Princend
2 位追蹤者
致力於分享AI技術跟知識
0會員
33內容數
全部內容
由新到舊
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
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。
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
謝謝您的分享❤️
池化層透過降維操作（如最大池化、平均池化）壓縮特徵圖，減少計算量，保留關鍵資訊，同時提升模型對位置和變形的穩健性，是CNN中加速運算的重要部分！
卷積層是CNN的核心，透過卷積核提取局部特徵，如邊緣、紋理等。每個卷積核學習不同的特徵，輸出稱為特徵圖。它透過局部連接和參數共享，減少計算量，提升效率，是圖像分析的關鍵！
卷積神經網路（CNN）是一種深度學習模型，擅長處理圖像數據。透過卷積層提取特徵，池化層降維，並結合全連接層進行分類或預測。其特點包括參數共享、空間不變性，適用於圖像分類、目標檢測等多種任務。經典模型有LeNet、AlexNet、VGG、ResNet等。簡單高效，廣泛應用於AI領域。
Dropout 是防止過擬合的正則化技術，訓練時隨機將部分輸入單元設為 0，並對未丟棄的輸入放大為 1/(1−rate)，以保持總輸出不變。推論(inference)期間則不丟棄值。
Batch Normalization 是一種提升深度學習模型訓練效率的技術，透過正規化每層輸入的數據分佈，加速收斂並提升模型穩定性。
1.加速模型訓練，支持更高學習率。
2.減少過擬合，有輕微正則化效果。
3.減輕參數初始化的依賴，增強模型穩健性。
4.適用於全連接層與卷積層等多種結構
Underfitting（欠擬合）
可能原因:
模型選擇過於簡單，表現力不足（如線性模型處理高度非線性問題）。
模型表現不足，無法捕捉數據中的模式或規律。
通常是因為模型過於簡單（如使用太少的參數或低容量模型）或訓練時間不足。
Overfitting（過擬合）
可能原因:
偏差 (Bias)
1️⃣偏差是模型對訓練資料的擬合能力，與模型的複雜度相關。
2️⃣偏差高的模型通常過於簡單，無法很好地擬合資料（即「欠擬合」）。
變異 (Variance)
1️⃣變異是模型對不同訓練資料的敏感程度。
2️⃣變異高的模型通常過於複雜，容易過度擬合資料（即「過擬
