一开始因为不太清楚怎麽理解ML的学习脉络,而盲目的乱看各种数学模型的基本原理,以及训练用的参数和函式怎麽挑选等等,甚至回头念了一段统计,试图从中挑选最好的方式,来规划和实作我们的题目。
这个方式现在回头来看有点不太好,即使念的东西都有用,而且统计的概念对於过程和结果理解也真的有所帮助,但工作实务上应该先走最有效率的路线,先求有再求好。
所以挑选题目之後,除了纳入考量的参数之外,模型的选定也很重要,自己主观认为应该先透过单一模型的练手,再追求其他模型的知识理解与精进。
如上图,AI的领域大致如此划分,我们从ML的部分进入,在尚未要求处理更复杂的问题,或者商业需要更精准的答案之前,可以先不要夸入Deep learning的领域。
常听到类神经网路的部分(Deep Learning),对於我们这种小白,认真希望导入ML的考量下,其实不希望在未经历过基础训练之前,就直接跨入比较进阶的领域,因此这部分考虑就先不看。
基本入门,其实就从监督式学习开始,根据决定的命题,从「回归」(连续型的数值) 和「分类」(离散型的资料),选定要套用的模型,或者尝试不同模型,取其最好的部分往下走。
然而「回归」和「分类」的适用性不同,不能够拿做「分类」的模型,去做「回归」的题目,反之亦然。
所以决定好了题目,再挑选模型来研究和学习,其实是对於我们这种有成果压力的小白工程师比较好的选择,根据题目是需要「回归」还是「分类」的类型先研究,等有余力或者题目改变了,再去了解另外一种类型的模型。
这两个种类其实有很多种模型,以下只是粗略列出常见的选项:
常见的选用模型:
线性回归
多项式回归
常见的选用模型:
决策树
支援向量机
贝叶斯
>>: EP 5: Use self-define Code Snippet to improve Coding Experience for NotifyProperty in ViewModel
之前一直用的E5 2680v3打了鸡血,全核3.3G,打游戏不太好使毕竟目前的游戏大部分吃的单核高主...
读取键盘输入 input函数 读取和写入标准输入和输出 开启的txt档案会写入 程序中的"...
藉着亲自并协助他人准备CISSP考试,我们正致力於发掘更优良的准备考试的方法。透过这样的努力,我们...
今天我们要来实作一道题目,是不是很期待呢? Question:输入两个数字,印出两数字的和 看到「和...
Request Routing partitioning 的最後一个段落想讲的问题:如果我想写入或读...