iT邦幫忙

machine learning相關文章
共有 713 則文章
鐵人賽 自我挑戰組 DAY 13

技術 Day 13: 人工神經網路初探 激活函數(上)

激活函數 Activation Function 數學方法去決定neuron輸出叫做激活函數(activation function)但neuron的輸出並不是...

鐵人賽 AI & Data DAY 18

技術 MLOps在金融產業: 4個步驟建立安全ML環境

在前面的MLOps在金融產業:常見案例與工作流程文章當中,曾經提到,在金融業當中的MLOps可帶來的規範文件、常見工作流程。 今天將針對提供安全的機器學習環境來...

鐵人賽 AI & Data DAY 17

技術 MLOps在金融產業:常見案例與工作流程

在金融產業的ML 在algorithmia的2021 年企業機器學習趨勢調查顯示,關於客戶體驗跟流程自動化的案例,其中幾個比較顯著的,像是改進客戶體驗、增進客戶...

鐵人賽 Software Development DAY 17

達標好文 技術 [Day17] 不可以比中指! 用Python做一個AI有禮貌神器!

比中指是一個相當不禮貌的行為,但有時候太生氣還是會不小心比出來對吧?既然無論如何都會比中指的話,那就把中指加上馬賽克吧! (這什麼結論) 開發環境 Pyth...

鐵人賽 自我挑戰組 DAY 11

技術 Day 11: 人工神經網路初探 基礎知識建立

前篇我們介紹了關於機器學習的基礎名詞以及分類總集,接下來就讓我們細講人工神經網路的運作原理及基礎結構吧! ※注意※ 英文專有名詞翻譯過來可能有許多種版本,筆者這...

鐵人賽 AI & Data DAY 16

技術 案例:MLOps在醫療產業(下) - 3個局限性與4個學習要點

跟AI/ML 有關的監管考量 在前一篇的文章指出,在醫療產業中的監管文獻有兩篇。然而這兩篇的內容其實都不是針對ML的案例而寫的。在MDCG的另一個規範MDR/I...

鐵人賽 自我挑戰組 DAY 10

技術 Day 10 : 機器學習大雜燴

機器學習可以分為四大類 監督式學習 Supervised Learning 非監督式學習 Unsupervised Learning 半監督式學習 Semi-...

鐵人賽 自我挑戰組 DAY 1

技術 Day 1:AWS 是什麼?30天從動漫/影視作品看AWS服務應用 -《Vivy -Fluorite Eye's Song》Part 1

AWS服務作為雲端服務熱門選項已有年餘,但是對於初來乍到的雲端新手,在浮沈於眾多名詞海與概念海之際,也許試著用科技或是科幻影視作品來理解與記憶,也不失為一個方式...

鐵人賽 AI & Data DAY 15

技術 案例:MLOps在醫療產業(上) - 5個常見案例與3個風險來源

隨著生物醫學數據的增加,機器學習可以提供各式服務來幫助人類。常見的案例像是:診斷問題、藥物發明、虛擬醫療保健等。在醫療產業推機器學習的服務,會遇到哪些常見的監管...

鐵人賽 AI & Data DAY 14

技術 案例:AWS MLOps Framework - AWS CloudFormation 模板,部署單帳號版本

此解決方案使用 AWS CloudFormation 來自動化部署。它包括以下兩個模板 — 單帳戶部署選項和多帳戶部署選項。接下來我們簡單認識一下AWS Clo...

鐵人賽 AI & Data DAY 1
全民瘋AI系列2.0 系列 第 1

達標好文 技術 [Day 1] 全民瘋AI系列2.0-機器學習實戰手冊

全民瘋AI系列2.0 第13屆iT邦幫忙鐵人賽 前言 哈囉大家好我是10程式中的10!我是上一屆鐵人賽影片教學組全民瘋AI系列的作者,當時講解了人工智慧的基...

鐵人賽 AI & Data DAY 13

技術 案例:AWS MLOps Framework - 成本、架構概覽

昨天看到了AWS MLOps Framework的兩個方案的架構圖,以及解決方案簡介之後,今天想討論的是成本(該解決方案的費用)、哪些工具可以用來估算費用、費用...

鐵人賽 AI & Data DAY 12

技術 案例:AWS MLOps Framework - 解決方案介紹

在AWS solutions library你可以找到數十份各式各樣的解決方案參考文件,在這個解決方案圖書館,每一個解決方案都有提供自動部署的文件,讓你可以一鍵...

鐵人賽 Mobile Development DAY 11

技術 在 React Native 裡實作 NSFW (Not suitable for work,工作場合不宜) 分類器

需求與場景 雖然我們的 App 為了怕麻煩,有要求 18+ 以上才能使用,但還是怕會有繞過這個限制的小孩在一對一聊天的場景,可以傳圖片。雖然大部分都非常健全,但...

鐵人賽 AI & Data DAY 11

技術 案例:在AWS上透過SageMaker跟CodePipeline駕馭MLOps的參考架構(下)

接續上一篇關於專案參加角色與pipeline的介紹,這一篇繼續談論每一區塊需要的服務以及如何依照使用情境的順序將各服務串接。 *圖片來源:使用 MLOps 在...

