- 輸入層：接收數據，對應特徵值，是網絡的入口。
- 隱藏層：學習數據的抽象特徵，引入非線性，處理複雜模式。
- 輸出層：產生結果，將特徵轉換為預測值(regression)或分類(classification)結果。
陳縕儂老師說過 中間的隱藏層通常不會是線性的 如果全部都是線性 那任意交換隱藏層的順序 都不會對輸出有影響
簡單神經網路
更新 發佈閱讀 1 分鐘
留言
Princend的沙龍
0會員
34內容數
Princend的沙龍的其他內容
2025/01/26
這本書旨在幫助創作者分享他們的過程並與受眾建立聯繫，而非僅僅是推銷自己。
## 第一章：你不需要是個天才
* **創造力不只是天賦，而是一種運作方式** 。
* 不要相信「孤獨的天才」神話，偉大的作品往往來自於一個互相支持、彼此學習的「群體」（**scenius**）
2025/01/26
這本書旨在幫助創作者分享他們的過程並與受眾建立聯繫，而非僅僅是推銷自己。
## 第一章：你不需要是個天才
* **創造力不只是天賦，而是一種運作方式** 。
* 不要相信「孤獨的天才」神話，偉大的作品往往來自於一個互相支持、彼此學習的「群體」（**scenius**）
2024/12/31
今年嘗試往不同領域去學習
甚至裸辭參加AI職訓班
雖然成長的幅度沒有想像的那麼好
但是至少是有成長的
期待未來的我
能夠持續學習
達到心中所想的目標
2024/12/31
今年嘗試往不同領域去學習
甚至裸辭參加AI職訓班
雖然成長的幅度沒有想像的那麼好
但是至少是有成長的
期待未來的我
能夠持續學習
達到心中所想的目標
2024/12/25
馬可夫鍊（Markov Chain） 是一種數學模型，用來描述一個系統在不同狀態之間的轉移過程，特點是未來的狀態只取決於當前狀態，而與過去的狀態無關。這種性質稱為馬可夫性質，即「無記憶性」。馬可夫鍊常用於統計學、機器學習、經濟學、生物學等領域。
2024/12/25
馬可夫鍊（Markov Chain） 是一種數學模型，用來描述一個系統在不同狀態之間的轉移過程，特點是未來的狀態只取決於當前狀態，而與過去的狀態無關。這種性質稱為馬可夫性質，即「無記憶性」。馬可夫鍊常用於統計學、機器學習、經濟學、生物學等領域。
你可能也想看
債券投資，不只是高資產族群的遊戲
在傳統的投資觀念中，海外債券（Overseas Bonds）常被貼上「高資產族群專屬」的標籤。過去動輒 1 萬甚至 10 萬美元的最低申購門檻，讓許多想尋求穩定配息的小資族望而卻步。
然而，在股市波動劇烈的環境下，尋求穩定的美元現金流與被動收入成為許多投資人
債券投資，不只是高資產族群的遊戲
在傳統的投資觀念中，海外債券（Overseas Bonds）常被貼上「高資產族群專屬」的標籤。過去動輒 1 萬甚至 10 萬美元的最低申購門檻，讓許多想尋求穩定配息的小資族望而卻步。
然而，在股市波動劇烈的環境下，尋求穩定的美元現金流與被動收入成為許多投資人
透過川普的近期債券交易揭露，探討債券作為資產配置中「穩定磐石」的重要性。文章分析降息對債券的潛在影響，以及股神巴菲特的操作策略。並介紹玉山證券「小額債」平臺，如何讓小資族也能低門檻參與海外債券市場，實現「低門檻、低波動、固定收益」的務實投資方式。
透過川普的近期債券交易揭露，探討債券作為資產配置中「穩定磐石」的重要性。文章分析降息對債券的潛在影響，以及股神巴菲特的操作策略。並介紹玉山證券「小額債」平臺，如何讓小資族也能低門檻參與海外債券市場，實現「低門檻、低波動、固定收益」的務實投資方式。
解析「債券」如何成為資產配置中的穩定錨，提供低風險高回報的投資選項。
藉由玉山證券的低門檻債券服務，投資者可輕鬆入手，平衡風險並穩定財務。
解析「債券」如何成為資產配置中的穩定錨，提供低風險高回報的投資選項。
藉由玉山證券的低門檻債券服務，投資者可輕鬆入手，平衡風險並穩定財務。
相較於波動較大的股票，債券能提供固定現金流，而玉山證券推出的小額債，更以1000 美元的低門檻，讓學生與新手也能參與全球優質企業債投資。玉山E-Trader平台即時報價、條件式篩選與清楚的交易流程等特色，大幅降低投資難度，對於希望分散風險、建立穩定現金流的人來說，玉山小額債是一個值得嘗試的理財起點。
相較於波動較大的股票，債券能提供固定現金流，而玉山證券推出的小額債，更以1000 美元的低門檻，讓學生與新手也能參與全球優質企業債投資。玉山E-Trader平台即時報價、條件式篩選與清楚的交易流程等特色，大幅降低投資難度，對於希望分散風險、建立穩定現金流的人來說，玉山小額債是一個值得嘗試的理財起點。
