料集格式 | ML#Day13
根據我們要做的題目，獲得的結果會是對應的訂單總金額，而訂單總金額是一個可能範圍很大的數值，也就是連續型的資料。 數值舉例來說，也許101,000，也許120,5...
簡單說迴歸 | ML#Day14
wiki 說明頁：迴歸分析 想了解詳細的說明，請見wiki或者其他參考資料。 或者也可以直接看下面，自己對關於回歸的簡單概念說明。 迴歸分析的本身來自統計學，統...
使用迴歸分析與其意義 | ML#Day15
選模型並非最重要 為什麼我們要以迴歸分析的方式來建立模型，其他方式可不可以？其實沒有說不行。 然而迴歸(Regression)是ML入門相對好理解的手段或方法，...
最小平方法 | ML#Day16
wiki頁面：最小平方法 詳細的內容就不在這裡贅述了，這裡依舊是介紹一點簡單的概念。 為什麼我們要提這個東西呢？因為需要稍微知道為什麼模型的結果無法那麼完美，而...
框架與挑選實作的階段 | ML#Day17
以下是我自己這一路學習ML過程中，整理出來的ML研究與實作，使用的演進脈絡，純屬個人觀感，並未有任何理論說明是這樣區分。 因為網路上的資料實在太多，這個領域的知...
介紹Vertex(1) | ML#Day18
Day1 的時候有提到我們公司使用的雲端方案是GCP (Google Cloud Platform)，相關的產品除了Google有推出之外，Azure 和AWS...
介紹Vertex(2) | ML#Day19
接下來我們從訓練新模型開始，就這個部分其實也可從頁籤資料集進入。 1. 來源選擇之後的統計 畫面上是讀取資料後的畫面，如果想換成別的csv，可以從「來源」那邊重...
介紹Vertex(3) | ML#Day20
Mail 通知 訓練好模型之後，Google會主動發mail通知。 訓練失敗 其實有可能訓練一半就失敗，目前遇過三種錯誤訊息分享給大家 資料筆數最少要10...