iT邦幫忙

2019 iT 邦幫忙鐵人賽

DAY 3
0
Security

機器學習在計算機安全上的練習題系列 第 3

topic 2: 惡意評論分辨-1

  • 分享至 

  • xImage
  •  

到這裡,我們可能對機器學習 project 的套路有一點感覺了,大概如下:

  1. 資料清理/前處理
  2. 特徵工程
  3. 建模
  4. 訓練
  5. 評估模型

但套路中的法門就很深了…整個跑火車(training)的過程,60% 70% 的時間花在前兩點,也是很合理的。深度學習(DL)的出現,不僅因為 GPU 加速的關係,讓類神經的模型復興,可以隨著資料量增加,準確度提升,這件事是以往機器學習作不到的。

此外,在圖片、音訊、自然語言…等方面,也有了新的特徵工程的套路。例如以往我們作不同物品、人像辨識時,可能會需要不同的 feature extraction ,例如行人辨識可能會用到 HOG ,在其他類型的圖片辨識可能會有完全無法套用的情形。現在這一次,都交給卷積處理。

回到今天原本要講的主題,出現在實戰第七章,負面評論識別,我們今天先跑一個類似而簡單的範例,也就是 keras 範例[註1]裡,電影評論情緒識別[註2],colab notebook 跑的結果請看 gist[註3]

  1. keras/imdb_lstm.py at master · keras-team/keras
  2. Sentiment Analysis
  3. fork from https://github.com/keras-team/keras/blob/master/examples/imdb_lstm.py

上一篇
主題1 :CAPTCHA
系列文
機器學習在計算機安全上的練習題3
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言