選手列表
資料專案的類型可以依照資料產品特性分為原始資料、加工資料、模型、輔助決策以及自動決策等五種。這五種產品在開發與設計上有各自需要注意的地方,彼此在應用上也互相關聯依賴,這種特性造成了資料產品或專案在開發以及管理上的困難。 這系列文章會將過去處理過資量產品的經驗,轉變成更有系統的管理以及開發方式,讓資料科學家、工程師、專案經理以及需求方都能夠站在相似的基礎上來討論事情,讓資料產品開發專案過程更為順利。
隨便想想,可能會包含: - 推薦系統的模型 - 怎麼快速地處理大量運算的一些方法 - 推薦系統的問題分類 但說不定根本不會寫完XD
本次挑戰要完成如何用 YOLO 來對觀賞魚進行辨識的全端實作,包含後端 API,後端模型訓練以及前端手機開發,讓使用者可以透過手機上傳一個圖片來完成觀賞魚的辨識。全部的開發環境會在 AWS 中完成,目前暫定用 EC2 來進行訓練以及預測,如果可以,會希望用 AWS SageMaker來完成,已達到無服務器的理想。
在machine learning外圍打轉了12年,跟data打交道一年的前data engineer,想寫出自己對AI大小事的了解、學習與實踐,亦或是唾棄。
你是否曾試想過出一張嘴就能獲取一切資訊的情境呢? 在Google、Amazon、Apple發表各家的語音助理後,這個想像逐漸在現實生活中真實上演。 各家巨頭為了增加使用情境,皆以不同程度開放第三方開發者能建構自己的APP並上架供使用者使用。 在這一系列的文章中,將帶領各位一窺背後的開發流程。 從了解「語音使用者介面設計」,到使用DialogFlow手把手建構出一個屬於自己的Google Assistant APP。 最後,將帶領各位看看語音對話為基礎的APP能在哪些地方提供更實用的協助。 希望這一系列文章結束後能讓你加入開發的行列!
為什麼標題是羽化為資料科學初學者,而不是資料科學大師? 因為阿~怎麼可能有人能在30天就專精這個領域呢~ 正題: 本篇將教你認識 numpy、pandas、pytorch、sklearn、seaborn 各套件 注重於如何實際操作 為你整理各套件的實用方法 最後實際帶領操作Kaggle Titanic 進入前5%
全世界的 AI 發展正處於上升期,各國政府、企業都努力於導入 AI 技術,為轉型做準備。然而, AI 的開發前提建立在「問題制定」與「資料已蒐集完備」的情形下方能進行。現實當中資料取得不易,使得 AI 專案的開發有極高的門檻。 Metaverse 是一個集體虛擬共享空間,由虛擬增強的物理現實和物理持久性虛擬空間。簡單說來,Metaverse 是一個真實世界的縮小版本,而我們有著對所有事物的掌控。 在此主題,我將探討以下: 1) Metaverse 環境當中復現現實 2) 虛擬環境與資料蒐集 3) AI 模型訓練 4) 模型佈署 與 模擬
身為一個碩二即將要畢業的人 利用這30天來survey論文題目
你身為學生常在網路上或同學說網路爬蟲現在很流行,想知道這到底是甚麼?學習了 requests + beautifulsoup 爬蟲,想了解更多網路爬蟲技巧但缺乏實戰?或是辛辛苦苦寫了一隻網路爬蟲,但被網頁的反爬蟲技術擋下? 30 天簡述多種類型網路爬蟲與原理,並佐以基礎知識及實戰演練。常見反爬蟲技術及可行應對方案。