iT邦幫忙

machine learning相關文章
共有 713 則文章
鐵人賽 AI & Data DAY 19

技術 Day 19 ResNet-從旁邊來囉

ResNet-從旁邊來囉 今天我們要介紹另一種的CNN,Residual Network。 深度CNN 為了取得更多或更深層的特徵,我們會採用越來越多層的CNN...

鐵人賽 AI & Data DAY 18

技術 Day 18 CapsNet如何實現

CapsNet如何實現 今天我們要實作CapsNet,並與第三天的結果比較。傳送門 回顧 資料集使用fashion_mnist,為Keras內建的資料集。訓練集...

鐵人賽 AI & Data DAY 18

技術 Day 18:自駕車(Self-driving) 動態物件偵測實作

前言 前一篇實作一個簡單的物件偵測(Object Detection),接下來我們來模擬自駕車(Self Driving)如何辨識前方的障礙物,一樣使用Tens...

鐵人賽 AI & Data DAY 17

技術 Day 17 CapsNet-好用的膠囊在CNN

CapsNet-好用的膠囊在CNN 今天我們要介紹一個很強的技術,CapsNet。 為什麼需要CapsNet? 在傳統的CNN中,在許多種情況已經能得到很好的辨...

鐵人賽 AI & Data DAY 17

技術 Day 17:TensorFlow 2 Object Detection API 實作

前言 前一篇介紹如何安裝 TensorFlow 2 Object Detection API,今天我們就來實作一個簡單的物件偵測(Object Detectio...

鐵人賽 AI & Data DAY 16

技術 Day 16 Activation function之群雄亂舞

Activation function之群雄亂舞 今天要來繼續介紹Activation function。那麼廢話不多說,就直接開始吧! Activation...

鐵人賽 AI & Data DAY 16

技術 Day 16:TensorFlow 2 Object Detection API 安裝

前言 筆者曾介紹過物件偵測(Object Detection),請參閱【這裡】,三年來,整個技術的演進又提升了不少,尤其是YOLO演算法已經進化到第5版了,而且...

鐵人賽 AI & Data DAY 15

技術 Day 15:戴口罩偵測實作

前言 因應新冠病毒的防堵,企業及公共場所多強制戴口罩,這一篇就來實作如何利用AI偵測是否戴口罩。 前一篇談到預先訓練好的模型(Keras Application...

鐵人賽 AI & Data DAY 15

技術 Day 15 Activation function之兄弟大戰

Activation function之兄弟大戰 今天要來介紹一些常見的activation function,先從Relu三兄弟開始。 為什麼要Activat...

鐵人賽 AI & Data DAY 14

技術 Day 14:預先訓練好的模型(Keras Applications)

前言 之前我們都是自建模型,事實上 Keras 引進很多預先訓練好的模型(Keras Applications),他們都是屬於影像辨識的模型,大都是各屆影像辨識...

鐵人賽 AI & Data DAY 14

技術 Day 14 Optimizer大亂鬥

Optimizer大亂鬥 今天我們要來介紹一下,Optimizer是做甚麼用的,並簡單介紹一些常用的Optimizer。 Optimizer的作用 簡單來說,O...

鐵人賽 AI & Data DAY 3

技術 AI & Data_3(機器學習的數學基礎)

機器學習的數學基礎不外乎就是離散數學或是線性代數(我沒學過這兩個科目,但我修過工程數學)。所以沒學過的朋友建議先去了解一下離散數學或是線性代數,才不會看到一堆數...

鐵人賽 AI & Data DAY 13

技術 Day 13 回歸用Loss function

回歸用Loss function 昨天我們看了分類用的Loss function,今天我們要來介紹回歸用的Loss function。 Mean Square...

鐵人賽 AI & Data DAY 13

技術 Day 13:測試 CNN 的桌面程式

前言 前一篇利用【資料增補】(Data Augmentation)技術,擴增訓練資料,對於準確率是否有真的提升嗎? 這次,我們就來實作一個具有書寫介面的桌面程式...

鐵人賽 AI & Data DAY 2

技術 AI & Data_2(機器學習種類)

下面這張圖主要說明,機器學習主要分成: Supervised Learning(監督式學習)、Unsupervised learning(非監督式學習)、Sem...

