鐵人檔案
藉由本次大賽的贊助，學習Google提供的Machine Learning（ML）
看看30天，自己可以往前多遠
熟悉TensorFlow的第一步就是製作線性回歸（linear regression），此篇也是從First Steps with TensorFlow而來，以...
這篇在說理論，說明何謂「Generalization」，以及要訓練機器學習的時候有什麼原則。 （本篇是Generalization) 何謂「泛化（Genera...
本篇也是進行說明，是關於訓練資料與測試資料相關資訊。 上篇說明模型「泛化」，當我們做出模型的時候，要進行調整與測試，讓我們的預測越接近現況。而在這邊要規劃我們...
有了訓練、測試等資料集，要驗證模組是否正確，也就需要驗證集（validation data） 〈圖一、訓練與測試集〉 我們把資料分成兩個部分，一個是訓練集，一...
先前說了資料集的處理及分配，但是到底資料要如何提供呢？怎樣的資料才是好的呢？ 資料處理是機器學習重要的一環，資料找出特徵，讓資料得以表現出他的價值，也就是可以給...
用Feature Crosses讓我們的樣本放入十字表格中，讓模型更容易出來。 教學文章：Feature Crosses 根據網路的文章（特徵組合&特...
為解決無法用「線性函數」做區別的資料，除了前一篇所言，還可以使用「Crossing One-Hot Vectors」。（也許可以說「一個熱鍵」？） 文章：cr...
這幾天提到的概念：Feature Crosses、Feature不能太多等等，聽起來是一回事，但做起來又是另外一回事。本篇會稍微玩一下遊戲區，看看這些概念到底在...
本篇會講一些Google提供的機器學習之環境到底是怎樣，如何協助我們。文章：Production ML Systems 這是課程中描繪的圖片： 明顯的看得出來...
文章：Static vs. Dynamic Training 進行模型訓練方式依據資料是否會變動，將分成兩種方式：靜態（static）和動態（dynamic）...