iT邦幫忙

ml相關文章
共有 25 則文章
鐵人賽 AI & Data DAY 23
全民瘋AI系列2.0 系列 第 23

技術 [Day 23] 資料分布與離群值處理

資料分布與離群值處理 今日學習目標 資料特徵觀察與離群值分析 檢視資料的分布狀態 偏度 (Skewness) 峰度 (Kurtosis) 修正特徵偏度的...

鐵人賽 AI & Data DAY 10

技術 〔Day10〕分類樹(Classification Tree) vs 迴歸樹(Regression Tree)

大家好,來到我們第十天嚕~今天我們要來談談Tree,因為在後續的實作都會應用到,所以再來繼續科普一下大家,在我們了解分類和迴歸之前,先來初步了解決策樹吧! 決策...

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...

鐵人賽 AI & Data DAY 13

技術 〔Day13〕隨機森林(Random Forest)的概念

於上篇實作完之後,大家是否對於自己的操作上更進一步了呢,今天我們要來繼續為大家增加小知識,希望在操作上能得心應手外,還能在道理上融會貫通,一同更上一層樓!那就開...

鐵人賽 AI & Data DAY 15

技術 〔Day15〕數據也可以降維?-MDS

今天又是科普日~偷偷預告大家一下,科普篇剩不多惹,如果你是喜歡被科普的人,得好好珍惜剩下的幾篇啦,但若你是不喜歡的,那我也恭喜你快撐過去啦,剩沒幾篇,接下來幾乎...

技術 【Day1】First:起源

原本想要了解時下最流行的議題:機器學習(Machine learning),但還沒有決定要從哪裡著手,剛好看到本次鐵人賽有個主題「Google Develope...

鐵人賽 AI & Data DAY 29

技術 DAY 29 Big Data 5Vs – Value(價值) - AWS SageMaker & ML Family

資料要產生出價值就不得不提AI與機器學習,各種AI的應用已成為各大平台服務的必爭之地,透過演算法從不同的視角理解出數據資料中不同的邏輯已是近年來的趨勢。甚至因為...

鐵人賽 AI & Data DAY 22

技術 [DAY22] 機器學習 - 分群與分類(二) 非監督學習

非監督式學習(分群-距離、相似特徵、歸納法) 分群演算法: K-Means 聚類:將數據分為 K 個不同的群集,每個群集由其內部的數據點的相似性來定義。...

技術 【Machine Learning】:LLM的一些學習綜整

最近閱讀LLaMA, DeltaEdit paper時,閱讀到了一些好文章值得分享跟紀錄 (絕對不是我把這帳號當記事本用),因此本文章基於以下網站進行撰寫,如下...

技術 Day5 參加職訓(機器學習與資料分析工程師培訓班),Python程式設計

上午: Python程式設計 初步介紹Python,此次課程設計為完全沒學過該語言的情況,因此老師從頭教起,今日主要大綱: 介紹Python的特色及開發環境...

鐵人賽 AI & Data DAY 2

技術 Day 2 雲端上的資料流

雲端的分類 第一次點開AWS官網( https://aws.amazon.com/ )或許會有點眼花撩亂,因為在不同的使用場景,對雲端的分類會有不同的用法。維基...

技術 【Day2】First:所需的技能與工具

在開始前,Google教學有提到,在學習機器學習的時候,有些知識或是工具也要會的,像是數學(例如代數、線性代數,也就是理論的部份)、Python能力(要撰寫程式...

鐵人賽 AI & Data DAY 18

技術 [DAY18] 機器學習 - 貝氏分類器

貝氏定理 P(A∣B) = P(B∣A)⋅P(A)/P(B) P(A∣B):表示在事件B發生的條件下,事件A發生的機率,稱為後驗機率。 P(B∣A):表示在...

鐵人賽 DevOps DAY 21
30 Days of MLOps 系列 第 21

技術 Cloud ML Platform

今天已經第 21 天了,聊到這大家應該可以感覺到 MLOps 好像沒有我們想像的這麼簡單,感覺好多事要做,但越複雜的東西,就越有商機可循,所以我們有最後一招,新...

鐵人賽 AI & Data DAY 19

技術 [DAY19] 機器學習 - 支援向量機(一)

支援向量機(Support Vector Machine,SVM) 用於監督式學習中的分類和回歸 找到一個超平面將不同類別的數據點分開,同時最大化兩個類別之間...

技術 樣型識別Week1

Week 1 Lecture: Introduction to Machine Learning Part 1: Title Introduction to...

技術 樣型識別Week5

多層人工神經網路從零開始的實作與MNIST資料集訓練 簡介 在本篇文章中,我們將實作一個簡單的多層感知機(MLP)模型,並使用MNIST資料集來進行訓練。MNI...

技術 樣型識別Week3

Chap4 資料預處理:建立優質的訓練數據集 資料的質量及其所包含的有用信息量是決定機器學習算法學習效果的關鍵因素。因此,在將資料餵給機器學習演算法之前,檢查和...

技術 樣型識別Week2

機器學習分類器導覽總結 在本章節中,學習了許多用於解決線性和非線性問題的機器學習算法。本摘要將進一步解釋這些演算法的優勢與應用。 1. 決策樹(Decision...

鐵人賽 AI & Data DAY 14

技術 [DAY14] 機器學習基本架構(二): 特徵工程Part1

特徵工程 將原始數據轉換為更有價值和更有意義的特徵,以改善機器學習模型的性能。良好的特徵工程可以提高模型的準確性、降低過度擬合風險 特徵正規化 線性函數正規化(...

鐵人賽 AI & Data DAY 20

技術 [DAY20] 機器學習 - 支援向量機(二)

決策邊界(Decision Boundary) 分類問題: 二元或多元分類問題 二元分類: 決策邊界是一條線、曲線或超平面 多元分類: 決策邊界是多維...

鐵人賽 AI & Data DAY 13

技術 [DAY13] 機器學習基本架構(一): 資料前處理

基本架構 1.找出問題2.思考是否真的需要使用機器學習?3.資料收集4.資料前處理5.特徵工程6.模型訓練7.模型評估8.微調模型&參數9.預測&amp...

鐵人賽 AI & Data DAY 10

技術 [DAY10] 人工智慧概論(一)

人工智慧 再來要開始慢慢進入人工智慧的領域啦~ 再來都會使用圖文以及一些小範例來介紹! 機器學習 從數據中學習的技術,而不是通過明確編程來執行任務(餵資料)...

鐵人賽 AI/ ML & Data DAY 1

技術 Day 1 - 揭開 AI 的真相

前言 人工智慧 (AI) 是當前科技界的熱門話題,但許多人對它的理解還存在著廣泛的誤區和模糊認知。以我的工作經驗為例,我常發現市調研究報告顯示 AI 產品的年複...

鐵人賽 Kubernetes DAY 23

技術 Day23 在 GKE 異世界中掌控深度學習之力 - Training model

前言 前一章節,介紹了 Kueue 配置,經常在機器學習的訓練領域使用到。而本章將深入探討如何在 Google Kubernetes Engine (GKE)...