鐵人賽 AI & Data DAY 12

技術 Day 12:影像資料增補(Data Augmentation)

前言 前一篇利用CNN辨識手寫阿拉伯數字,其實有幾個缺點: MNIST 的訓練資料與滑鼠撰寫的樣式有所差異,我猜 MNIST 的資料收集應該是請受測者寫在紙上...

鐵人賽 AI & Data DAY 12

技術 Day 12 Loss function到底損失了甚麼?

Loss function到底損失了甚麼? 今天我們要來介紹一下,Loss function是做甚麼用的,並簡單介紹一些常用的分類Loss function。...

鐵人賽 AI & Data DAY 1

技術 AI & Data_1(什麼是機器學習)

在介紹之前,我要先自我介紹一下啦!!我是一位軟體工程師,目前從事機器學習的開發,這是我第一次正式參加鐵人挑戰賽,為什麼說是正式呢?因為我去年是自我挑戰組,因為第...

鐵人賽 AI & Data DAY 11

技術 Day 11:卷積神經網路(CNN) 剖析與視覺化

前言 從這一篇開始,我們要開始介紹一些演算法及其應用,了解 Keras 的進階用法。首先,介紹【卷積神經網路】(Convolutional Neural Net...

鐵人賽 AI & Data DAY 11

技術 Day 11 SVM-分分分

SVM-分分分 今天我們要來介紹SVM(Support Vector Machine)。 線性可分 假設現在我們要分類圓形還有正方形,那麼以這個例子來說,可以用...

鐵人賽 AI & Data DAY 10

技術 Day 10 DQN如何實現

DQN如何實現 今天我們要用DQN來解The Taxi Problemcode參考這篇Reinforcement Learning: Deep Q-Networ...

鐵人賽 AI & Data DAY 10

技術 Day 10:運用自訂Callback 追蹤訓練過程( Keras )

前言 之前我們測試過一些內建的Callback,這次筆者要自訂 Callback,將損失寫入 Pandas Data Frame,並且作圖畫出優化的軌跡。 可監...

鐵人賽 AI & Data DAY 9

技術 Day 9 DQN是不良人物?!

DQN是不良人物?! DQN(Deep Q learning)是指深度的Q learning,而甚麼是深度呢?複習一下,Q learning有張Q表,而DQN即...

鐵人賽 AI & Data DAY 9

技術 Day 09:再探TensorBoard

前言 上一篇簡單介紹 TensorBoard 的功能,並且測試以下功能: 追蹤損失和準確率等效能衡量指標(Metrics)。 將圖片寫入 Log。 這次,我...

鐵人賽 AI & Data DAY 8

技術 Day 08:TensorBoard 的初體驗

前言 TensorBoard 是 Tensorflow 提供的視覺化工具,功能非常強大,除了可以顯示訓練的過程,也可以顯示圖片及語音。在訓練的過程中就可以啟動T...

鐵人賽 AI & Data DAY 8

技術 Day 8 Q learning如何實現

Q learning如何實現 今天我們就要來看看如何實現Q learning!code參考這篇製作Q* Learning with FrozenLakev2.i...

鐵人賽 AI & Data DAY 7

技術 Day 07:Keras Callback 的使用

前言 Callback 可以在模型訓練過程中觸發事件,記錄訓練過程產生的資訊、在查核點(Checkpoint)對模型存檔、迫使訓練提早結束...等,除了可以使用...

鐵人賽 AI & Data DAY 7

技術 Day 7 強化學習之Q learning

強化學習之Q learning 介紹完監督式學習與非監督式學習,我們來介紹強化學習! Q learning Q learning為強化學習,根據wiki的描述...

鐵人賽 AI & Data DAY 6

技術 Day 6 強化學習就是一直學習?

強化學習就是一直學習? 介紹完監督式學習與非監督式學習,我們來介紹強化學習!根據wiki的定義 強化學習(英語:Reinforcement learning,...

鐵人賽 AI & Data DAY 6

技術 Day 06:Keras 模型結構

前言 從這篇起,我們就Keras各部分的功能進行研究,包括: 模型結構 執行工作記錄(Callback 及 TensorBoard) Dataset Esti...