選手列表
從統計方法 ARIMA、自迴歸模型,到機器學習迴歸數值模型、神經網絡 RNN、LSTM、GRU,再到使用 self-attention 機制的 Transformer、開源套件如 Prophet, Greykite, Orbit 等,介紹從古至今的時間序列預測模型演進,並以資料集實作案例,討論成效比較。
"人生苦短我用Python!" 今年又開始上了二個AI人工智慧&Python的課: Python程式設計應用實務班 AI人工智慧自然語言與語音語意辨識開放應用實務班 希望以後可以用AI讓自己生活更好! 以後可以用AI來預測、寫代碼、樂生活! 在人工智慧時代 Python 成為一種顯學!
行百哩路半九十,即便各種先進的AI模型如雨後春筍般化為現實,AI成功落地佈署至商業情境仍是困難重重,營運中的商業服務如何調整其ML算法,讓服務經得起時間及使用者的考驗,必須反覆推敲範疇、資料、模型及佈署的問題,進一步而言,有沒有關於AI落地、ML in Production、MLOps的解決方案? 既然佈署機械學習ML的工程實務逐漸歸納並越受重視,也多虧軟體工程DevOps精神興起與CI/CD實務越漸普及,本系列期待透過鐵人賽將系列知識做個梳理,拋磚引玉,協助銜接ML商務落地的一哩路,以及對AI有志趣者,補充除了AI建模以外需要關注的面向。
Python Intro to Machine Learning Intermediate Machine Learning Intro to Deep Learning Feature Engineering Competitions
讓"人人都是數據分析師"不再只是農場文章標題, 介紹為什麼與如何選用AWS雲端資源; 實踐利用雲端平台處理大小量資料, 體會在巨人們的肩膀上看得更廣更遠!
藉由這次自我挑戰的機會,創作系列文章將 Tableau 帶給各位讀者。希望可以達成自我期許的目標:「提供讀者想要實作某些功能時,有個可以思考的方向,或者可以想到回來參考這些文章」。也因為如此,這系列的文章不會著重於資料背後的故事,而是專注說明每個概念與功能的使用。
主題是【從資料庫到資料分析視覺化】, 希望可以更深入的了解data, 從資料庫的架構,資料的攫取,資料清理, 結合統計學到的知識挑出有用的數據, 最後加以視覺化。 主要還是邊做邊學, 看哪個部分是自己有興趣,或是想要加強的, 看是想要加強統計、決策分析、演算法、數據探勘、machine learning 還是NLP , 讓大三選課更有方向! 也可以同時思考自己適不適合走data, 因為也要挑研究所的program了~
去年的這個時候,因緣際會之下,受朋友之託,要我幫忙教一下一些 Azure 上有關 AI 的應用。東摸西摸,摸了好長一段時間,踩了不少地雷,終於也試出了一些成果,這些成果拼拼湊湊,竟然也是可以做出一些有趣的應用。在這次的活動中,我會盡可能利用 Azure 上的各種服務,做出帶有 AI 功能的 Line chatbot。主要的內容會圍繞在 Azure Cognitive Services 和 Azure Machine Learning上的應用。
感覺AI是一座門檻, 沒有資訊方面碩士學歷、沒有統計學的知識、沒有經歷專案、或是沒有大神帶, 要如何入門呢? 我希望能以實際操作,讓一般人也能夠有操作到AI套件的機會, 並且對生活有幫助或是解決問題。