系列文章
Day 11｜文本中的重點詞：TF-IDF
引言 前一篇我們談了 Bag-of-Words (BoW)，用統計詞頻的方式，把文本轉換成向量。不過 BoW 有一個問題，單純統計詞頻的方式，會看到一些常見詞（...
Day 12｜語意向量：Word2Vec
引言 在前幾篇的內容中，介紹了 Bag-of-Words 與 TF-IDF，這些把文本轉成向量的方法，但因為他們是用「詞頻統計」的方式，所以屬於 稀疏向量（sp...
Day 13｜語境中的向量：Contextual Embedding
引言 昨天我們介紹 Word2Vec，學會了怎麼把文字變成 語意向量。但這只是用數字來表示語意的第一步！語意可是比你想得更複雜許多～～還記得我們在本系列的第二篇...
Day 14｜模型訓練流程概覽
引言 在前面的文章裡，我們聊了 NLP 是什麼、語料的前處理，也看過文字要怎麼轉換成數字。但是，這些都只是前置預備作業！真正要讓電腦能夠做各種 NLP 任務的關...
Day 15｜用機率猜猜看：Naive Bayes
引言 大家可能會跟我有一樣的經驗，就是每天出門前都會糾結一個問題：「今天要不要帶傘？」帶傘的話，包包變好重；不帶的話，下雨就慘了...（但是身為政大的學生，包包...
Day 16｜模型做選擇題：Decision Tree & Random Forest
引言 想像一下，你現在要決定「是否要出門打籃球？」你可能會透過幾個因素來評估，例如：「是否有同伴」、「天氣狀況」、「場地狀況」等等。所以在你的腦中，可能會經歷像...
Day 17｜機率式的線性分類：Logistic Regression
引言 在前兩篇的內容，我們看過了 Naive Bayes（用機率來猜分類），還有 Decision Tree & Random Forest（用問問題來...
Day 18｜最大間隔的線性分類：SVM
引言 在前一篇文章，我們介紹了 Logistic Regression 🚪傳送門，它的做法是用 Sigmoid function 把資料轉成機率，再依機率來進行...
Day 19｜模擬大腦的世界（上）：Neural Network 入門
引言 人腦大約有 860 億顆神經元，這些神經元彼此透過突觸相連，可以將訊號接收跟發送出去。在這樣龐大的神經元數量的連接下形成一個非常複雜的網路，來維持大腦的運...
Day 20｜模擬大腦的世界（下）：Backpropagation 與 FNN 實作
引言 昨天我們認識了神經網路的基本概念包括：神經元如何接收輸入、加權求和，透過激活函數如何轉換成非線性模式並產生輸出。 一個神經元的計算會需要有輸入特徵 𝑥，...