將配合[ML Study Jam 機器學習培訓計劃 - 進階]參與挑戰,個人背景略有相關知識與應用經驗,但皆是短時間、片段的接觸機器學習,希望能完整的經歷該次學習歷程,彙整所需知識與技術並樂於分享所學。
從前面的經歷,實際上已不斷的使用了GCP(Google Cloud Platform)中的AI Platform,為了有效達到上一次提及的分散式運算,以應對接踵...
特徵工程(Feature Engineering),藉由著手處理原始資料,用相關的領域知識(Domain Knowledge)將其轉化為富含意義的新特徵,藉以提...
個個資料該怎麼處理、怎麼安排,影像、文字、表格...等等雜亂混雜的數據海該如何妥善的抽離、轉化成我們所需的模樣,這時就如同配管線一般,一一將數據做正確的導引和延...
實際上在特徵工程(Feature Engineering)的環節,從數據到特徵都是不斷的前處理(Preprocessing) 在做前處理時可以使用Datafl...
特徵組合(Feature Crosses)是利用大量資料後可實現的強力方法,藉由此方法可以繼續使用線性模型取代原有類神經網路解決非線性輸入的情境。 先讓我們看...
嵌入(embedding)我們的特徵組合 全新未曾接觸過的概念,只知用途並不是到十分了解,它基本的概念是用少數資料代表原本大量的內容,高維度轉換到低維度終 其...
正規化與超參數(Hyperparameter)調整的教學,藉由Tensorflow playground來學習有關正規化的概念和內容,之後更介紹能運用Googl...
正規化(Regularization)與類神經網路(Neural Network) 正規化是使用了歐幾里得距離的概念去實行的,多半有R1和R2這兩種方法,此為...
教如何客製化自己的Estimator並介紹Keras Keras算是一個TensorFlow的簡化操作API,是用Python所編寫出來的,使用它便是我們在模...
Embedding能降維、處理稀疏數據、協助模型泛化,說是極為強而有力的方法,潛在特徵(Latent Features)也在重複embedding的過程中順應而...