iT邦幫忙

machine learning相關文章
共有 713 則文章
鐵人賽 AI & Data DAY 8
一服見效的 AI 應用 系列 第 8

技術 Day 08:協同過濾(Collaborative Filtering)

概念 顧名思義,協同過濾(Collaborative Filtering),協同就是集合眾人的意見協同合作,進而篩選或推薦商品,作法與購物籃分析類似,一樣是以銷...

鐵人賽 AI & Data DAY 8

技術 DAY[8]-數據前處理(2) 補值與EDA(2)

接續上次的EDA,我們接著觀察每個特徵的分布狀況,使用seaborn可以快速的將數據的分布圖繪製出來 from scipy.stats import norm...

鐵人賽 自我挑戰組 DAY 10
機器學習入門 系列 第 10

技術 ML_Day10(Gradient Descent)

簡單回顧在ML_Day5(Linear Regression Introduction)有介紹什麼是Gradient Descent,就是對loss func...

技術 [Day19]回歸與分類

上一篇我們可以看到,可以利用ML技術來預測的兩個問題,回歸(Regression)與分類(Classification),而這裡種問題相信搭家應該都可以輕易地分...

鐵人賽 AI & Data DAY 7

技術 DAY[7]-數據前處理(2) 補值與EDA(1)

EDA是什麼? EDA是探索式資料分析(Explore Data Analysis)的簡稱,主要邏輯是利用分群、圖片等等的技巧,觀察資料之間的關係(相關係數、分...

鐵人賽 AI & Data DAY 7
一服見效的 AI 應用 系列 第 7

技術 Day 07:初探推薦系統(Recommendation System)

前言 上一篇我們介紹了『購物籃分析』,可以幫公司建立商品組合,也可以推薦商品給顧客,它單純依據銷售記錄進行分析,但是,如果是線上網購,瀏覽(Page View)...

技術 【Day9】2rd:Colab-Pandas範例

在Colab跑我們的TensorFlow,其中要pandas範例來練習。Pandas是個重要且流行的套件(library)是個不錯的工具。 (本篇使用firs...

技術 【Day7】2rd:TensorFlow、Colab簡介

現在正式進入TensorFlow的領域,在那之前,TensorFlow到底是什麼呢? TensorFlow一款Google開發的工具,現為開源軟體庫,用於各種...

Towards Tensorflow 2.0 系列 第 7

技術 [Day-7] 從Gradient Descent to Optimizer

上一篇有說明Linear regression利用SGD來train,今天我們就把一些相關概念一次解釋清楚,之後在train模型,或者自己運用在自己的case上...

技術 【Day6】First:遊戲區

Google提供一個遊戲區,讓我們學習並且觀察他們是如何執行機器學習的,還有學習的效率為何。 遊戲區在這兒:說明網站、遊戲區其中要注意的是,每次「reset」...

技術 [Day18]Supervised Learning

Supervised Learning 監督式學習,是機器學習的一個分支,在前面ML應用的文章就有稍微簡單的介紹過一次了,但是這次我們要深入的研究,監督式學習。...

鐵人賽 自我挑戰組 DAY 9
機器學習入門 系列 第 9

技術 ML_Day9(為什麼會有error)

相信有自己訓練過模型的人都會遇到跟我一樣的問題,最後的曲線都會往上飄(這是參考李弘毅老師的投影片),那這是什麼原因造成的呢?在還沒弄懂之前,常常一直增加訓練資料...

Towards Tensorflow 2.0 系列 第 6

技術 [Day-6] Tensorflow Linear regression

一般來說,學習Deep learning都會從最簡單的Linear regression開始。而在實務上,當我們有一個簡單的預測數值的case,Ex: 股價、人...

鐵人賽 AI & Data DAY 6
一服見效的 AI 應用 系列 第 6

技術 Day 06:購物籃分析背後的演算法 -- Apriori

前言 上一篇我們介紹了『購物籃分析』的觀念與實作,現在就來研究它背後的演算法 -- Apriori,是如何找到這些關聯性強的商品組合。 Apriori 原理 『...

鐵人賽 AI & Data DAY 6

技術 DAY[6]-數據前處理(1) 資料類型與資料操作

在機器學習的過程中,對於資料的解釋以及處理是最前期也最重要的環節,在這個章節中,將使用資料本身較乾淨並且相當容易獲取的玩具資料集進行基礎講解,在基礎講解結束後將...