很常聽到深度學習，但到底是在學些什麼？今天來跟我一起學習一個重要的概念：
多層感知機（MLP, Multi-Layer Perceptron）是最基礎的神經網路之一。它雖然簡單，卻是許多進階模型的基礎，例如 CNN（卷積神經網路） 和 Transformer（變換器）（某論文），用於處理自然語言模
很常聽到深度學習，但到底是在學些什麼？今天來跟我一起學習一個重要的概念：
多層感知機（MLP, Multi-Layer Perceptron）是最基礎的神經網路之一。它雖然簡單，卻是許多進階模型的基礎，例如 CNN（卷積神經網路） 和 Transformer（變換器）（某論文），用於處理自然語言模
不太確定捲積式神經網路 (CNN) 的精確定義，但大致上是用捲積層 (convolution layer) 取代 DNN 中的幾個全連接層 (fully connected layer)，這些捲積層概念跟 feature filter 類似。
先大概有個概念就夠，實作時跟前一篇 DNN 一樣，這些
不太確定捲積式神經網路 (CNN) 的精確定義，但大致上是用捲積層 (convolution layer) 取代 DNN 中的幾個全連接層 (fully connected layer)，這些捲積層概念跟 feature filter 類似。
先大概有個概念就夠，實作時跟前一篇 DNN 一樣，這些
Autoencoder 是一種無監督學習的神經網絡，分為編碼器（將數據壓縮為隱藏表示）和解碼器（將隱藏表示重建為原始數據）。其目標是最小化輸入和重建數據之間的誤差，廣泛應用於數據降維、特徵提取、去噪和生成模型（如變分自編碼器 VAE）。優點包括無需標籤學習和自動學習特徵，但也容易過擬合，需要大量數據
Autoencoder 是一種無監督學習的神經網絡，分為編碼器（將數據壓縮為隱藏表示）和解碼器（將隱藏表示重建為原始數據）。其目標是最小化輸入和重建數據之間的誤差，廣泛應用於數據降維、特徵提取、去噪和生成模型（如變分自編碼器 VAE）。優點包括無需標籤學習和自動學習特徵，但也容易過擬合，需要大量數據
輸入層：接收數據，對應特徵值，是網絡的入口。
隱藏層：學習數據的抽象特徵，引入非線性，處理複雜模式。
輸出層：產生結果，將特徵轉換為預測值(regression)或分類(classification)結果。
陳縕儂老師說過 中間的隱藏層通常不會是線性的 如果全部都是線性 那任意交換隱藏層
輸入層：接收數據，對應特徵值，是網絡的入口。
隱藏層：學習數據的抽象特徵，引入非線性，處理複雜模式。
輸出層：產生結果，將特徵轉換為預測值(regression)或分類(classification)結果。
陳縕儂老師說過 中間的隱藏層通常不會是線性的 如果全部都是線性 那任意交換隱藏層
一般而言，神經之間在突觸前後以電與化學信號傳遞訊息。然而，早在很久以前就已經證實了一些突觸外的溝通方式，例如使用神經肽來傳遞訊息。這些神經肽傳遞訊息的作用範圍尚不明確，近期研究進一步釐清了這種與傳統訊號傳輸完全不同的溝通途徑。
一般而言，神經之間在突觸前後以電與化學信號傳遞訊息。然而，早在很久以前就已經證實了一些突觸外的溝通方式，例如使用神經肽來傳遞訊息。這些神經肽傳遞訊息的作用範圍尚不明確，近期研究進一步釐清了這種與傳統訊號傳輸完全不同的溝通途徑。
在我的上一篇文章中，我們提到了人工智慧 & 機器學習 & 深度學習跟神經網路的關係，我們也了解到了所謂的深度學習是一種基於神經網路上的機器學習方法。那麼神經網路到底是什麼呢? 我們上一篇文章裡面提到的神經網路的層Layer究竟是什麼呢? 到底為什麼神經網路需要這麼多的神經元(Neurons)跟層數呢
在我的上一篇文章中，我們提到了人工智慧 & 機器學習 & 深度學習跟神經網路的關係，我們也了解到了所謂的深度學習是一種基於神經網路上的機器學習方法。那麼神經網路到底是什麼呢? 我們上一篇文章裡面提到的神經網路的層Layer究竟是什麼呢? 到底為什麼神經網路需要這麼多的神經元(Neurons)跟層數呢
我們這個系列就是希望以非常科普的角度來解釋人工智慧。本篇要釐清人工智慧(AI: Artificial Intelligence)，機器學習 Machine Learning, 深度學習Deep Learning，另外還有類神經網路，到底互相是什麼關係呢?
我們這個系列就是希望以非常科普的角度來解釋人工智慧。本篇要釐清人工智慧(AI: Artificial Intelligence)，機器學習 Machine Learning, 深度學習Deep Learning，另外還有類神經網路，到底互相是什麼關係呢?