半監督式學習Semi-Supervised Learning
為何需要半監督式學習Semi-Supervised Learning? 在某些應用場景，由於標註資料不易取得， […]
半監督式學習Semi-Supervised Learning 閱讀全文 »
機器學習基礎
深度解析Lasso, Elastic net, Ridge方法
介紹 一般採用的線性回歸方法，有可能因為一味要求誤差降到最小，而造成模型有過擬合現象產生，因而模型有硬記答案的
深度解析Lasso, Elastic net, Ridge方法 閱讀全文 »
動量梯度下降法(Gradient Descent with Momentum)
梯度下降法限制 在使用傳統的梯度下降法，在下降的過程中，由於非常依賴當前的損失地形，在某些情況下，可能會有飄動
動量梯度下降法(Gradient Descent with Momentum) 閱讀全文 »
淺談Lasso, Elastic net, Ridge方法
線性回歸介紹 先來介紹何謂線性回歸? 線性回歸是一種最簡單建立數學模型的方法，它的作法是以線性方式擬合一群資料
淺談Lasso, Elastic net, Ridge方法 閱讀全文 »
DBSCAN分群是什麼?可應用在什麼樣的場景?
介紹 DBSCAN是一種以密度為基礎的分群方法，判定鄰近資料點密度比較高的時候，就會視為同一群，透過這種方式可
DBSCAN分群是什麼?可應用在什麼樣的場景? 閱讀全文 »
探索物理領域的資料擴增技術：提升機器學習效能的關鍵要素
為何我們需要有資料擴增的方法? 這是因為機器學習模型是需要有大數據打造而成，在很多現實的情況，數據量往往有限，
探索物理領域的資料擴增技術：提升機器學習效能的關鍵要素 閱讀全文 »
從鳶尾花範例帶您了解深度學習(Deep Learning)、機器學習(Machine Learning)、規則為主方法(Rule-based Method)
鳶尾花分類介紹 鳶尾花細分會有不同種類，在機器學習常用的數據集裡面，就有鳶尾花數據集，裡面有不同鳶尾花的特徵以
從鳶尾花範例帶您了解深度學習(Deep Learning)、機器學習(Machine Learning)、規則為主方法(Rule-based Method) 閱讀全文 »
機器學習基礎—特徵歸一化(feature normalization)
前言 機器學習並不像深度學習可以自動辨別關鍵特徵。機器學習在訓練之前，需要針對輸入進行特徵工程才會讓模型有好的
機器學習基礎—特徵歸一化(feature normalization) 閱讀全文 »
判斷模型對於回歸問題的好壞—精確度(均方根誤差,MSE)與穩健度(全距,Range)的考量
為什麼要要有度量標準? 當模型訓練完成後，我們不確定到底模型有沒有訓練好?有可能模型會有過擬合的現象，只有在特
判斷模型對於回歸問題的好壞—精確度(均方根誤差,MSE)與穩健度(全距,Range)的考量 閱讀全文 »
分群演算法(cluster analysis)
為什麼要介紹分群演算法(cluster analysis)? 分群演算法是一種非監督式學習(unsupervi
分群演算法(cluster analysis) 閱讀全文 »