iT邦幫忙

machine learning相關文章
共有 760 則文章
鐵人賽 AI & Data DAY 21
ML From Scratch 系列 第 21

技術 [Day 21] Autoencoder — 背後理論

由於數學函式有顯示不出來的問題,文章內容請至此閱讀

鐵人賽 AI & Data DAY 21

技術 [從Keras框架與數學概念了解機器學習] - 21. 實例應用-集團銷售資料分析

經過前20節的文章,了解模型訓練與預測相關運作後,接著實例應用並比較幾種損失函數與optimizer的搭配比較。這邊拿某集團企業的銷售資料訂單來做訓練範例。...

鐵人賽 AI & Data DAY 6

技術 Day6-多項式回歸(Polynomial Regression)

在前幾天的筆記中有介紹過線性回歸(Linear Regression),線性回歸中的因變數與自變數呈現直線關係(線性關係),但實際上直線並不一定能很好的展現因...

鐵人賽 AI & Data DAY 7

技術 [Day 7] KNN與XAI:從鄰居中找出模型的決策邏輯

KNN 是一種監督式學習算法,它可以用於分類和迴歸問題。在分類問題中,KNN 透過找到最近的 k 個鄰居取多數決來預測一個新樣本的類別。在迴歸問題中,KNN 則...

鐵人賽 AI & Data DAY 20
ML From Scratch 系列 第 20

技術 [Day 20] Neural Network — 解決真實問題

今天我們透過使用 Neural Network 來完成 Natural Language Processing with Disaster Tweets Da...

鐵人賽 AI & Data DAY 20

技術 [從Keras框架與數學概念了解機器學習] - 20. 使用 callbacks.ModelCheckpoint 求最佳模型

於此先了解一下 compiler 的 metrics 在模型fit之後的數量變化。 範例一,預設 metrics 內容 from tensorflow.k...

鐵人賽 AI & Data DAY 5

技術 Day5-線性回歸(Linear Regression)與L1、L2 regularization & Elastic net實作 + jupyter notebook路徑&瀏覽器設定教學

前兩天介紹了線性回歸和幾種正規化方法的概念,今天來講要如何使用python實作,以及幾種常用參數介紹 環境建置 在開始之前先講一下我所使用的環境! Ana...

鐵人賽 AI & Data DAY 6

技術 [Day 6] 非監督學習也能做到可解釋性?探索XAI在非監督學習中的應用

由於非監督學習模型通常沒有像監督學習中的標籤可使用,因此非監督學習模型的可解釋性通常是透過資料視覺化和數據分析來實現。以下為各位整理非監督學習中可解釋性的一些例...

鐵人賽 AI & Data DAY 19
ML From Scratch 系列 第 19

技術 [Day 19] Neural Network — 主題實作

今天我們要實做 Feed Forward Network 前饋式神經網路是一種人工神經網路結構,也稱為前饋網路或前向傳播網路。 它是一種最基本的神經網路結構,通...

鐵人賽 AI & Data DAY 19

技術 [從Keras框架與數學概念了解機器學習] - 19. 模型的 compute_loss 與 metrics

從上一節可以看出,在模型做compiler時,可以指定 loss function,也能自定義客製的 loss function。 一旦 loss funct...

鐵人賽 AI & Data DAY 5

技術 [Day 5] 淺談XAI與傳統機器學習的區別

機器學習是一種透過對大量數據進行訓練和不斷優化演算法的方法,目的是提高預測準確性和決策可靠性。透過處理龐大的數據集,機器學習模型能夠自動學習並擬合出數據中的模式...

鐵人賽 AI & Data DAY 3

技術 Day3-線性回歸 (Linear Regression)

說起線性回歸,這是我在學機器學習時碰到的第一個演算法,今天先簡單介紹線性回歸,明天會討論L1、L2正規化 Regression 在講線性回歸之前,先講講回歸...

鐵人賽 AI & Data DAY 18
ML From Scratch 系列 第 18

技術 [Day 18] Neural Network — 背後理論

由於數學函式有顯示不出來的問題,文章內容請至此閱讀

鐵人賽 AI & Data DAY 3

技術 [Day 03] - 從 Python 🐍 到 Rust 🦀|上工啦!安裝、環境與函式庫相依管理

今日份 Ferris 雖然才第三天,但我發現可愛又切題的 Ferris 真的不好找,腦中瞬間出現 Panik 慌章迷因,還好找到了這張不要慌張的貼紙,趕快貼在頭...

