iT邦幫忙

鐵人檔案

第 11 屆 iT 邦幫忙鐵人賽
回列表
Google Developers Machine Learning

Machine Learning Study 30天學習筆記 系列

2019是很特別的一年,人生有了很多轉變,這次能有機會參與 Google Developers 推出的 Machine Learning 機器學習培訓計劃(ML Study Jam),去認識 Google 的 Machine Learning 技術,當然得好好把握,期待未來能充實的度過這一個月

參賽天數 19 天 | 共 19 篇文章 | 9 人訂閱 訂閱系列文 RSS系列文
DAY 1

[Day 1] Machine Learning with TensorFlow 五門課程學習導覽

很幸運近日才剛有了想要一窺機器學習的念頭,就看見鐵人賽的宣傳,約略地看一下介紹,居然也有 Google 所準備的 ML 課程在其中,怎麼想都覺得是很不可多得的學...

DAY 2

[Day 2] 什麼是 Machine Learning (上)

在 Google,我們在幾乎所有產品中應用機器學習。 我們希望您以Google Cloud為基礎。 很多人可能會與Google服務互動 - 照片,Youtube...

DAY 3

[Day 3] 什麼是 Machine Learning (下)

將問題以三種不同的方式進行轉換。 首先,將其作為機器學習問題,預測內容,需要什麼數據。 其次,將其視為軟體問題。 預測期間問題的API是什麼?誰將使用該服務?他...

DAY 4

[Day 4] Machine Learning 在商業應用上的發展層次

總結ML中的這五個階段,包括貢獻者,授權,數字化,大數據和機器學習。 其中的變化之一是誰或正在執行該過程。 在個人貢獻者階段到代表團,有著人數上的變化。 後方三...

DAY 5

[Day 5] 數據的包容性

除了這些技術和業務方面,另一件需要考慮的事情是模型對待用戶的公平性和包容性。 機器學習策略的一個關鍵方面是以包容的方式構建機器學習系統。 因此,在本單元中,我將...

DAY 6

[Day 6] Cloud Datalab

Cloud Datalab基本上是編寫代碼時使用的開發環境。 Cloud Datalab筆記本在虛擬機上運行。因此,我們將討論計算引擎和雲端儲存。 首先,這意味...

DAY 7

[Day 7] Supervised Learning

ML的歷史,用於調查過去50年的算法,並了解為什麼神經網絡此時如此突出。 讓我們從有監督的機器學習開始吧。兩種最常見的機器學習模型是監督和無監督的ML模型。 關...

DAY 8

[Day 8] loss function

ML模型是具有參數和超參數的數學函數。參數是在模型訓練期間發生變化的實值變量。 超參數是我們在訓練之前設置的設置,之後不會改變。 正如我們在最後一個模塊中所討論...

DAY 9

[Day 9] overfitting

讓我們首先解決概括問題,這有助於我們回答有關何時最準確的ML模型並非總是最佳選擇的問題。 要對此行為進行建模並證明相關性,您通常首先要調用哪種模型? 如果你說一...

DAY 10

[Day 10] validation set

除了幫助我們在兩種不同的ML模型之間進行選擇之外,我應該使用線性回歸還是神經網絡? 您還可以使用驗證數據集來幫助微調單個模型的超參數,超參數是在訓練之前設置的。...