鐵人檔案
利用這次機會配合Google machine learning study jam
來看看Google是如何運用ML技術。
在訓練Machine Learning Model時，我們的Model一定會出錯，而錯誤又分成兩類，在優化錯誤時應該要想，我們的錯誤要往哪方面優化，才會對使用者...
假設您有一個適用於所有用戶的模型，無論他們是誰或來自哪裡。理想情況下，所有符合我們模型生成的理想結果的用戶應該在所有用戶中獲得正確分類以獲得理想結果的平等機會...
在資料分析以方面，我們常常使用Python配合Jupyter Notebook的環境在電腦上執行代碼，但在GCP上，我們也做得到！ 開啟Qwikilab，開始實...
Facets是一個視覺化資料庫的工具，而在Facets裡可以儲存的資料不僅可以是結構化的資料，也可以是非結構化的資料，在Facets裡，我們甚至可以視覺化圖片資...
在前面的文章提到，GCP上提供了各PreTrained API 他們除了可以把非結構化資料結構化之外，還能提供甚麼資訊呢？這篇文理會提到四個GCP上的PreTr...
上一篇介紹完Pretrained ML API這篇要來實作啦~首先我們的學習平台還是利用QiwiksLab進到GCP(如果沒有參加課程直接使用GCP的話Goog...
實在是太棒了！從這篇開始我們會進入第二個課程，Launching into Machine Learning原本以為第一個課程會在10篇內完成，結果把內容打一打...
Supervised Learning 監督式學習，是機器學習的一個分支，在前面ML應用的文章就有稍微簡單的介紹過一次了，但是這次我們要深入的研究，監督式學習。...
上一篇我們可以看到，可以利用ML技術來預測的兩個問題，回歸(Regression)與分類(Classification)，而這裡種問題相信搭家應該都可以輕易地分...
現在讓我們簡要介紹一下機器學習的歷史，看看它是如何隨著時間的推移演變成今天如此受歡迎的深度學習神經網路。[來自課程內容] 機器學習的方法有很多，但是並非一開...
