iT邦幫忙

mlstudyjam相關文章
共有 30 則文章

技術 [Day30]Preceptron實作(With Python)

import numpy as np from math import exp,pow 首先Import東西進來! class preceptron():...

技術 [Day29]Preceptron實作前整理

在前面的文章已經有介紹過Preceptron了,這是最簡單的神經網路,雖然課程裡面沒有要直接把Model實做出來的部分 但是為了讓文章結尾精彩一點我們要來實作P...

技術 [Day28]TensorFlow Playground視覺化神經網路

我們從Precentron了解了神經元,進而從神經元組成神經網路,介紹了誤差函數(LossFunction),再講解了誤差函數 如何透過GradientDece...

技術 [Day27]梯度下降法

梯度下降是一種演算法專門讓Model進行學習,也就是更新內部參數的演算法, 要調整Model裡的參數,首先我們必須要找到Model應該要往哪個方向調整,再來就是...

技術 [Day26]LossFunction

介紹完神經網路,現在我們要來談Loss Function啦!在神經網路裡,我們有輸入,並會得到神經網路的預測, 不過我們要如何告訴神經網路,它哪裡做錯了?應該要...

技術 [Day25]神經網路

我們終於走到ML歷史的最後一段了!這代表我們要來談談神經網路啦! 其實神經網路並不是甚麼興新的技術!它其實在很久了,不過神經網路剛被提出時, 那個年代不管是在...

技術 [Day24]Kernel函數

Kernel函數 在我們離開決策樹之後,我們要進到SVM了!SVM的中文全名叫做支援向量機! 我們在兩組資料間,可以找到一條分界來對資料進行分界,而SVM利用...

技術 [Day23]決策樹(Decision Tree)

在上一篇我們稍為介紹了神經網路之後,我們要來看看另外一個機器學習的分支,Decision Tree。 決策樹 Decision Tree 而要如何運用決策樹...

技術 [Day22]激活函數

終於進到了我們的重頭戲啦,在上一篇我們介紹到了我們的單層感知機!而我們知道單層感知機其實就類似是一個神經元,它能做簡單的判斷!那麼接下來,我們如果把多個感知機串...

技術 [Day21]Perceptron感知機

Perceptron感知機 在線性回歸後,用來做預測的另外一種數學模型被開發了,感知機, 一個利用"單個"神經元運作的原理,被用來當成感知...

技術 [Day20]機器學習歷史:線性回歸

現在讓我們簡要介紹一下機器學習的歷史,看看它是如何隨著時間的推移演變成今天如此受歡迎的深度學習神經網路。[來自課程內容] 機器學習的方法有很多,但是並非一開...

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...

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...

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...

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Go...

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PreT...

技術 [Day14]Facets

Facets是一個視覺化資料庫的工具,而在Facets裡可以儲存的資料不僅可以是結構化的資料, 也可以是非結構化的資料,在Facets裡,我們甚至可以視覺化圖片...

技術 第11屆iT邦幫忙鐵人賽 - 起跑

近來因為有一大堆人工智慧的新聞,所以好奇開始自修 Machine Learning(機器學習), 這個過程有點辛苦,因為資料很多,堆積如山的名詞,技能樹好複雜。...

技術 [Day12]機會均等

假設您有一個適用於所有用戶的模型,無論他們是誰或來自哪裡。 理想情況下,所有符合我們模型生成的理想結果的用戶應該在所有用戶中獲得正確分類以獲得理想結果的平等機...

技術 [Day11] 混淆矩陣

在訓練Machine Learning Model時,我們的Model一定會出錯, 而錯誤又分成兩類,在優化錯誤時應該要想,我們的錯誤要往哪方面優化,才會對使用...

技術 [Day10]導入ML五大步驟

企業該如何在自家產品導入Machine Learning技術 Google在導入ML技術時有五個步驟, 缺一不可每個都非常重要, 只要停留在其中一個步驟太久,...

技術 [Day09]Machine Learning 10 大陷阱[下]

延續上一篇文章,這篇文章要來談談ML的10 大陷阱剩下的五個! 6. ML model 向錯誤的地方優化 ***> 你的用戶可能不在乎你給他們的是ML,...

技術 [Day08]Machine Learning 10 大陷阱[上]

ML 十大陷阱 * 1.ML需要大量的軟體基礎 什麼難道ML不需要太強的軟體基礎嗎?Google解釋,再導入ML到自家公司時,選擇預有的框架會比較好, 許...

技術 [Day07]資料的流動,以及訓練與預測處理的差別

這篇其實又再推坑GCP啦!主要會講到DataFlow和一些TensorFlow耶~。 ↓↓↓↓↓正文↓↓↓↓↓ Stream Data 以及 Batch Da...

技術 [Day06]一切都是數據!

前面提到了,要訓練ML就需要數據,而且是大量的數據,這些數據不僅要大、更要多樣! Google地圖 看到這張圖了嗎?左邊第一個是GoogleMaps的經典應...

技術 [Day05]其他企業開發ML案例(With Google)

幫助其他企業導入ML,也是現今Google的一個重要的業務,上一篇有提到,GCP就是一個很好的例子。 但是GCP內究竟有哪些功能可以幫助其他企業導入ML?讓我們...

技術 [Day04]Google Cloud Platform

各位晚安,今天這篇文是用來介紹(業配)(我沒收到$嗚嗚)GCP的, 老實說Google在一開始的課程就在推坑GCP了,不過我沒有跟著他的課打文章XD 把第一章節...

技術 [Day03]Google把ML用在哪了?

在上一篇介紹完ML技術之後,接下來打算和大家看的是ML到底可以應用在哪裡, 而Google又把ML用在了哪裡! 在進入Google把ML用在了哪些產品上之前,...

技術 [Day02]什麼是機器學習?

在人工智慧領域我們常常聽到AI、ML甚至是DeepLearning......等 這些東西一樣嗎?當然不, 在進入ML的領域之前,我們要先比較ML和AI的差異。...

技術 [Day01]Google'sMachineLearning_挑戰機器的智慧極限[前言]

Google在今年3月份出了一個ML_StudyJam的初級, 而在這個盛夏,偉大的Google終於出進階了! 而這次很榮幸的結合了IT邦的撰文活動,30天的鐵...