iT邦幫忙

鐵人檔案

第 11 屆 iThome 鐵人賽
回列表
AI & Data

漫談機器學習與Tensorflow初探 系列

機器學習目前已經是越來越熱門的一個議題,並且可廣泛應用在各種領域。
本系列文主要針對Google在Coursera上的系列課程"Machine Learning with TensorFlow on Google Cloud Platform" 中的精選的兩門高評價課程"Launching into Machine Learning"以及"Intro to TensorFlow"做介紹。部分內容會包含GCP平台的應用。
難度為初中階,希望能給初入機器學習的朋友們一些幫助。

參賽天數 19 天 | 共 19 篇文章 | 3 人訂閱 訂閱系列文 RSS系列文
DAY 1

監督式學習-機器學習基礎

前言:本系列文基於Coursera上Google開設之課程編寫而成,主要針對ML(機器學習)基本概念與Tensorflow做基本介紹。希望能對於初入機器學習的...

2019-09-17 ‧ 由 DeepLearner 分享
DAY 2

回歸與分類-ML問題的兩大分類

在上一篇文中,我們介紹了ML問題的兩個主要分類。現在讓我們更詳細的來深入學習這兩者的差別吧! 回歸與分類   回到上篇文章的餐廳例子,我們想要利用客人帳單的...

2019-09-18 ‧ 由 DeepLearner 分享
DAY 3

線性回歸(linear regression)與損失函數-ML簡史

在上篇文章中研究了回歸與分類的問題後,現在讓我們來進入ML簡史,綜觀機器學習的歷史吧! 回歸的起源 回歸(regression)這個詞最早是由法蘭西斯·高爾...

2019-09-19 ‧ 由 DeepLearner 分享
DAY 4

感知器(Perception)-ML簡史

在上一篇文章中,我們介紹了線性回歸與損失函數,現在讓我們來學習感知器吧! 感知器的緣起 1940年代,美國的科學家提出了人工神經網路的概念,而「感知器」即是...

2019-09-20 ‧ 由 DeepLearner 分享
DAY 5

神經網路(Neural Networks)-ML簡史

在上一篇文章,我們介紹了線性回歸與感知器,現在讓我們來認識ML中最重要的神經網路以及決策樹吧! 多層感知器,可行嗎? 上篇文章中,我們討論到了感知器,但感...

2019-09-21 ‧ 由 DeepLearner 分享
DAY 6

決策樹(Decision Trees)-ML簡史

前篇文章中我們介紹了神經網路的基本構造,現在讓我們來看看決策樹,這個ML歷史上重要的一個里程碑。 就像在80年代和90年代發明樹形算法(例如ID3和C 4....

2019-09-22 ‧ 由 DeepLearner 分享
DAY 7

核方法(Kernel Methods)與支持向量機-ML簡史

從1990年代開始,核方法領域逐漸形成。 Google研究總監,Corinna Cortes是其中一位先驅。 支持向量機 該研究領域發展出有趣的新非線性模型...

2019-09-23 ‧ 由 DeepLearner 分享
DAY 8

隨機森林(Random Forest)-ML簡史

上篇文章我們討論了稍微有些抽象的核方法與核轉換,這節讓我們來看看鼎鼎大名的隨機森林算法! 集成方法與Dropout 在近數十年來,機器學習的研究隨著算力(...

2019-09-24 ‧ 由 DeepLearner 分享
DAY 9

現代神經網路-ML簡史

現代神經網路 時間線又回到了神經網絡,現在透過算力和大數據的飛躍而具有更多的優勢。DNN作為深度學習的重要分支開始在許多方面(如電腦視覺、自然語言處理)大大勝過...

2019-09-25 ‧ 由 DeepLearner 分享
DAY 10

損失函數-機器學習基礎

在上一節中,我們使用參數和超參數將模型定義為數學函數,並介紹了線性模型的參數。然後,我們討論了尋找最佳模型參數集的分析方法。以及如何透過在參數空間中進行搜索來...

2019-09-26 ‧ 由 DeepLearner 分享