iT邦幫忙

machine learning相關文章
共有 111 則文章
鐵人賽 Everything on Azure DAY 8

技術 Azure Machine Learning Studio 資料前處理 - 數學運算 Apply Math Operation (3) Rounding、Special、Trigonometric

上一篇的運算是針對兩個欄位加減乘除或比較後的結果,接下來要介紹的 3 種運算是針對某一欄位的計算結果,感覺是 Basic 基礎運算的擴充,同樣可以將結果以新欄位...

鐵人賽 AI & Data DAY 20
跟著Google學ML 系列 第 20

技術 [Day 20] Training神經網路

Ref.: Training Neural Networks 影片中講到Backpropagation,它是一種利用chain rule連鎖率這個數學法則,...

鐵人賽 Everything on Azure DAY 7

技術 Azure Machine Learning Studio 資料前處理 - 數學運算 Apply Math Operation (2) 比較 Compare、運算 Operations

若資料集中的兩個特徵值關係或特徵值與某一常數值關係有可能影響結果,那我們可以透過 Apply Math Operation 中的 Compare 及 Opera...

鐵人賽 AI & Data DAY 19
跟著Google學ML 系列 第 19

技術 [Day 19] 神經網路Neural Networks介紹

Ref.: Introduction to Neural Networks 先來回想我們在Day 13 feature crosses提到的nonlinea...

鐵人賽 Everything on Azure DAY 6

技術 Azure Machine Learning Studio 資料前處理 - 數學運算 Apply Math Operation (1) 基礎 Basic

在 Azure Machine Learning Studio 中,Statistical Functions 統計函數包含了許多運算方法,可以針對現有的資料進...

鐵人賽 AI & Data DAY 18

技術 19 Convolution 運算

熱身運動都做好了,接下來我們就一路往影像處理上的重要技術 CNN 前進啦! Convolutional neural network,顧名思義,他是一種神經網路...

鐵人賽 AI & Data DAY 18
跟著Google學ML 系列 第 18

技術 [Day 18] Regularization - Sparsity

Ref.: Regularization for Sparsity Regularization在 Day 14時說過L_2 Regularization,...

鐵人賽 AI & Data DAY 17

技術 18 Multi-layer preceptron

我們來更具體一點講 multi-layer perceptron (MLP)。 最簡單的版本莫過於 linear MLP,不過不太會有人去用他,其實只是每層 l...

鐵人賽 Everything on Azure DAY 5

技術 Azure Machine Learning Studio 資料前處理 - 重複值 Remove Duplicate Rows、離群值 Clip Values

除了上一篇提到的缺失值、空值資料以外,重複值以及離群值的資料也需要一併處理,資料如果有重複,會加重對結果的影響,若是資料有離群值,有可能是因為數據記錄錯誤或是誤...

鐵人賽 AI & Data DAY 16

技術 17 Autoencoder

既然前一篇提到學習特徵是一件重要的事,那麼我們就來講講 autoencoder 吧! Autoencoder 就是一個 unsupervised 方法,試圖學習...

鐵人賽 AI & Data DAY 17
跟著Google學ML 系列 第 17

技術 [Day 17] Classification(下)

Ref.: Classification 昨天講了Threshold、TP/TN/FP/FN、Accuracy、Precision、Recall,忘了趕快回...

鐵人賽 Everything on Azure DAY 4

技術 Azure Machine Learning Studio 資料前處理 - 缺失值、空值 Clean Missing Data

提供給機器學習訓練的資料,必須先經過整合(若有多個資料集的情況)、資料格式轉換、處理缺失值及不一致的資料,確保資料是正確、乾淨一致的,避免 Garbage in...

鐵人賽 AI & Data DAY 16
跟著Google學ML 系列 第 16

技術 [Day 16] Classification(上)

Ref.: Classification 看到有人關注這系列文章實在很開心,但盡信書不如無書,全信我不如不要學ML。 建議多看多學其他的source,以免...

鐵人賽 AI & Data DAY 15

技術 16 深度學習其實是一種 Representation learning

機器學習的技術已經發展了非常久的時間,我們有非常多的模型可以幫我們做預測,包含像是 regression、classification、clustering、s...

鐵人賽 AI & Data DAY 1

技術 [序幕] AI, Machine Learning, Deep Learning是什麼?

