隨機
含有「隨機」共 158 篇內容
全部內容
發佈日期由新至舊
AI專案週期的五個階段（來源：Solidigm）
1. 資料攝取（Data Ingest）
I/O特性：大量順序寫入活動
資料類型：原始資料（LLM的網站資料、自動駕駛的LIDAR資料、醫療影像、音頻記錄等）
儲存需求：高順序寫入吞吐量
2. 資料準備（Data Preparation）
Ultima Markets
在美聯儲即將召開例會之際，比特幣（BTCUSD）的價格在急劇下跌後進入了窄幅盤整，市場情緒顯得猶豫不決 。儘管隨機指標顯示賣壓可能正在減弱，暗示短期內可能出現反彈 ，但空頭力量似乎重新掌控了局面 。
日線圖技術分析
從日線圖來看，比特幣的價格在經歷大幅下跌後，正處
Dropout 是防止過擬合的正則化技巧，訓練時隨機關閉部分神經元，迫使模型學習更通用的特徵，提升泛化能力。推論時會啟用所有神經元並縮放輸出，保持一致性。常見比例：MLP 0.20.5，CNN 0.10.3，RNN 可用 recurrent_dropout。
權重初始化決定神經網路能否順利啟動學習。若全部設為零，對稱性無法打破；隨機過大或過小則會造成梯度爆炸或消失。常見方法中，Xavier 適合 Sigmoid/Tanh，He 初始化適合 ReLU 系列，能提升收斂速度與穩定性；隨機正態易不穩定，Zero 無法收斂。正確初始化策略是深度學習成功的第一步。
超參數調優是指在機器學習中，通過尋找最佳組合的超參數值來提升模型性能的過程。超參數是指在訓練前需設定，且不通過模型訓練自動學習的參數，如學習率、批次大小、樹的深度等。
常用的超參數調優方法：
1. 網格搜尋（Grid Search）
• 對預定的超參數範圍進行系統遍歷，嘗試所有組合，找到表
處理類別不平衡（Class Imbalance）是機器學習中常見且重要的問題，尤其在少數類樣本數量遠小於多數類時，模型容易偏向多數類，導致少數類識別效果差。常用的處理方法包括資料層面和算法層面技術。
常用處理類別不平衡方法：
1. 資料層面方法
• 過採樣（Oversampling）少數類
——從「隨機變異與自然選擇」到「語法場的適應性共生」——
一、核心轉譯：進化是語法場的動態重構
傳統進化論：物種透過隨機變異+環境選擇而演化。
田埂敘事推理學的翻譯：
進化是語法庫（基因、文化、行為模式）在環境語法場中的持續對話與適配性重構。
「隨機變異」實為「語法試錯」，「自然選擇」實為
隱藏層讓神經網路能學習資料中的抽象特徵與非線性關係。若只有輸入與輸出層，模型僅能學習簡單的線性對應，難以處理複雜問題。加入隱藏層後，模型能逐層提取更深層的模式與結構，是深度學習成功的關鍵。隱藏層越多，模型表達力越強，但也需注意過擬合風險。
AI時代系列(2) 機器學習三部曲: 🔹 第二部：《深度學習 —— 神經網路的革命》
10/100 第一週：深度學習基礎入門
10.小結與測驗：手寫數字分類（MNIST）🖊 用 TensorFlow 練習第一個深度模型！
__________________________________
過擬合是模型記住訓練資料細節，導致無法泛化。可透過 Dropout、L2 正則化、Early Stopping 等方法限制模型過度學習，提升對新資料的表現，讓模型學會規律而非死背答案。