iT邦幫忙

machine learning相關文章
共有 778 則文章
鐵人賽 AI & Data DAY 18
ML From Scratch 系列 第 18 篇

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 篇

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 篇

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 篇

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 篇

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

鐵人賽 AI & Data DAY 14

技術 [從Keras框架與數學概念了解機器學習] - 14. 自定義 initializers

這節會觀察自己定義 initializer。 我們可以使用一個 subClass 來定義一個initializer,前提是這個自定義的 initializer...

鐵人賽 AI & Data DAY 13
ML From Scratch 系列 第 13 篇

技術 [Day 13] K nearest neighbors — 解決真實問題

今天我們要透過 KNN 去解決 Spaceship Titanic 此次 Kaggle Competition 跟一開始介紹 Titanic - Machin...

鐵人賽 AI & Data DAY 13

技術 [從Keras框架與數學概念了解機器學習] - 13. 自訂義 Layer

層是模型非常重要的角色,也是模型訓練時張量運算的執行者。層也需要經過build的動作,產生對應的初始權重,供訓練時使用。而訓練時也會透過各層的 Call 函式...

鐵人賽 AI & Data DAY 12
ML From Scratch 系列 第 12 篇

技術 [Day 12] K nearest neighbors — 主題實作

了解完 K nearest neighbors 的理論後,我們今天會透過著名的 iris 資料集來實做它。 Implementation Import Libr...

鐵人賽 AI & Data DAY 12

技術 [從Keras框架與數學概念了解機器學習] - 12. 自定義 Model

從前面Model的文章可以得知,Model繼承base_layer,代表Model也可以當作Layer使用,可以執行 build與 Call。現在要嘗試自訂義...

鐵人賽 AI & Data DAY 11
ML From Scratch 系列 第 11 篇

技術 [Day 11] K nearest neighbors — 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 10
ML From Scratch 系列 第 10 篇

技術 [Day 10] Support Vector Machine — 解決真實問題

讓我們先了解今天 Kaggle Competition 的主題。 House Prices - Advanced Regression Techniques...

鐵人賽 AI & Data DAY 10

技術 [從Keras框架與數學概念了解機器學習] - 10. Model vs Sequence

假設程式不是使用 sequence 來宣告模型,直接使用 model類別的話,差異在哪裡? 會在文中點出差異。 範例程式: from tensorflow.k...

鐵人賽 AI & Data DAY 9

技術 [從Keras框架與數學概念了解機器學習] - 9. evaluate

此篇會觀察模型做評估時使用evaluate之運作。 from tensorflow.keras.datasets import mnist (train_im...

鐵人賽 AI & Data DAY 9
ML From Scratch 系列 第 9 篇

技術 [Day 9] Support Vector Machine — 主題實作

在實作 Support Vector Machine 前,先簡介一下它可以做的任務類型。 支持向量機(Support Vector Machine,SVM)可以...

鐵人賽 AI & Data DAY 3

技術 Day3 在巨人的肩膀上深度學習

深度學習的工具 昨天介紹到深度學習已經發展一段時間了,因此我們一定要依靠巨人們的肩膀,深度學習會使用到很多數學的概念,例如偏微分、矩陣運算、統計學、機率論等等,...

鐵人賽 AI & Data DAY 8
ML From Scratch 系列 第 8 篇

技術 [Day 8] Support Vector Machine — 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