iT邦幫忙

machine learning相關文章
共有 161 則文章
鐵人賽 AI & Data DAY 30

技術 [落幕結語] 第一次參加鐵人賽心得

參加鐵人賽完全是一個契機,優秀好同事兼朋友 Rex 在報名最後一天的問我要不要參加,思考了一下,覺得是有東西想說的,大概擬了主題和大綱,就加入這屆 iT 邦幫忙...

鐵人賽 AI & Data DAY 29

技術 [魔法小報] 深度學習在自然語言處理(NLP)的技術與應用

自然語言處理(NLP)的目標是設計演算法來讓電腦「理解」自然語言以執行一些任務,依難易度舉例如下: 簡單 拼寫檢查(Spell Checking) 關鍵字搜...

鐵人賽 Everything on Azure DAY 30
Azure Machine Learning Studio 系列 第 30

技術 Azure Machine Learning Studio 資源庫 Azure AI Gallery

Azure Machine Learning 提供一個示範機器學習的資源庫 - Azure AI Gallery,可以幫助我們快速上手,它提供了許多常見問題的解...

鐵人賽 AI & Data DAY 28

技術 [魔法小報] 深度學習在電腦視覺(Computer Vision)的技術與應用

電腦視覺(Computer Vision)一直是我非常著迷的領域,旨在模仿人類視覺系統,作為賦予機器人智能行為的助力,在1966年夏季,MIT AI LAB 成...

鐵人賽 AI & Data DAY 27

技術 [實戰系列] 使用 Keras 搭建一個 DQN 魔法陣(模型)

在理解 DQN 魔法陣的結構後,本篇來帶大家訓練 DQN 模型玩 Flappy Bird,引用參考的程式碼在此:https://github.com/yanpa...

鐵人賽 Everything on Azure DAY 29
Azure Machine Learning Studio 系列 第 29

技術 Azure Machine Learning Studio 搭配 Power BI 可視化模型

若預測模型建置完成,可能會需要依據預測的結果,製作報告或執行公司決策等等,為了方便解釋結果,可以搭配 Power BI 可視化預測的相關數據資料,以下範例是將成...

鐵人賽 AI & Data DAY 26

技術 [魔法小報] Attention 機制的引進

要介紹 Attention 機制,就不能錯過這篇經典:Google 在 NIPS2017 上發表的論文《Attention Is All You Need》。本...

鐵人賽 Everything on Azure DAY 26

技術 [DAY26] 使用Azure Machine Learning Studio做自然語言情感分析(3):機器學習模型(Logistic迴歸)、 模型評價及佈署

在前兩篇,我們將影片評論的資料做了資料處理,也根據自然語言分析的幾個基本概念做了資料過濾及詞彙Entity的抽取及計算相關機率。在今天的實作,我們將繼續帶大家進...

鐵人賽 Everything on Azure DAY 28
Azure Machine Learning Studio 系列 第 28

技術 Azure Machine Learning Studio 將實驗發佈成 Web Service

在 Azure Machine Learning Studio 完成實驗後,可以將模型發佈成 Web Service,在 Azure 上運行,從不同的應用程式中...

鐵人賽 Everything on Azure DAY 27
Azure Machine Learning Studio 系列 第 27

技術 Azure Machine Learning Studio 使用 SQL 語法 Apply SQL Transformation

在 Azure Machine Learning Studio 中,可以使用 Apply SQL Transformation 針對輸入的資料集執行 SQL...

鐵人賽 AI & Data DAY 25

技術 [魔法陣系列] Deep Q Network(DQN)之術式解析

「Deep Learning模型最近若干年的重要进展」一文提到深度學習分四個脈絡: CV/Tensor 生成模型 Sequence Learning Deep...

鐵人賽 Everything on Azure DAY 25

技術 [DAY25] 使用Azure Machine Learning Studio做自然語言情感分析(2):自然語言分析資料過濾篇及NLP簡單概論

在上一個章節,我們備妥了影片評論的資料,並且將0和1與負面及正面情緒做了前置的對照處理。上一篇的連結如下: [DAY24] - 使用Azure Machine...

鐵人賽 Everything on Azure DAY 26
Azure Machine Learning Studio 系列 第 26

技術 Azure Machine Learning Studio 文字分析 Preprocess Text

若資料集有包含大量文字,而且需要使用此資料來協助預測,在 Azure Machine Learning Studio 中,可以使用 Preprocess Tex...

鐵人賽 AI & Data DAY 24

技術 [魔法小報] 用圖表呈現深度學習的商業應用價值

在 魔法陣系列 中,有說明不同魔法陣的應用例子,而這篇想用圖表來帶出整體深度學習的應用幅度,讓各位準魔法使們一覽在深度學習在各行業的魔法效果有多強大。 深度學...

鐵人賽 Everything on Azure DAY 24

技術 [DAY24] 使用Azure Machine Learning Studio做自然語言情感分析(1):資料處理及分類篇

[DAY24] 使用Azure Machine Learning Studio做自然語言情感分析(1):資料處理及分類篇 前面的文章正好把應用程式的開發及部署都...

