鐵人檔案
在這個資料量爆炸的時代，人工處理有其限制，學習如何分析Big Data已經是不可避免的現在進行式，於是決定在被後浪推倒之前還是來乖乖複習相關知識，並學習如何站在Google巨人的肩膀上活用機器學習，以及如何應用進工作/生活中。
Google今年和iT邦幫忙鐵人賽合作，多了一個Google Developers Machine Learning的主題，當我看到這個消息時真的是非常之興奮，...
這次Google的課程是透過Coursera平台來進行線上課程，官方其實有提供一份註冊教學手冊（網址：https://bit.ly/tw-mlstudyjam-...
今天就開始第一堂課吧！這堂課主要說明Machine Learning的概念，並加上一些簡單實作，並沒有太多的技術細節，對於要建立完整概念幫助十分大，但如果是對資...
今天來介紹第2個模組吧。 首先，講師提到許多人都會問AI與ML有什麼不同，而簡單來說，AI是理論或方法論，而ML則是工具或演算法。換言之，我們為了達成用AI來預...
接下來繼續第2個模組的介紹。 講師說明為什麼要利用ML來取代經驗法則 (Heuristic Rules)，如果是做小規模的專案還好，了不起寫個50個IF跟ELS...
那要如何開始ML的第一步呢？從Google的經驗來看，一個成功的專案通常都是來自那些日常原本就已經有用人工在處理的任務，而且已經有累積一定量的資料，也就是說，你...
今天終於進到模組3啦！在這個模組中將會介紹Google是如何進行ML的。 首先，用ML來解決問題跟一般人用寫程式來解決問題有什麼不同呢？假設要解決一個A+B的問...
今天要介紹的是，根據Google經驗，建議我們在進行ML專案時應該要避免的以下10個陷阱： ML只需要剛好的軟體作為基礎設施：很多時候，一個ML模型會需要足夠...
做ML其實跟商業流程一樣需要回饋機制，以電話客服為例，每次打電話過去，並在掛電話後，都還會接到詢問滿意度的調查電話，而客服就會依滿意度調查的意見來進行流程或回覆...
昨天提到了透過五個部分以達成ML，今天則以更全面的方式來介紹，在這五個步驟中，執行者(Executes)、執行參數(Parameters)及回饋方式(Feeba...
