全部內容
由新到舊
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。
本篇文章探討瞭如何透過叢集類神經網路對圖形資料進行分類。叢集類神經網路針對多個相互獨立的分類目標，提升訓練收斂速度。文中說明介紹了叢集類神經網路的建立和訓練過程，最終達成準確的分類預測。透過這種方法，即使處理複雜的分類問題，也能保持較高的訓練效率和準確度。
本文介紹使用 PyTorch 及類神經網路進行圖形資料集的分類。Fashion-MNIST 提供了機器學習研究上的著名範例；服飾的灰階圖像的分類。本文指導讀者從安裝 torchvision 到建立類神經網路，進行圖形分類的完整過程。也詳述了資料處理及訓練過程，幫助理解類神經網路在圖形分類上的應用。
本文探討類神經網路在多元分類問題的應用，以scikit-learn 程式庫中的鳶尾花分類問題為例。該問題涉及三種不同的鳶尾花分類，並詳細說明瞭資料整理、類神經網路的建立及訓練過程，最終達到高準確率的預測結果。本文將幫助讀者理解如何應用類神經網路、PyTorch 及 CUDA 來進行高效的模型訓練。
本文說明反饋類神經網路在機器學習中解決非線性分類問題的方法，並以「PyTorch/CUDA」作為實現工具。介紹如何使用「scikit-learn」生成二元分類問題的數據，將訓練資料轉換為PyTorch/CUDA可用的格式，並搭建類神經網路進行訓練與測試；可用於有效解決各項機器學習的分類問題。