2018年堪稱是台灣的「AI 元年」,政府推動產業 AI 化,同時也不遺餘力的培養 AI 種子們。相信不管是在新聞媒體上或是公司內部都可常看到或聽到「AI」字眼...

鐵人賽 Everything on Azure DAY 3

技術 Azure Machine Learning Studio 資料前處理 - 資料格式轉換 Data Format Conversions

Azure Machine Learning Studio 的 Data Format Conversions 可將資料集的資料做格式轉換,有以下5種: Co...

鐵人賽 AI & Data DAY 15
跟著Google學ML 系列 第 15

技術 [Day 15] 邏輯迴歸分析Logistic Regression

Ref.: Logistic Regression 今天講跟機率、跟邏輯相關的迴歸分析,機率老實說我非常不OK,但還好看完不會碰到太深奧的機率理論。 對,機...

鐵人賽 自我挑戰組 DAY 1

技術 [第一天] 機器學習 RoadMap

在 再創奇蹟公司 待了6年已經習慣什麼東西都要有RoadMap,這樣有 schedul 老闆才能好好的用力的 Review 你~~~~ 最近有個很火紅的機器學習...

鐵人賽 AI & Data DAY 14

技術 15 為什麼要深?

接著我們就來到了蠻重要的問題,既然一個 hidden layer 的網路架構就可以逼近任何連續函數,那麼為什麼要深度學習? 對於這個問題,台大李宏毅老師有非常詳...

鐵人賽 Everything on Azure DAY 2

技術 Azure Machine Learning Studio 建立 hello world 實驗

進入 Azure Machine Learning Studio,通常會從設計實驗開始,以下透過5個步驟快速建立一個簡易的機器學習實驗: 步驟 1:新增實驗 (...

鐵人賽 AI & Data DAY 14
跟著Google學ML 系列 第 14

技術 [Day 14] Regularization正規化-Simplicity

Ref.: Regularization for Simplicity 今天要討論的問題,可以用下面這張圖看出來: 看到了嗎?紅色圈圈處多了一塊導致mod...

鐵人賽 AI & Data DAY 13

技術 14 淺層神經網路

為什麼大家到現在都這麼迷神經網路模型? 我想主因不是因為他是模擬生物而來,他有一些更扎實的數學特性。 我們前面講過各種線性模型,然後將他過渡到神經網路。 今天要...

鐵人賽 Everything on Azure DAY 1

技術 Azure Machine Learning Studio 簡介

Azure Machine Learning Studio 是個簡單好操作的機器學習工具。 進入Azure Machine Learning Studio 官網...

鐵人賽 AI & Data DAY 12

技術 13 Kernel SVM 與 RBF network

我們前面介紹了線性模型跟基本的神經網路模型。 可能有的人會覺得我怎麼不放神經網路的圖,看數學式子看的很痛苦。 是的,我的確沒打算放圖。一來神經網路的圖在各大網站...

鐵人賽 AI & Data DAY 13
跟著Google學ML 系列 第 13

技術 [Day 13] Feature Crosses特徵組合

Ref.: Feature Crosses Encoding Nonlinearity 這邊的概念很簡單,就是把Feature組合在一起餵進model。主要...

鐵人賽 AI & Data DAY 11

技術 12 從線性模型到神經網路

我們把線性模型們都大統一了。 接下來就要進入到令人興奮的神經網路模型了! 首先,我們先來介紹著名的感知器...嗯...前面不是介紹過了? 喔喔!對喔!他長這個...

鐵人賽 AI & Data DAY 12
跟著Google學ML 系列 第 12

技術 [Day 12] Representation

Ref.: Representation 一直想不到最好的翻譯,Google一下找到資料科學協會說的: 機器學習分成三個主要部分:表現 (Represen...

鐵人賽 AI & Data DAY 11
跟著Google學ML 系列 第 11

技術 [Day 11] Validation

課前練習: Exam Ref.: Validation 記得我們昨天講的Training set and test set,我們分成Training set...

技術 K折交叉驗證

想請問關於k折交叉驗證 1.我自己隨便建立一個np.array如下 X = np.array([[1,2],[3,4],[1,2],[3,4],[1,2],[3...

鐵人賽 AI & Data DAY 10

技術 11 廣義線性模型

我們前面探討了不同的資料型態可以對應不同的迴歸模型。 不覺得每個迴歸模型都有那麼點相似的地方嗎? 線性迴歸: 羅吉斯迴歸: Poisson 迴歸: 在右手...