鐵人賽 Everything on Azure DAY 25
Azure Machine Learning Studio 系列 第 25

技術 Azure Machine Learning Studio 推薦模型 Train Matchbox Recommender

Azure Machine Learning Studio 中的 Train Matchbox Recommender 推薦模型可以針對客戶提供多個推薦項目,例...

鐵人賽 Everything on Azure DAY 24
Azure Machine Learning Studio 系列 第 24

技術 Azure Machine Learning Studio 使用 Python - Execute Python Script

Python 有許多數據分析的套件,包含: NumPy (Numerical Python): 支援高階大量的維度陣列與矩陣運算,此外也針對陣列運算提供大量的...

鐵人賽 影片教學 DAY 24

技術 人工智慧 (2/2)

[Day 24] 人工智慧 3.2:機器學習 (29min) -- 監督式學習 (Supervised Learning) => 分類 (Classi...

鐵人賽 Everything on Azure DAY 23
Azure Machine Learning Studio 系列 第 23

技術 Azure Machine Learning Studio 迴歸 Regression

回歸分析(Regression)通常用來預測數值資料,像是價格、溫度...等等。其中提升決策樹是使用多個決策樹來產生更好的預測模型,以下範例為使用提升決策樹迴歸...

鐵人賽 Everything on Azure DAY 22
Azure Machine Learning Studio 系列 第 22

技術 Azure Machine Learning Studio 使用 R - Execute R Script

在 Azure Machine Learning Studio 中,若想要透過 R 語言擴充其功能,可以使用 Execute R Script,直接將程式碼貼至...

鐵人賽 Everything on Azure DAY 21
Azure Machine Learning Studio 系列 第 21

技術 Azure Machine Learning Studio 分群 - K-Means Clustering

分群(Clustering)演算法是使用非監督式學習方法將相似的資料聚集在一起,跟分類(Classfication)演算法不同的地方在於無法提前知道輸出類別有哪...

鐵人賽 AI & Data DAY 19

技術 [魔法小報] 機器學習路上的強力支援們(網路學習資源推薦)

不重要之交代:因為這兩天在台南抓寶可夢,所以出刊的比較晚,來抓寶可夢的外國人也好多呀~ 如果你跟我一樣追尋著 Data Scientist 的目標,你大概有...

鐵人賽 Everything on Azure DAY 20
Azure Machine Learning Studio 系列 第 20

技術 Azure Machine Learning Studio 分類 - 多類別分類 Multiclass Classification

多類別分類(Multiclass Classification)用在當實驗的預測結果不只分成兩類別的時候,像是字母手寫辨識、數字手寫辨識、NBA 季後賽的優勝隊...

鐵人賽 Everything on Azure DAY 19
Azure Machine Learning Studio 系列 第 19

技術 Azure Machine Learning Studio 分類 - 二元分類 Two-Class Classification

分類(Classification)為預估模型常用的方法,在 Azure Machine Learning Studio 中的分類演算法依據結果類別數量,分成二...

鐵人賽 AI & Data DAY 16

技術 [魔法小報] 深度學習 vs. 傳統機器學習

今天來談談深度學習跟傳統機器學習的比較,主要從 Data、計算資源、特徵萃取 等三個方向進行討論。 深度學習(Deep Learning)的成功主要是基於大量可...

鐵人賽 Everything on Azure DAY 18
Azure Machine Learning Studio 系列 第 18

技術 Azure Machine Learning Studio 演算法比較 - 評估模型 Evaluate Model

上一篇有提到,在建立完預測模型後,可以使用 Evaluate Model 評估模型來檢視模型的效能,而除了單一模型檢視外,Evaluate Model 也可以用...

鐵人賽 AI & Data DAY 30
跟著Google學ML 系列 第 30

技術 [Day 30] Machine learning crash course最後的總結

Yap, 這篇沒有Reference,而是要總結我這個月所學的Machine learning crash course(MLCC)。 Machine lear...

鐵人賽 Everything on Azure DAY 17
Azure Machine Learning Studio 系列 第 17

技術 Azure Machine Learning Studio 訓練模型 Train Model、計分模型 Score Model、評估模型 Evaluate Model

在 Azure Machine Learning Studio 建構一個預測實驗,可以使用 Train Model 先訓練這個模型,然後再用 Score Mod...

鐵人賽 AI & Data DAY 29
跟著Google學ML 系列 第 29

技術 [Day 29] Real-world examples

這部分的內容應該已經告一個段落,剩下三個Youtube介紹 real-world examples而已,但還有另外兩個大項目Problem Framing跟Da...

鐵人賽 Everything on Azure DAY 16
Azure Machine Learning Studio 系列 第 16

技術 Azure Machine Learning Studio 交叉驗證 Cross Validate Model

一般我們會將資料集樣本分為兩部分,約 70% 當作訓練集,用來建立模型,另外 30% 當作測試集,用來測試訓練好的模型效能。但也有另一種做法就是交叉驗證(Cro...