鐵人檔案
本系列文章將以「零基礎也能上手」為出發點，帶領讀者在 30 天內逐步認識並實作深度學習的核心概念與應用。內容涵蓋神經網路基礎、模型訓練流程、常見的框架（TensorFlow、PyTorch）操作，以及如何應用於職場實務案例，如文件自動分類、客服文本分析、影像辨識與報表自動生成等。目標是幫助初學者在每天一小時的學習時間內，累積出可立即應用的技能，縮短從「AI 新手」到「職場應用」的學習曲線。
在前幾天的學習中，我們了解了有關神經網路的基本組成，像是資料如何進入模型（前向傳播）、如何透過啟動函數轉換訊號、還有如何利用損失函數評估模型的表現等等。 但到目...
在前幾天的學習中，我們先認識了資料如何透過前向傳播進入神經網路，然後再由反向傳播利用梯度來修正模型參數。到這裡，我們已經知道模型的「學習」過程，就是不斷地讓參數...
到目前為止，我們已經學過資料處理、視覺化、框架選擇，以及神經網路的基本原理。 而在討論過大致上理論的東西後，我們今天就要邁出更實際的一步 -使用 Keras 建...
當我們在訓練神經網路時，其實模型就像是一個學生在學習。我們給它資料、給它目標答案，它就一步步調整自己，希望能越來越聰明。 但問題來了：我們怎麼知道它到底學得好不...
在過去的學習裡，我們總是希望模型的準確率越高越好，但當你看到訓練集準確率接近 100%，而驗證集或測試集的準確率卻明顯落後時，就要小心了。 這種情況並不是模型真...
你有沒有過這種經驗：做菜時明明是照食譜放材料，但最後味道卻總是不盡人意?(時常下廚的我非常有感觸 = =)而你知道其實在訓練神經網路時也可能常遇到類似的問題嗎?...
在過去的幾天，我們一步步認識了神經網路的基本組件，並且在第7天時透過 MNIST 的手寫數字辨識體驗了第一個深度學習實作。 而在今天，我們要更進一步挑戰更貼近現...
在前面幾天的學習中，我們已經用 Keras 實作過基本的分類模型，像是使用全連接層（Dense layer）來處理圖片資料。 然而，這種方式往往效果有限。原因在...
到今天為止，我們已經理解大部分 CNN 的基本概念（卷積、池化等）。 在學習完後馬上開始實作我覺得是最適合不過的了，把「理論」變成「可以跑起來的模型」。 今天我...
接續昨天程式碼解說，話不多說，即刻開始。(還沒閱讀過昨日文章者，可以先前往上一篇觀看) 5. 豐富的資料增強 train_datagen = ImageDat...
