iT邦幫忙

第 11 屆 iT 邦幫忙鐵人賽

DAY 1
0

很幸運近日才剛有了想要一窺機器學習的念頭,就看見鐵人賽的宣傳,約略地看一下介紹,居然也有 Google 所準備的 ML 課程在其中,怎麼想都覺得是很不可多得的學習資源啊,謝謝有這樣的活動,可以不藏私地將這些知識分享給我們。

以下先就 Machine Learning with TensorFlow 所包含的五門課程中,依照目前看過的各項課程導論的內容,先自行來把之後需要學習的方向稍微梳理一下吧

Machine Learning with TensorFlow on Google Cloud Platform

一. How Google does Machine Learning

談論到機器學習的策略。在深入研究技術細節之前,需要先一覽機器學習的全貌。
使用TensorFlow進行機器學習,涉及兩個方面:
創建一個好的機器學習數據集、用TensorFlow構建一個機器學習模型。
將討論如何使用ML模型進行培訓,部署和預測,使其生產就緒。
課程最後將介紹幾種構建強大推薦系統的方法。推薦系統是構建個性化算法的方式。
為了構建強大的推薦引擎,需要理解從圖像和序列中使用的工具和技巧。

二. Launching into Machine Learning

了解機器學習的工作原理以及如何創建可以使用的機器學習數據集。
如何初始化這些權重?如何更改這些權重?如何使用損失函數優化模型?
當了解模型培訓和評估的工作原理後,也將看見機器學習時可能發生的常見問題,如何減少這類問題的發生率呢?
接著會認識機器學習的歷史演變。從天文學到商業等等的廣泛應用,透過許多自動化的任務,增強了這些應用的內容。
良好的機器學習要求我們創建允許泛化的數據集和模型,以可重複的方式這樣做的方法,以便支持實驗。
機器學習的目的是希望能夠根據新數據進行預測。
因此,不要在過往的訓練數據上過度擬合模型,這一點非常重要。

三. Intro to TensorFlow

掌握了數據,就可以開始練習編寫機器學習程了
GOOGLE 用來編寫機器學習的工具是TensorFlow
我們通常會想知道可能遇到的常見錯誤以及如何修復。因此,這裡將學習如何進行常見的故障排除和校正。
認識估算器API。 通過將模型包裝在一組通用API中,可讓我們專注於數據當中。
並學習如何以簡單的方式創建機器學習模型,訓練不適合內存的大型數據集,並在Tensorboard中監控您的訓練指標。
最後,學習如何執行在Cloud ML Engine上創建的TensorFlow模型。
這是運行TensorFlow的Google託管基礎架構。

四. Feature Engineering

繼續討論如何提高ML模型的準確性。
您如何知道數據在模型中是否有用?什麼是使功能更好的規則?
您如何創建新功能以進一步豐富您的數據集?這門課程將探討這些問題。

五. Art and Science of Machine Learning

培訓模型涉及了許多旋鈕和控制桿,嘗試手動調整它們以查看它們對模型性能的影響。
熟悉這些操作後,再來嘗試如何以自動的方式調整它們。
學習嵌入的重要概念,即將離散對象(如單詞)表示為實值向量。
使用TensorFlow的預構建估算值,並構建自己的自定義估算值。

只是身為一個在門外看熱鬧的人,想要在30天中就把這些課程給看過,不知道是否會過於貪心,淪於囫圇吞棗 XD,希望鐵人的發文壓力,能持續推動著未來的30日。

本文將同步紀錄於 PEISSION ( http://www.peission.com )


下一篇
[Day 2] 什麼是 Machine Learning (上)
系列文
Machine Learning Study 30天學習筆記19

尚未有邦友留言

立即登入留言