Instance Base
-
laptop_chromebookDistance
Instance Base 的計算核心
-
classK-means
K-means 演算法
-
import_contactsHierarchical Clustering
Hierarchical Clustering
-
import_contactsK-nearest Neighbor Models
K-NN演算法
Information base
-
layersEntropy
Information Base的基礎─Entropy介紹
-
classDecision Tree
決策樹的運作方式與各種改良
-
import_contactsRandom Forest
隨機森林的運作方式
-
buildHow to improve your decision tree
決策樹的實務與改良
Error Base
-
layersLinear Regression
線性迴歸 前去了解 send
-
classGradient Descent
線性回歸的權重更新原理以及不同的Gradient Descent
-
class模型的挑選與優化
如何挑選線性回歸的模型並優化
-
layersClassification
本章節包含了Probabilistic Generative Model與Logistic Regression
-
layersNeural Network
類神經網路計算原理
-
layersWhy Deep
深度神經網路的實作以及注意事項
-
layersConvolutional Neural Network
卷積神經網路的原理與實務
-
layersRecurrent Neural Network
遞迴神經網路的原理與LSTM介紹
Similarity Base 演算法簡介
聚類演算法常應用於市場分析、金融、娛樂等領域上，例如電影的推薦系統、客戶分類、市場飽和度分析等等。
常見的演算法有：K-means、Hierarchical Clustering等。
本站將會介紹K-means、Hierarchical Clustering。
Information Base 演算法簡介
聚類演算法常應用於市場分析、金融、娛樂等領域上，
例如電影的推薦系統、客戶分類以及市場飽和度分析。
常見的演算法有：K-means、Hierarchical Clustering等。
本站將會介紹K-means、Hierarchical Clustering。
Error Base 演算法簡介
Error Base的機器學習演算法是近年來相當熱門的領域，
除了應用廣泛的線性迴歸外，類神經網路更是近年來相當受到矚目的演算法之一。
類神經網路的理論最早可追朔至1949年，著名心理學家D. Olding Hebb提出的神經元的數學模型，
但由於早期的電腦效能不佳難以計算複雜的類神經網路，因此隨著近年電腦效能跳躍式的提升，
除了使相關領域的演算法發展加速外，由於卷積神經網路(CNN)於各領域的應用的突破，
使得人們更重視這個領域的演算法發展。
本系列文章將基於國立台灣大學李宏毅教授的機器學習課程延伸更多內容。