全部內容
由新到舊
本文介紹如何使用 PyTorch 建立一個三層式反饋類神經網路模型來預測股價。文章涵蓋了資料取得 、資料預處理 (正規化)、GPU 資料轉換、模型訓練、模型預測以及結果評估等步驟。透過將模型預測結果與原始股價資料繪製比較圖表，並結合統計指標例如「95%區間」來分析模型的準確性和可靠性。
本文介紹如何使用yfinance函式庫取得臺灣股票市場資料(例如加權指數或個股)，並利用這些資料繪製圖表。同時，也說明如何安裝yfinance函式庫、取得最新版本以及設定圖表顯示中文的方法。
蘋果M系列晶片採用統一記憶體架構 (UMA)，不同於NVIDIA CUDA常用的獨立顯示卡記憶體架構。本文以PyTorch 撰寫測試M4晶片CPU和GPU矩陣運算效能程式，結果顯示不管GPU或是CPU的結果，運算效能驚人，非常適合教學及小型研究用途。
本文章說明如何在已安裝 Python 3.9 的 iMac mini 上設定 Python 虛擬環境，以及如何使用 venv 工具、安裝常用函式庫（如 numpy、pyTorch 等），並設定 Jupyter 連動不同 Python 虛擬環境。
這篇文章說明如何在iMac mini M4上設定Jupyter Notebook作為遠端程式設計伺服器，方便使用iPad進行程式開發。文章涵蓋Jupyter Notebook的安裝、設定遠端連線以及建立可執行的shell script，讓伺服器能持續運作。
本文介紹如何將蘋果iMac mini作為CP值最高的人工智慧程式設計伺服器，搭配 iPad 進行遠端程式設計工作。文章說明瞭啟動遠端服務、連接SSH伺服器、使用外接硬碟及連接FTP伺服器等步驟，並推薦了相關應用 app。
在上一篇的強韌學習中，可以看到行為 (action) 的主要還是依據 Q-Table 的最大數值來決定；而 Q-Table 中的數值是依照過去的行為經驗累積而來；在經驗累積的過程中，每次單純累計回饋 (reward) 的數值；所以，可以觀察到最後形成的 Q-Table 各個數值內容會逐漸地累計而出現
本文介紹如何使用 OpenAI Gym中的Frozen Lake環境，利用Q-table學習機制提升機器人成功率。文章首先說明基本隨機移動機器人的方法，接著說明如何建立Q-table學習機器人，並透過實驗數據展示學習機制的效果。
本篇文章介紹如何使用Python和OpenAI Gym在Nvidia Jetson Orin Nano上實作強化學習，並以Frozen Lake遊戲為例，說明如何透過學習機器的行為與環境互動，來逐步提升學習機器的能力。
類神經網路在圖形辨識應用中需要大量資料進行訓練，並常透過分批訓練來優化模型。本文介紹如何使用「MNIST」資料庫進行手寫數字辨識，並透過「資料分批」來有效處理訓練資料。最終，分批訓練的手法能夠提升模型的辨識能力，實現持續學習。
