鐵人檔案
昨天分享了 PU Learning 的介紹，今天要來說說他的常見方法 — 2-step strategy 2-step strategy / Two-Step...
先幫大家快速復習一下，監督與非監督的學習區別： 監督式學習 → 鑑往知來 / 訓練資料集有標記 目標是通過這些標記來讓模型學習，以便對新的未標記數據進行預測...
今天要來分享的是 遷移學習 先舉個例子，假設你是位很厲害的廚師，特別擅長做披薩，你已經花了好多年的時間學習如何製作美味的披薩，像是怎麼調配麵團、醬料和烘烤溫度等...
在昨天的遷移學習中，有個重要的議題，那就是如何讓一個在某個領域（例如：影像辨識）上訓練得很好的模型，能夠在另一個領域上也表現出色? 這個就是領域自適應要做的事情...
昨天介紹了樣本自適應、特徵層面自適應，以及模型層面自適應之後，今天要來繼續分享領域自適應的技術，這個領域可以進一步分為根據差異、根據對抗性以及根據重建的領域自適...
到目前為止，分享了一些模型學習的方法，現在要來寫些比較輕鬆的內容，來聊聊模型的評估指標在前面的分享中，有很多方式可以選擇要如何訓練模型，但是要怎麼知道模型是否有...
在一個二元分類模型中，我們的目標是預測兩個可能的結果之一，但在一般情況下，模型不會直接輸出 0 或 1 以確定分類，而是會為每個可能的分類輸出一個機率值，然後這...
今天要來分享分割模型、回歸模型的常見評估指標 分割模型 通常用於醫學影像或圖像分割這樣的任務 Jaccard 係數(Jaccard Coefficient...
今天開始會往影像分割分類任務進行分享～ 首先，來介紹一下影像分割的任務！影像分割的核心目標是對一張影像中的每個小區域進行精確標記，來告訴模型這些區域代表的是什...
今天要來分享的是一個在語義分割領域中，很典型的分割模型 U-Net 是一個深度學習的網路架構，專門為處理醫學影像分割任務而設計的，不同於一般的卷積神經網路（C...
