鐵人檔案
從Keras框架與數學概念了解機器學習，讓自己在忙很多事後還可以透過review來回憶所了解的內容，也有機會讓從來未接觸過的、但想踏入的有入門的參考。
經過前20節的文章，了解模型訓練與預測相關運作後，接著實例應用並比較幾種損失函數與optimizer的搭配比較。這邊拿某集團企業的銷售資料訂單來做訓練範例。...
當處理的目標是多模型組成，我們可以訓練各種模型至不同的Server 以增加執行與管理的效能: 如果這些訓練好的模型，未來要串接起來，做生成式資料產出，可能會做...
從 keras 框架運作一路看過來，機器在做學習會有個核心概念，這邊會展現出來讓前後關聯可以串通。 機器學習和很多著名的預測方法如貝氏理論、德爾菲法論等等，都...
將概念擺在這個位置的目的，就是希望能夠呼應建構keras模型時的運作，並於自己呼叫keras API 時，知道自己在做什麼。 當概念在腦海裡，搭配前面的章節，...
上一篇文章提到了 logistic single classification，解釋如何實現的一些細節。接下來要探索的是邏輯斯多類別分類。 如果Logisti...
此篇要來看貝葉斯定理如何去協助機器學習判斷的一些重點。前面文章有稍微提到貝葉斯也是透過不斷更新權重來達成最佳結果，於此來重點式了解其運作。 1.貝葉斯定理...
由前文中貝氏定理的敘述，觀察先驗的假設為離散的狀況: 其分母會是一個固定的常數。所以後驗機率會與分子有正相關，也就是和"概似度乘上先驗機率"...
於最初的文章，有提到機器學習是趨勢，但怎麼開始、學那些技能、要看那些文件文章、要如何使用工具等等，google後又因資訊太多太複雜，讓學習意願或者動力被澆熄被...
這節會點出第一篇所提到的內容作呼應，也就是跨領域合作。 國內大部分的AI還在規劃討論階段，而全球較先進的地方是在進行式階段。 這代表還有突破的空間。如何運用機器...
此系列內容的順序為 keras訓練架構運作 -> 機器學習概念 -> 相關數學概述，是為了提供日後有需要時，可以查閱參考，得以解決問題。其敘述方...
