鐵人檔案
在 AI 快速發展的時代，影像辨識已經被廣泛應用在生活中的各種場景，但一張圖片究竟是如何被電腦「看懂」的呢？
這個系列將用 30 天的時間，從最基礎的 Pixel、影像組成與影像前處理開始，一步步認識 Computer Vision 與影像辨識的核心概念，並透過 Python 與實際資料集進行操作，逐漸進入模型建立、訓練與結果評估。
希望透過這 30 天，記錄自己從基礎到實作的學習過程，也讓第一次接觸影像辨識的人，可以一起了解 AI 究竟是怎麼從一張圖片中學會「看」的。
上一篇我們認識了 Neural Network，也知道模型所謂的「學習」，其實就是透過一次又一次的預測與修正，不斷調整內部的 Weight 和 Bias 今天終...
上一篇我們終於建立了第一個 DNN，成功將 HAM10000 的皮膚病灶圖片送進模型，並透過 Softmax 輸出 7 個類別的預測結果，不過，在建立模型時，我...
上一篇我們知道，DNN 會先透過 Flatten 將圖片攤平成一串數字，而 CNN 則可以保留圖片原本的空間結構，從局部區域學習影像特徵但這裡就出現了一個新的問...
上一篇我們認識了 CNN 最重要的核心之一：Convolution我們知道 Kernel 會在圖片上移動，對不同的局部區域進行計算，最後產生新的 Feature...
前幾天我們把 CNN 拆成不同的部分來認識，在 Day12 我們知道 CNN 和 Dense Neural Network 的差別，Day13 認識了 Conv...
上一篇我們終於建立了第一個 CNN Baseline Model，並在 Test Data 上得到： Test Loss：0.7664Test Accuracy...
上一篇我們開始用 Accuracy、Precision、Recall 和 F1-score 來評估模型的表現，而在 Day15 訓練 CNN 時，其實還有一個數...
上一篇我們認識了 Loss，也知道模型在訓練過程中，會透過 Loss 判斷預測結果和正確答案之間的差距，再不斷調整 Weight 和 Bias，不過，在前面訓練...
上一篇我們認識了 Overfitting 與 Underfitting，其中提到一個很重要的現象 Training Accuracy 持續上升與 Validat...
上一篇我們介紹了 Epoch 與 Early Stopping，也知道模型不一定要訓練越久越好，不過在前面的模型訓練程式中，除了 epochs 之外，還有一個參...