鐵人賽 AI & Data DAY 10

技術 我們的基因體時代-AI, Data和生物資訊 Day10-基因療法中之腺病毒載體與機器學習

上一篇我們的基因體時代-AI, Data和生物資訊 Day09-合成生物學與機器學習分享合成生物學領域跟機器學習的應用,跟Day08天的內容相似,也是一篇使用貝...

鐵人賽 AI & Data DAY 10

技術 案例:在AWS上透過SageMaker跟CodePipeline駕馭MLOps的參考架構(上)

在經歷了幾篇的MLOps基礎概念之後,想在後面的文章帶大家看看幾個案例。透過案例來學習,會對專案在技術上的架構全貌更清楚。今天選的案例是這篇:Taming Ma...

鐵人賽 AI & Data DAY 9

技術 我們的基因體時代-AI, Data和生物資訊 Day09-合成生物學與機器學習

上一篇我們的基因體時代-AI, Data和生物資訊 Day08-合成生物學與機器學習分享合成生物學領域跟機器學習的應用,如何使用機器學習的方法來減少實驗的次數,...

鐵人賽 AI & Data DAY 9

技術 DevOps在MLOps當中的角色

我們在前面的寫給MLOps人才培育苦手談論到MLOps是一個需要大家通力合作的一項專案,除了該專案帶來資訊和商業的影響力,在技術上也屬於比較前緣、大部分的團隊都...

鐵人賽 AI & Data DAY 7

技術 ML專案的特徵工程為什麼存在?包含哪些層面?怎麼練手感?

在討論MLOps的過程當中,許多客戶會針對他們有興趣的事情提出不同的問題,像是:模型監測、安全性、常見案例、資料的隱私處理等等。其中一次在談論AWS的ML Le...

鐵人賽 AI & Data DAY 6

技術 我們的基因體時代-AI, Data和生物資訊 Day06- 蛋白質結構和機器學習01

上一篇我們的基因體時代-AI, Data和生物資訊 Day05- 深度學習在基因體學的建模架構02上一篇文章明顯可以看出是...因為昨晚有點事情,只好稍微糖塞一...

鐵人賽 AI & Data DAY 6

技術 從AWS技術白皮書看MLOps解決方案

在談過MLOps在廣泛的定義,以及拆分成團隊、技術、流程三個面向之後。想必大家也開始思考,一個好的專案和解決方案應該要長什麼樣子,有沒有哪些規範可以參考、有沒有...

鐵人賽 AI & Data DAY 5

技術 我們的基因體時代-AI, Data和生物資訊 Day05- 深度學習在基因體學的建模架構02

上一篇我們的基因體時代-AI, Data和生物資訊 Day04- 深度學習在基因體學的建模架構01中我們開始往下深入以一個生物問題為例,展開可以怎麼使用其中一種...

鐵人賽 AI & Data DAY 5

技術 MLOps 帶給商業與技術流程的5個好處與13個指標 | MLOps落地指南 - 流程篇

MLOps除了ML之外,另一部分則是DevOps(develop operations)。事實上,技術的運作(operation)與商業的運作是密不可分的。其中...

鐵人賽 AI & Data DAY 4

技術 為什麼87% 的資料科學專案沒辦法產品化? | MLOps落地指南 - 技術篇

“為什麼87% 的資料科學專案沒辦法產品化?”在Transform 2019 of VentureBeat[1] 的一篇報導給予了這樣的宣告。這並不是一個小數字...

鐵人賽 AI & Data DAY 4

技術 DAY04 淺談資料科學與Machine Learning

一、何謂資料科學 資料科學白話來講,就是透過資料數據來解決問題的一門科學,我們在得知客戶的需求、環境限制等因素後,利用能蒐集到的資料建立一套「模型」,透過模型的...

鐵人賽 AI & Data DAY 3

技術 寫給MLOps人才培育苦手 | MLOps落地指南 - 團隊篇

當理解MLOps的定義、以及ML專案與軟體專案的差別之後,接下來我想談談如何再把MLOps往下切分成幾個面向,讓公司的決策人員能夠從大方向往下切分細節,開始落地...

鐵人賽 AI & Data DAY 2

技術 我們的基因體時代-AI, Data和生物資訊 Day02- 機器學習在生物資訊中之應用

上一篇我們的基因體時代-AI, Data和生物資訊 Day01- 超越摩爾定律的資料增長介紹了生醫領域在未來將會產生越來越多的資料,甚至可以使用像是DNA當作是...

鐵人賽 AI & Data DAY 2

技術 3面向談ML產品與軟體產品的相異處

在過去的5-7年當中,ML已經不再只限於研究人員能夠接觸、使用,越來越多的AI/ML工具以及產品出現,使得能夠談論這個領域的人變多了,踏入ML工作的門檻也逐漸降...

鐵人賽 AI & Data DAY 1

技術 學習MLOps前暖身操:why, what, who?

接下來的30天,我們會一起看MLOps的更多層面。從為什麼產業開始談MLOps開始,以及其包含的技術與非技術面。今天我想談的是關於學習mlops前必備的3個背景...