iT邦幫忙

鐵人檔案

2021 iThome 鐵人賽
回列表
AI & Data

後端工程師的ML入門理解與Vertex AI 系列

以後端工程師的身份角度出發,分享我們從零開始摸索機器學習,與試圖理解相關必要的基礎知識之後,嘗試應用的心得,搭配google提供的GCP Vertex AI工具實作。

鐵人鍊成 | 共 30 篇文章 | 5 人訂閱 訂閱系列文 RSS系列文 團隊神龍特攻隊 - it 宏的逆襲
DAY 1

前言 | ML#Day1

AI和資料科學在最近幾年是非常火紅的話題,日常已經可以隨處可見各種廣告或者企業將AI掛在嘴邊,聲稱其應用採用AI人工智慧,幫助產品或者使用方式更加智能,為生活帶...

2021-09-09 ‧ 由 虎斑貓 分享
DAY 2

了解必要的概論 | ML#Day2

ML 最主要的目的是得到一個數學函式,或者是說數學模型,然後運用該模型來得到想要的結果。 所謂模型,以資訊工程的角度簡單解釋,可以像是MD5或者sha1 那樣的...

2021-09-10 ‧ 由 虎斑貓 分享
DAY 3

ML是一種方法 | ML#Day3

在踏入ML領域的第一步,也是最核心的關鍵,就是決定命題。 那麼會想解決什麼樣的問題呢? 若要在工作上落地應用,想必是與業務相關的問題,也因此本身題目的決定就是很...

2021-09-11 ‧ 由 虎斑貓 分享
DAY 4

挑選命題的要件 | ML#Day4

過去那一段時間,直到感受做不出明確的實作成果,和夥伴才意識到題目有問題。 經驗整理一下,或許可以用幾個面向來決定我們的題目: 1. 結果的資料型態: 連續型資...

2021-09-12 ‧ 由 虎斑貓 分享
DAY 5

模型有適用性 | ML#Day5

一開始因為不太清楚怎麼理解ML的學習脈絡,而盲目的亂看各種數學模型的基本原理,以及訓練用的參數和函式怎麼挑選等等,甚至回頭唸了一段統計,試圖從中挑選最好的方式,...

2021-09-13 ‧ 由 虎斑貓 分享
DAY 6

用題目找參數的困難 | ML#Day6

我們遇到了一些困擾與令人印象深刻的問題與經驗。 有個問題是這樣:先決定題目後再挖掘參數,還是看已有的參數有什麼去想像能做什麼題目?面臨到的是決定好題目但系統卻沒...

2021-09-14 ‧ 由 虎斑貓 分享
DAY 7

特徵處理的概念 | ML#Day7

所謂參數,是在ML裡面最關鍵也最麻煩的部分,俗話說garbage in garbage out,輸入的內容不洽當,模型做得再好也無用武之地。 在ML裡面會納入的...

2021-09-15 ‧ 由 虎斑貓 分享
DAY 8

特徵萃取 | ML#Day8

需要發展「特徵工程」的另一個入門大問題,是沒有想過會需要做特徵提取的工作,也就是從參數裡面得到新的參數,沒踏入這個領域,真的沒想到還要做這個。 這個步驟其實可以...

2021-09-16 ‧ 由 虎斑貓 分享
DAY 9

資料的含義 | ML#Day9

實務上,我們可能並沒有自己想的那麼了解系統的真實面,這也造就一些起步上的困難,反思一下,這也關於問題的選定,與挑選參數的過程與方式,有些相關延伸思考的地方。 打...

2021-09-17 ‧ 由 虎斑貓 分享
DAY 10

前兩次題目的結論 | ML#Day10

接下來跟大家分享我們的入門命題,其實是第三次的題目了,就這點而言,感謝團隊擁有這樣的彈性,並願意一同檢討過去的得失,將經驗成為下次施做的養分。 前二次題目的出發...

2021-09-18 ‧ 由 虎斑貓 分享