Google machine learning 學習筆記 :: 第 11 屆 iThome 鐵人賽

1 Like 0 留言 16292 瀏覽

DAY 21

【Day 21】 Google ML - Lesson 7 - 梯度下降法 (Gradient Descent)介紹,使用「梯度下降法」決定ML模型中參數修正的「方向」與「步長(step size)」

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-22 ‧ 由嗡嗡分享

1 Like 0 留言 17846 瀏覽

DAY 22

【Day 22】 Google ML - Lesson 8 - 學習速率 (learning rate) 介紹, 透過「learning rate」調整ML模型訓練的學習速度

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-23 ‧ 由嗡嗡分享

0 Like 0 留言 42904 瀏覽

DAY 23

【Day 23】 Google ML - Lesson 9 - 加速ML模型訓練的兩大方法(如何設定batch/檢查loss頻率)、batch size, iteration, epoch的概念和比較

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-24 ‧ 由嗡嗡分享

0 Like 0 留言 4589 瀏覽

DAY 24

【Day 24】 Google ML - Lab 4 - TensorFlow Playground - 讓我們在視覺化的網頁中體驗一下訓練ML模型吧！learning rate 改變對訓練過程的影響

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-25 ‧ 由嗡嗡分享

1 Like 0 留言 6606 瀏覽

DAY 25

【Day 25】 Google ML - Lab 5 - 在視覺化的網頁中觀察神經網路(neural network)如何分類資料, 並比較batch size如何影響gradient descent

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-26 ‧ 由嗡嗡分享

0 Like 0 留言 9795 瀏覽

DAY 26

【Day 26】 Google ML - Lesson 10 - 泛化(Generalization)-檢查ML模型對於未知資料集的預測能力, underfitting與overfitting的問題

前言 (我們今天要先進第四章節囉~)這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說...

2019-09-27 ‧ 由嗡嗡分享

1 Like 0 留言 12897 瀏覽

DAY 27

【Day 27】 Google ML - Lesson 11 - 我們應該何時停止ML模型的訓練? 利用驗證資料集, 測試資料集, 交叉驗證(cross-validation) 評估模型訓練結果的好壞

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-28 ‧ 由嗡嗡分享

0 Like 0 留言 8077 瀏覽

DAY 28

【Day 28】 Google ML - Lesson 12 - 不適當的最小loss, 完美損失函數(loss function)存在嗎?ML模型的性能指標(performance metrics)

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-29 ‧ 由嗡嗡分享

3 Like 0 留言 38505 瀏覽

DAY 29

【Day 29】 Google ML - Lesson 13 – 以混淆矩陣(confusion matrix)分析ML模型好壞,可評估的三種指標Accuracy, Precision, Recall

前言這幾天的文章會是一系列的，會需要一起看才比較能看懂整個ML模型的輪廓，然而因為一天能寫的內容量有限，所以我會在前言部分稍微說明我寫到哪。複習一下ML的整...

2019-09-30 ‧ 由嗡嗡分享

1 Like 3 留言 3500 瀏覽

DAY 30

【Day 30】 Google ML - 30天內容回顧與課程索引, 參賽心得, 未來計畫與感謝

今天是最後一天了，我們就來稍微回顧一下這30天走過的路，以及這30天過程中的心得，最後我想說文章的未來計劃與表達感謝。 30天內容回顧與課程索引在這30天的...

2019-10-01 ‧ 由嗡嗡分享

鐵人檔案

Google machine learning 學習筆記系列

【Day 21】 Google ML - Lesson 7 - 梯度下降法 (Gradient Descent)介紹,使用「梯度下降法」決定ML模型中參數修正的「方向」與「步長(step size)」

【Day 22】 Google ML - Lesson 8 - 學習速率 (learning rate) 介紹, 透過「learning rate」調整ML模型訓練的學習速度

【Day 23】 Google ML - Lesson 9 - 加速ML模型訓練的兩大方法(如何設定batch/檢查loss頻率)、batch size, iteration, epoch的概念和比較

【Day 24】 Google ML - Lab 4 - TensorFlow Playground - 讓我們在視覺化的網頁中體驗一下訓練ML模型吧！learning rate 改變對訓練過程的影響

【Day 25】 Google ML - Lab 5 - 在視覺化的網頁中觀察神經網路(neural network)如何分類資料, 並比較batch size如何影響gradient descent

【Day 26】 Google ML - Lesson 10 - 泛化(Generalization)-檢查ML模型對於未知資料集的預測能力, underfitting與overfitting的問題

【Day 27】 Google ML - Lesson 11 - 我們應該何時停止ML模型的訓練? 利用驗證資料集, 測試資料集, 交叉驗證(cross-validation) 評估模型訓練結果的好壞

【Day 28】 Google ML - Lesson 12 - 不適當的最小loss, 完美損失函數(loss function)存在嗎?ML模型的性能指標(performance metrics)

【Day 29】 Google ML - Lesson 13 – 以混淆矩陣(confusion matrix)分析ML模型好壞,可評估的三種指標Accuracy, Precision, Recall

【Day 30】 Google ML - 30天內容回顧與課程索引, 參賽心得, 未來計畫與感謝

鐵人檔案

Google machine learning 學習筆記 系列

標記使用者

Google machine learning 學習筆記系列