機器學習
含有「機器學習」共 698 篇內容
全部內容
發佈日期由新至舊
在買股票的時候投資人
常常會評估一間公司是不是真的積極在做事
例如實際去公司考察 或是認識公司內部的人 知道他們很忙
訂單接不完 這種小道消息 之後可能就會參與投資
反之幾乎跟死水一樣的就不要投資
那有沒有什麼方法可以套用到幣圈來呢?
有的 虛擬貨幣本質上就是一堆程式碼
也是有項目方工
在這個章節會繼續介紹機器學習後半部的流程，主要也是概念式的說明，每一個小細節在後續的文章中會再單獨拿出來說明。請大家盡量記得文章中每個流程所提到的專有名詞，大概了解每一個步驟在做什麼對於後續的學習很有幫助!
AI在心臟醫學影像的革新
人工智慧 (AI) 的核心在於讓機器執行通常需要人類智慧的任務，這是一個不斷發展的領域。目前AI領域的熱潮主要圍繞著機器學習 (Machine Learning, ML)，這種技術讓機器能從資料中學習模式，而無需明確的程式指令。作為機器學習的子集，深度學習 (Deep L
不是每一門課都記得清楚，
但有三種能力，早已滲透在我後來的每一場研究與思考中。
這些不是特定知識，而是能跨領域使用的「元能力」。
▋1. 抽象化：把具體問題，轉成結構問題
數學系訓練我不只是解題，而是先看出問題背後的形式與邏輯骨架。
這讓我面對新領域（像是機器學習或合成數據）時，
不會被
美中經濟與安全審查委員以及美國能源部的公開聲明，都顯示出：AI 的發展可能需要如同當年製造原子彈、登月計畫那樣的全國性投入與決心。
隨著深度學習的發展，研究人員不斷地提出新的技術和模型架構來增強 (Enhance) CNN 的性能。這些增強方法可以從多個層面來提升 CNN 在圖像辨識、物件偵測等任務上的準確性、效率和魯棒性 (robustness)。
卷積神經網路(CNN)的訓練過程就像教小孩辨識貓狗一樣，透過準備大量訓練資料、前向傳播預測、計算損失、反向傳播修正錯誤，以及反覆迭代等步驟，讓CNN不斷學習並提升影像辨識能力。訓練過程中，大量的數據、強大的計算資源、適當的模型架構和超參數設定都至關重要。
卷積神經網路（CNN）是一種專門用於處理影像的 AI 模型，其運作方式類似於人類大腦觀察圖像的方式，層層分析提取特徵。主要包含卷積層、池化層和全連接層。卷積層使用濾鏡提取局部特徵；池化層精簡數據並提升模型穩健性；全連接層進行最終分類。CNN 廣泛應用於影像辨識、自動駕駛和醫療影像分析等領域。
Google 推出的 Teachable Machine 讓使用者能輕鬆體驗 AI 訓練過程。此教學文章說明如何訓練一個能辨識「讚」和「OK」手勢的 AI 模型，步驟包含建立分類、餵食 AI 範例圖片、訓練模型以及測試預覽。
影像辨識技術如何運作？本文以樂高積木為例，深入淺出地解釋電腦如何從像素數據中學習並辨識圖像，並列舉生活中影像辨識的應用實例，例如人臉解鎖、車牌辨識、醫療影像分析和自動駕駛等。
