電腦科學新手村
42公開內容
Bicky 曾是只會抄程式作業的學生，現在鼓起勇氣重新踏入電腦科學領域。希望透過輕鬆的文章分享寫程式的思路，還會帶你了解電腦背後的運作邏輯。文章會搭配哈佛 CS50 課程，從最基礎的知識開始，讓你即使沒有背景也能跟上，歡迎對電腦科學有興趣卻不知道從何下手的夥伴加入！
全部內容
免費與付費
最新發佈優先
本文介紹深度學習框架TensorFlow和PyTorch，以及CPU、GPU、CUDA如何影響運算效能。TensorFlow適合企業應用和大型模型部署，PyTorch更靈活，適合研究和開發。GPU透過CUDA加速運算，大幅提升訓練速度，尤其在大規模數據和深度神經網路訓練時。
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
這篇文章提供關於Git分支(Branch)和合併(Merge)的進階教學，包含建立分支、在不同分支修改檔案、合併分支以及處理合併衝突等步驟，並輔以圖文說明，適合初學者學習。
這篇文章提供 Git 版本控制系統的完整教學，從基礎概念到進階操作，包含圖文並茂的步驟說明和範例，讓讀者可以快速上手並應用於團隊協作及 GitHub Pages 部署網站。
這篇文章介紹如何使用 Google Colaboratory 進行線性回歸的梯度下降練習，包含手刻梯度下降法和使用 scikit-learn 的方法，並探討學習率、數據標準化、NaN 值等問題與解決方案。另外介紹，Matplotlib 進行結果可視化。
線性回歸是一種預測模型，目標是找到一條最貼近數據點的直線。本文詳細介紹線性回歸的流程，包含收集資料、建立模型、計算誤差、優化模型和測試模型等步驟。重點闡述梯度下降法與損失函數的應用，並解釋學習率的影響、參數更新方式，以及如何透過梯度下降法逐步逼近損失函數的最低點。
本篇筆記介紹非監督式學習的三大類別：分群、關聯分析和降維，並深入說明其概念、演算法和應用場景。包含K-Means分群演算法、Apriori關聯分析演算法、PCA降維技術，以及強化學習的基礎概念。
深入探討監督式學習中的分類預測，涵蓋邏輯回歸、混淆矩陣、模型評估指標 (Accuracy, Precision, Recall, F1 Score)、ROC 曲線、AUC，以及 KNN、SVM 和 Naive Bayes 等分類演算法。還介紹決策樹、Bagging、Boosting 等集成學習方法。
這篇文章提供機器學習和人工智慧的基礎概念，包含監督式學習、非監督式學習、強化學習，以及模型訓練、優化和評估等重要環節。文中也涵蓋了特徵工程、特徵縮放、維度詛咒等關鍵概念，並簡要介紹了正規化、K折交叉驗證等進階技術。
本文回顧向量內積、方向導數與梯度的概念，並以生活化的比喻和數學公式說明它們在微積分和機器學習中的應用，尤其是在梯度下降法中尋找函數最低點的過程。