技術 [Day17]Launching into Machine Learning

實在是太棒了!從這篇開始我們會進入第二個課程,Launching into Machine Learning原本以為第一個課程會在10篇內完成,結果把內容打一打...

技術 【Day5】First:如何減少誤差,找出最適合的模組

前面知道建立模組的參數及一些方法,那要如何找出最適合的模組呢?我們有個公式:y=Wx+B,我們要怎麼找到「W」和「B」的最佳值,也就是最小的誤差呢?當然是一個一...

鐵人賽 AI & Data DAY 5

技術 DAY[5]-雲端基礎教學(2) colab基本操作與建議

Colab基本操作教學 匯入檔案 方法一:自行上傳檔案 from google colab import files #匯入套件 import pandas...

鐵人賽 AI & Data DAY 5
一服見效的 AI 應用 系列 第 5

技術 Day 05:購物籃分析(Basket Analysis)

前言 前幾篇是以客戶的角度進行的行銷分析,這一篇『購物籃分析』(Basket Analysis)則是以商品的角度行銷,對顧客進行『交叉銷售』(cross sel...

技術 【Day4】First:損失函數

機器學習的目標,就是要預測未來,預測能越準越好,但是要怎麼知道準不準確呢?這時候「損失函數」(loss function)就很好用了!當損失函數越小,表示這個m...

技術 [Day16]在 GCP 上實際應用 Pretrained ML API

上一篇介紹完Pretrained ML API這篇要來實作啦~首先我們的學習平台還是利用QiwiksLab進到GCP(如果沒有參加課程直接使用GCP的話Goog...

鐵人賽 自我挑戰組 DAY 8
機器學習入門 系列 第 8

技術 ML_Day8(Linear Models for Binary Classification)

簡單回顧在前面章節有做linear classification、linear regression、logistic regression的介紹,共同點為利...

鐵人賽 自我挑戰組 DAY 7
機器學習入門 系列 第 7

技術 ML_Day7(Logistic Regression Error)

簡單回顧前幾章提到的linear classificaton、linear regression及logistic regression,其實都有共通的地方,...

Towards Tensorflow 2.0 系列 第 4

技術 [Day-4] Tensorflow 基本語法 - Part III

今天會開始說明一下資料處理及數值運算。接下來就會開始進入基本ML及DL了。大夥撐著!把一些基本語法弄熟,之後會更容易上手,且更知道如何去修改一些tutorial...

技術 [Day04] 機器學習流程與架構、Google產品是如何運用機器學習的?

前一天我們講到機器學習在GCP上運作的流程以及做了Tensorflow、Keras和Pytorch之間的比較,今天我們要來看機器學習建模型和預測的過程 Why...

鐵人賽 AI & Data DAY 4

技術 DAY[4]-雲端基礎教學(1) colab基本介紹

Google Colab google colab是google提供的一個免費雲端開發平台,可以提供使用者上傳jupyter notebook的.ipynb檔,...

鐵人賽 AI & Data DAY 4
一服見效的 AI 應用 系列 第 4

技術 Day 04:客戶留存率與流失率 -- 同類群組分析(Cohort Analysis)

前言 還記得去年電信業 499 之亂嗎? 因為中華電信率先推出499元吃到飽,引發手機用戶的板塊大挪移,造成當年所有電信業者EPS大跌。當同業提供的服務大同小異...

技術 【Day3】First:框架(frame)與流程

在真正開始前,需要先了解一下機器學習所需要用的框架,在依這個框架下,進行學習的討論及實驗。(參考網站:Framing) 我們進行的是監督式機器學習,也就是說建...

技術 [Day15] Pretrained ML API

在前面的文章提到,GCP上提供了各PreTrained API 他們除了可以把非結構化資料結構化之外,還能提供甚麼資訊呢?這篇文理會提到四個GCP上的PreTr...

Towards Tensorflow 2.0 系列 第 3

技術 [Day-3] Tensorflow 基本語法 - Part II

這幾天均會說明TF的資料處理。雖然資料處理真的非常瑣碎也煩人,常常會處理到起瘋。但資料處理對一個ML project或者Data science project...