系列文章
[Day 11] 從理論到實踐：完成Frozen Lake的Q-learning訓練
前言 昨天提到了一個Q-learning中的策略 Epsilon-greedy 策略，那這個東西到底是甚麼呢？他跟Q-learning有甚麼關係呢？今天的文章就...
[Day 12]強化學習實戰最終章：FrozenLakeAgent 完整訓練與評估展示
前言 終於到了我們強化學習的最終章節了，今天就會把我們整個訓練完成囉，那廢話不多說，直接來看我們的程式！ 程式 run功能 在這邊我們定義了一個運行的函數，...
[Day 13] 從機器學習到深度學習：人工智慧的下一步
前言 前幾天將一些簡單的機器學習方法及實作完成了，接著我們將開始新的篇章深度學習，讓我們繼續往下更深入的了解人工智慧的奧秘吧！ 什麼是深度學習 那甚麼是深度學習...
[Day 14] 人工智慧的核心：類神經網路
神經網路 前言 昨天提及了神經網路，也說到他在人工智慧領域中，類神經網路和深度學習是兩個密切相關且至關重要的概念。今天就會入探討這兩種技術，說明它們的關係，並探...
[Day 15] 卷積神經網路：影像識別的核心技術初探
Day15 卷積神經網路 (CNN) 前言 前幾天在深度學習的文章中有提到CNN卷積神經網路，今天我們會快速的介紹這個神經網路，讓大家對這個有初步的認識，未來幾...
[Day 16] 循環神經網路 (RNN) 的應用與原理
前言 昨天提到了一個被廣泛應用的模型架構 CNN ，CNN因為他優異的表現被廣泛應用於圖像處理、物體檢測與影像分類等任務。但是當我們處理帶有時間依賴性或順序關係...
[Day 17] LSTM：突破RNN限制的長短期記憶網路
LSTM 長短期記憶網路 什麼是LSTM？ LSTM（Long Short-Term Memory）是一種特殊的循環神經網路（RNN），也就是昨天提到的RNN的...
[Day 18] 認識深度學習的Hello World! MNIST訓練資料
前言 在學每一個新的程式語言的時候，相信大家第一個寫的一定都是Hello World!吧，那在深度學習領域中，最經典的就是MNIST手寫辨識了。今天我們會透過t...
[Day19] 打造深度學習的 HELLO WORLD！建構卷積神經網路
前言 昨天已經成功引入資料及了解了激勵函數作用，那我們今天實際來將這些運用進來吧。今天會用到的東西會跟Day15提及的很有相關，所以建議不熟悉的朋友們可以先去看...
[Day 20] 深度學習的Hello World！訓練模型並探討過度擬合
前言 在昨天的內容中，我們建立了一個卷積神經網路（CNN），並了解了各層的作用與模型的結構。今天，我們將進一步進行模型的編譯與訓練，並且觀察其性能表現。透過使用...