鐵人檔案
透過分享ML Study Jam課程中的所學與Google Cloud Platform的使用，協助大家更輕鬆地利用Machine Learning解決問題。
課程簡介 在前一門課程How Google does Machine Learning當中，我們學習到了機器學習這門對你我生活帶來重大改變的領域，在Google...
監督式學習與非監督式學習 在實作機器學習模型上，理解我們所面的問題為何種形式，並且將之轉換為可以建模的機器學習問題可謂至關重要。一般來說，我們所面對的機器學習問...
線性回歸 談到機器學習的演算法，首先我們從最簡單的方法談起。相信如果各位有稍微接觸過統計學這門學科的話，一定不會對我們今天要介紹的主角**線性回歸(Linear...
感知器 今天要介紹的機器學習演算法為 感知器(Perceptron) ，感知器的形式為一個簡單的神經網路模型(見圖1)，將輸入值(特徵)與對應的權重進行加權後，...
決策樹 決策樹(Decision Trees)是一個對人們來說相當好想像的機器學習模型，其樣貌為一個由上往下不斷分枝成長的樹狀結構(見圖1)，在每一個節點(No...
隨機森林 在上一篇文章中，我們談到了決策樹(Decision Trees)這個演算法，並知道該演算法能夠解決非線性的問題，但是在解決機器學習的問題上，單個決策樹...
深度類神經網路 先前的文章中介紹了簡單的感知器(Perceptron)模型，並且有提到感知器可以說是建構現今複雜類神經網路模型的基石之一，今天我們將對機器學習領...
損失函數 機器學習的訓練過程可以視為在選定的模型之下，針對所給定的資料集，尋找出一組最適合的 模型參數(Model Parameter) ，以達到最好的表現。而...
梯度下降法 在上一篇文章當中，我們談到機器學習訓練優化的過程可視為一個不斷地尋找一組能最小化損失函數的模型參數的過程，但是卻尚未解釋我們是如何去尋找那組最適當之...
切分資料集的Why與How 在機器學習的工作流程當中，除了資料前處理、特徵工程、建模等工作之外還有一道非常重要的步驟，即不斷地進行優化實驗來確保我們產出的機器學...