鐵人賽 AI & Data DAY 18

技術 [從Keras框架與數學概念了解機器學習] - 18. loss function 的使用與自定義方式

模型在做Compiler時,指定 loss function ,如下: model.compile(optimizer="rmsprop"...

鐵人賽 AI & Data DAY 4

技術 [Day 4] LIME vs. SHAP:哪種XAI解釋方法更適合你?

LIME 和 SHAP 都是機器學習中的解釋性方法,它們的共同點是都適用於模型無關性(Model Agnostic),並透過資料來解釋模型的預測結果。如果不想深...

鐵人賽 AI & Data DAY 17
ML From Scratch 系列 第 17

技術 [Day 17] Multilayer Perceptron

由於數學函式有顯示不出來的問題,文章內容請至此閱讀

鐵人賽 AI & Data DAY 17

技術 [從Keras框架與數學概念了解機器學習] - 17. 自定義Callback與如何應用

在模型做fit的章節,我們可以看到在訓練前會將Callback實體放入一個Container,然後於真正訓練迭代迴圈時使用。這邊會自定義Callback類別來...

鐵人賽 AI & Data DAY 16
ML From Scratch 系列 第 16

技術 [Day 16] Gaussian Mixture Model — 解決真實問題

今天我們會透過 Gaussian Mixture Model 來分析購物中心的客戶資料。 Mall Customer Segmentation Data 資料集...

鐵人賽 AI & Data DAY 2

技術 Day2-機器學習的情境

本篇僅大概敘述各種情境,無深入探討,各情境常用演算法等將在之後的文章中討論 Supervised Learning (監督式學習) 會告訴機器正確的答案(...

鐵人賽 AI & Data DAY 3

技術 [Day 3] 機器學習中的可解釋性指標

「可解釋性指標」是 XAI 中用來衡量模型可解釋性的評估標準。它們是用來確定模型如何解釋其預測的方式,以及如何在給定輸入後生成可解釋的結果。可解釋性指標可以根據...

鐵人賽 AI & Data DAY 16

技術 [從Keras框架與數學概念了解機器學習] - 16. 自定義 activation 與內建 activation

Layer指定使用哪種 activation 有下列方式 (這邊皆以 "relu" 來做範例) : (1) 指定函式名稱 'relu' (...

鐵人賽 AI & Data DAY 1

技術 Day 1 海賊們的考照之路航海圖

在資料科學界翻滾多年,玩了AWS不少服務,也在Edge端摸索許久,卻一直還沒下定決心來征服這一張號稱極有挑戰的證照-AWS Certified Machine...

鐵人賽 AI & Data DAY 1

技術 Day1-前言、機器要解決的問題

前言 我是一名資工系大三的學生,在同學的極力推薦(?)下決定參加這次的鐵人賽,在督促自己學習的同時,也是給未來的自己留一份筆記。六月起參與了三個月的機器學習專案...

鐵人賽 AI & Data DAY 1

技術 進入新手村~介紹機器學習和Python

前言 大家好我是一名目前在資工系裡渾渾噩噩的學生,是昨天被說服參加鐵人賽的,加上早上去 TOPC 當炮灰,所以現在才在趕趕趕的發出第一篇文。我對這個領域基本上也...

鐵人賽 AI & Data DAY 2

技術 [Day 2] 從黑盒到透明化:XAI技術的發展之路

近年來人工智慧技術發展迅速,深度學習等技術的出現和應用已經帶來了很多驚人的成果,尤其是 ChatGPT 的出現更讓人們驚嘆不已。然而這些模型的黑箱特性一直是人工...

鐵人賽 AI & Data DAY 15
ML From Scratch 系列 第 15

技術 [Day 15] Gaussian Mixture Model — 主題實作

我們今天會完成 Gaussian Mixture Model 實做的部份。 Implementation Import Library import panda...

鐵人賽 AI & Data DAY 15

技術 [從Keras框架與數學概念了解機器學習] - 15. optimizer 與 learning_rate

本節要探討 optimizer 與 learning rate 有哪些初始設定方式,運作,與有什麼影響。 以上一節範例: import tensorflow...

鐵人賽 AI & Data DAY 1

技術 [Day 1] 揭開模型的神秘面紗:為何XAI對機器學習如此重要?

人工智慧的發展已經進入了一個新的階段,作為AI的重要分支「機器學習」,已經被廣泛應用於各個領域,例如語音識別、圖像分類、自然語言處理......等。然而隨著機器...

鐵人賽 AI & Data DAY 14
ML From Scratch 系列 第 14

技術 [Day 14] Gaussian Mixture Model — 背後理論

由於數學函式有顯示不出來的問題,文章內容請至此閱讀